智能化滚动轴承状态监测1.doc

CONDITION MONITORING OF BALL BEARING智能化滚动轴承状态监测课程名称：智能化状态监测与故障诊断班级： 08载运二班姓名： 李梦泽学号： 20081588智能化滚动轴承状态监测摘要：轴承是各类机械设备中的常用部件，也是易损部件之一，轴承出现故障而得不到及时更换时，将可能影响整个机械装置的工作，所以对轴承进行状态监测，及时发现轴承的故障，将是十分必要的。本文对轴承状态监测的流程及各流程的实现进行了较为详细的阐述，说明了进行轴承状态监测的意义及其技术的发展过程，之后介绍了状态监测的基本步骤及各个步骤的实现方法，最终完成对轴承状态的正确判断，并对此项技术进行了总结和拓展。关键字：滚动轴承 状态监测 神经网络 Matlab 第一章 绪论1.1 轴承状态监测的意义及常见的故障类型滚动轴承是各类旋转机械中不可或缺的通用机械部件之一，被广泛地应用于车辆、冶金、电力、航天等重要领域4，但同时它也是旋转机械中极易损坏的部件之一。每个滚动轴承的工作状态都将直接影响整个机械设备的整体运作性能，包括精度、可靠性及寿命等。据统计，在使用滚动轴承的旋转机械设备故障中，约有30的是由轴承损坏引起的6。滚动轴承的主要故障类型有：点蚀、胶合、磨损、烧伤等，轴承故障会使机械设备产生振动和噪声，容易导致整个设备的工作停滞，甚至引发严重的事故。因此，进行及时而有效的轴承状态监测将是十分必要的。滚动轴承由内圈、外圈、滚动体和保持架组成。轴承的故障也可分为内圈故障、外圈故障和保持架故障2。项目特征频率Z个滚动体通过内圈上一点频率Zf1z/2(1+d/Dcosa)frZ个滚动体通过外圈上一点频率Zf2z/2(1-d/Dcosa)fr故障特征频率计算（表1-1）滚动轴承的节径D：滚动轴承滚动体中心所在圆的直径，滚动体直径d：滚动体的平均直径，内圈滚道半径r1：内圈滚道的平均半径，外圈滚道半径r2：外圈滚道的平均半径，接触角口a：滚动体受力方向与内外滚道垂直直线的夹角，滚动体个数Z：滚珠的数目，内圈和外圈的故障特征频率，分别记为f1和f2。与其它机械零部件相比，滚动轴承的寿命离散性很大，因此常用的传统的定时维修是很不科学的，要采用状态监测技术，作为视情维修或是预知维修的技术基础，这样，不但可以防止设备的工作精度的降低，减少或杜绝事故发生，而且可以尽最大效用地使用滚动轴承，节约开支。对滚动轴承进行状态监测能及时发现故障，有效地保护人身和财产的安全，对于保证国民经济的正常运行至关重要。传统的诊断方法需要人工辅助，难以实现复杂环境下的精确诊断，所以，采用智能化的方法对滚动轴承进行状态检测就显得十分有效了。1.2 滚动轴承故障诊断技术的发展过程轴承状态监测技术的发展过程，大致可以分为如下三个阶段：第一阶段：早期，用经验对观察的轴承工作状态和轴承工作噪声进行识别和判断。这种方式受主观因素的影响较大，难以对机械设备的故障进行实时、准确的判断。第二阶段：利用计算机技术，进行初级的状态监测。1960年以后，计算机技术的发展和傅里叶算法的出现，使得计算机信号处理技术有了较为完善的理论基础，信号的频谱分析处理得以现实。由轴承的工作情况计算出轴承各种故障的特征频率，将采集的信号进行傅里叶频谱分析，对照特征频率就可以判断轴承的状态。由于这种方法受环境噪声的影响，所以效果不是十分的理想。之后出现了共振解调技术，它有效地提高了振动信号的信噪比，使得故障的特征更为明显，此方法在轴承状态监测领域的应用十分广泛。第三阶段：利用神经网络技术，进行智能化的状态监测。1990年以后，小波技术和神经网络技术出现，并被应用于轴承状态监测领域，使得轴承状态监测技术由初级化走向智能化。这两项技术的发展前景广阔，实用性较强，随着这两项技术不断地发展、完善和成熟，轴承的智能化状态监测技术的效果也将得到提高。其他状态监测方法如轴承的油液分析法，图象分析法等，由于对于工作状况和工作环境的要求比较高，所以适用的范围也相对较小。1.3 滚动轴承状态监测流程及方法状态识别信号特征抽取信号滤波处理信号采集实验平台建立轴承状态监测流程框图（图1-1）用户界面设计对于轴承进行状态监测的过程一般来说可以总结为三步：第一步，在各种工作状况下进行信号的采集；第二步，对采集到的信号进行信号处理和特征抽取；第三步，状态识别，即使用神经网络技术对提取的特征信号进行识别2。第一步信号采集，用各类传感器选取种类的信号进行采集。轴承状态监测的信号采集技术主要有振动信号检测技术、声学诊断技术、温度诊断技术、油液诊断技术和间隙诊断技术等，较多采用的是用振动信号检测技术采集轴承工作时产生的振动信号。振动信号检测技术是使用振动传感器（如加速度传感器等）采集轴承工作时的振动信号，此技术适用于各种类型、各种工作状况下轴承振动信号的采集，实用性强，但采集到的振动信号易受工作环境的影响，含有大量的噪声，需对含有的噪声信号进行滤波等的处理，以获取较好的振动信号检测效果。声学诊断技术是使用声学传感器（如声发射传感器等）采集轴承因故障而产生的弹性波信号。此技术是采集轴承本身发出的高频应力波信号，不易受工作环境噪声的干扰，易于直接检测出故障，效果较好。但是声学诊断技术成本较高，实用性不强。温度诊断技术是监测轴承工作时温度变化的信号，此技术使用简单，实用性高，但是轴承在故障初期的温度变化并不明显，而当温度明显的时，往往都已有了严重的故障，所以不能进行早期预报，且可能会仪器的损坏。油液诊断技术是对轴承使用的润滑油的状态进行监测，从而了解轴承的润滑状态与磨损状况，此技术能对各种故障进行早期预报，并能查明故障产生的原因与故障部位。油液诊断技术应该采用系统的方法监测，单一的方法往往会导致不全面的结论。实验表明，由理化分析、污染度测试、发射光谱分析、红外光谱分析、铁谱分析等构成的油液诊断系统的结果较为准确。间隙诊断技术是将轴承工作时的间隙值与轴承原始的间隙值进行比较。但是在工作时，难以直接测定轴承的间隙值，因此多采用间接测量法。此技术对轴承磨损、点蚀的监测比较有效，但是间接测量的影响因素较多，而且当间隙值变化明显时，轴承已产生了严重的故障，因此实用性不强。信号采集技术优点缺点实用性振动信号检测技术适用于各种类型各种工作状况下轴承的信号采集，结果直观可靠采集的信号易受环境影响，含大量噪声，需滤波处理强声学诊断技术不易受环境噪声的干扰，易于诊断故障，能早期预报故障成本较高不强温度诊断技术简单实用，原理方法明确得出结果时，轴承已损坏严重，无法发现早期故障较强油液诊断技术可早期预报故障，查明故障原因和部位，结果准确单一的方法会使结果不全面，需用系统的分析方法较强间隙诊断技术对轴承磨损、点蚀判断明确间接测量，影响因素较多，无法发现早期故障不强各信号采集技术比较（表1-2）计算机数据采集卡电荷放大器加速度传感器实验平台A/D信号采集系统框图（图1-2）第二步信号处理和特征抽取。传统的信号处理方法是分别在时域和频域对采集到的信号进行分析，此方法难以较好地刻画故障信号的特征。时频分析法则具有提取时域和频域两种信息的能力。目前在轴承状态监测中应用的时频分析方法主要有短时傅立叶变换STFT、小波变换和分形处理等。轴承状态监测，关键在于能对抽取的信号特征进行状态识别，因此抽取到明显的、有区别性的特征至关重要。传统的傅立叶变换进行特征抽取的先决条件是信号要是平稳的，对于非平稳的信号，抽取到的特征的效果就不好。小波分析法可以根据条件对非平稳的信号进行滤波，从而得到有用的信号，以方便下一步抽取到有效的特征，比傅立叶变换法有着许多实用性上的进步。小波滤波法，是小波技术在信号处理技术中的一个重要方面。传统的滤波方法在信号变换之后熵增加，无法刻画出信号的非平稳特性，而且无法得到信号的相关特性，但是小波滤波法可以很好地实现这些作用。小波阈值滤波法，是对经过小波分解后得到的信号中的高频小波系数进行阈值滤波，再结合包络解调技术对经过阈值滤波后得到的高频信号抽取其特征。包络解调技术可以消除信号中的高频载波，以有效地提取包络。运用matlab编程可较快实现时域、频域的特征抽取结果。第三步状态识别，现代智能化技术的发展和应用，出现了神经网络和专家系统等的状态识别技术。神经网络模型是建立在现代神经生理学研究基础上，模仿人大脑的神经元结构特性，建立起非线性的动力学网络系统，具有大量的非线性处理单元，非常类似于人的大脑，所以被称为人工神经网络。作为一种应用十分广泛的智能化识别技术，神经网络技术具有非线性映射能力强，有自学习、自组织和自适应能力的特点，适合在轴承状态监测技术中运用。其应用领域主要集中在三个方面：一是在模式识别的过程中，作为分类器；二是在预测方面，作为动态预测模型预测故障；三是在知识处理方面建立基于神经网络的专家系统。此处采用的是神经网络作为分类器的应用方式。运用神经网络技术对抽取到的特征进行状态监测，用模糊神经网络技术解决多传感器信号特征的识别，几种典型的故障类型的识别，以及在网络构成和模糊输入输出条件下实现旋转机械故障的识别问题。此处采用BP神经网络技术将采集的信号特征组成网络，进行训练和最后的状态识别。X1X2X3Xj-1Xj输入层隐含层O1O2Ok输入层WTBP多层神经网络（图1-3）1.4 小结第一章绪论部分阐述了进行轴承状态监测的重要性极其意义，状态监测技术的发展过程及状态监测的步骤流程。应用VC+、matlab编程可较为形象方便地得到结果，完成数据处理和界面设计。小波技术和包络解调技术的运用能对振动信号进行更好地处理，而神经网络识别将是状态监测过程更加智能化。由此，伴随着信号处理技术的发展，轴承状态监测技术的发展前景十分乐观。第二章 实验装置2.1 状态监测系统的总体构成A/D转换电荷放大器加速度传感器滚动轴承信号预处理特征向量提取正常轴承故障轴承BP人工神经网络模式识别时域特征频域特征轴承状态监测流程框图（图2-1）选取加速度传感器。将测得的滚动轴承振动信号接入电荷放大器进行信号放大，再通过A/D卡转换为计算机可以识别和处理的数字信号，接入计算机中。在计算机上利用Matlab编程实现提取时域和频域有效特征向量，利用BP人工神经网络进行模式识别判断轴承状态（故障轴承或正常轴承）的功能，从而实现滚动轴承的智能化状态监测。2.2 滚动轴承状态监测的硬件设备实现状态监测的硬件设备为实现振动信号采集部分的设备部分。计算机数据采集卡电荷放大器加速度传感器实验平台A/D变频器信号采集系统框图（图2-2）由框图可知，滚动轴承振动信号的采集过程：首先滚动轴承实验平台上的电动机运转(由变频器控制运转速度)，由联轴器带动滚动轴承转动，然后通过加速度传感器采集轴承工作时的振动信号，通过电荷放大器将振动信号放大，最后用数据采集卡采集信号后通过A/D转换将模拟信号转换成数字信号送入计算机进行处理。1、智能化滚动轴承状态监测实验平台，主要由异步电机、滚动轴承座、联轴器、减速器和磁粉制动器五部分组成。（1）异步电机：工作时可以通过联轴器带动滚动轴承转动。此外电动机和变频器相连接，可以利用变频实现对异步电机转速的控制。（2）变频器：主要用于控制电机的转速，实现滚动轴承在不同工作状态下振动信号的采集。（3）滚动轴承座：用于安放滚动轴承。由于滚动轴承座上表面是圆弧形，无法安装传感器，所以对滚动轴承座上表面进行铣处理，使传感器可以通过底盘的磁铁牢固地吸附在滚动轴承座上。（4）磁粉制动器：与其匹配电源连接，电源打开，滚动轴承受到相应的负载作用；电源关闭，滚动轴承处于空转状态。通过对电源的控制，实现滚动轴承工作状态的改变。（5）联轴器：用于在同一工作轴上连接各器件。2、传感器：采集滚动轴承的振动信号，要求频带的比较宽，此处采用加速度传感器，结构简单、高灵敏度、低漂移。3、电荷放大器：电荷放大器在数据采集过程中起着重要的作用。采集到的振动信号往往比较微弱，需要对微弱信号进行放大处理，同时改善输入计算机的信号的信噪比。2.3 滚动轴承状态监测的软件设备滚动轴承故障状态监测的软件设备所采用的软件平台是用VC+和MATLAB软件编译的。其中VC+软件主要用于前期滚动轴承振动信号采集软件的设计以及智能化滚动轴承状态监测界面的设计，而MATLAB主要用于实现信号时域、频域的分析以及神经网络相关的算法实现。2.4 小结 第二章实验装置部分主要介绍了完成智能化滚动轴承状态监测实验的软硬件装置。实验平台的构置、驱动装置、数据采集装置和与电脑的连接转换装置构成了硬件部分。软件部分主要由VC+与Matlab编程实现。第三章 信号分析3.1 数据采集及信号预处理由图2-2的硬件设备获得正常轴承与故障轴承在不同工况下的振动信号。获得数据为：正常轴承Z2015、Z2515、Z3015、Z20610、Z25610、Z30610，故障轴承G2015、G2515、G3015、G20610、G25610、G30610。选取Z2015与G2015的原始数据进行分析。用附录程序3-1，可得Matlab时频图3-1、3-2、3-3、3-4。Z2015时间-幅值图（图3-1）Z2015频率-幅值图（图3-2）G2015时间-幅值图（图3-3）G2015频率-幅值图（图3-4） 由图3-1和图3-3对比可以发现故障轴承的时域图中幅值的变化较正常轴承要大。由于原始数据处理得到的频谱图中有低频的直流分量，所以为减小误差，便于进行频谱分析，须对原始数据进行零均值化处理。零均值化处理又称中心化处理。信号的均值相当于一个直流分量，而直流信号的傅里叶变换是在处的冲激函数，因此若不去除均值，在作信号谱分析时，将在处出现一个大的谱峰，并会影响在左右处的频谱曲线，使它产生较大的误差。设采样数据为(n=1，2，N)，其均值通过下式计算：，用下式进行零均值化处理：， 处理后，就变为一个均值为零的新信号(n=1，2，N)。具体Matlab程序见程序3-2。以Z2015数据为例，Z2015时域图（零均值化前）图3-1Z2015时域图（零均值化后）图3-5Z2015频域图（零均值化前）图3-2Z2015频域图（零均值化后）图3-6 从时域图3-1和图3-5对比可以看出，零均值化处理后，信号值在0附近上下波动，便于做时域分析；从频域图3-2和图3-6对比看出，零均值化处理可以消除在处出现一个由直流分量产生的大的频率谱峰，避免了其对周围小峰值产生的负面影响，便于进行频域分析。 3.2 信号时域分析及特征提取在采集到的原始信号进行零均值化处理后，对得到的新信号进行时域分析，做出时域时间-幅值图，例如图3-5。要实现有效的滚动轴承模式识别，许提取有效的有区别性的时域、频域信号特征，从而建立神经网络进行训练。一般时域特征提取有量纲量：均值、方差、均方根和峰值，无量纲量：峰值因子、峭度系数、波形因子、脉冲因子和裕度因子。均值：，表示随机过程的中心趋势，随机过程都是围绕着它聚集和波动，是随机过程的静态分量。均值用于故障诊断的优点是检测值较峰值稳定。方差：，描述了随机过程在均值周围的散布程度，是随机过程的动态分量。均方根值：，反映了信号下x(t)相对于零值的波动情况，表示信号的平均能量。峰值：，是信号最大的瞬时幅值，反映信号的强度。它对瞬时现象也可以得出正确的指示值，适用于表面点蚀之类的具有瞬时冲击的缺陷诊断。峰值因数：，表示波形是否有冲击的指标。峰值因数不受振动信号的绝对水平所影响，所以传感器的灵敏度即使有变动，也不会出现测量误差。峭度系数：，是表示轴承工作表面出现疲劳故障时，每转一周，工作面缺陷处产生的冲击脉冲，故障越大，冲击响应幅值越大，故障现象越明显。波形因子：。脉冲因子：，对于冲击脉冲类缺陷比较敏感，特别是出现早期缺陷时，它有明显增加;当上升到一定程度后，随着缺陷的逐渐发展，反而会下降。裕度因子：。由各指标的定义编程得程序3-3，计算可得，状态样本时域特征值均值（）方差均方根RMS峰值peak峰值因子C峭度系数K波形因子S脉冲因子I裕度因子CL正常轴承Z20153.2984 10788.1 1.0387 1.7700 1.7041 0.4100 0.4121 0.7023 0.0844 Z25153.8808 10266.5 1.0132 1.8105 1.7869 0.4036 0.4118 0.7358 0.0884 Z30150.8265 10142.7 1.0071 1.7080 1.6959 0.4017 0.4107 0.6965 0.0835 Z20610-2.2579 10171.2 1.0085 1.7870 1.7719 0.4088 0.4124 0.7308 0.0879 Z256100.9893 10118.2 1.0059 1.7410 1.7308 0.3945 0.4115 0.7122 0.0856 Z306102.8757 10222.8 1.0111 1.7565 1.7373 0.4128 0.4129 0.7173 0.0863 故障轴承G2015-2.2029 14552.0 1.2063 2.7395 2.2710 1.3103 0.5760 1.3081 0.1877 G25152.3402 11323.6 1.0641 2.8685 2.6956 1.0932 0.5065 1.3654 0.1821 G30153.2070 11617.3 1.0778 2.8600 2.6535 1.1294 0.5078 1.3475 0.1798 G20610-0.2517 14652.5 1.2105 2.7785 2.2954 1.2284 0.5656 1.2983 0.1848 G256100.4222 12148.1 1.1022 2.6720 2.4243 1.0969 0.5087 1.2333 0.1651 G30610-0.0216 11082.0 1.0527 2.6870 2.5525 1.1041 0.5070 1.2942 0.1722 时域特征值表（表3-1）由表3-1可知，在均值、方差、均方根、峰值、峰值因子、峭度系数、波形因子、脉冲因子和裕度因子这9个特征指标中，峰值、峰值因子、峭度系数、波形因子、脉冲因子和裕度因子这6个指标均能较好地反映出正常轴承与故障轴承之间的区别，是较好的指标。由于各个特征值的幅值大小不一，不便于比较同一特征值的不同样本之间的差异，并且考虑模式识别步骤中输入神经网络中值的大小，需要将每个样本中所有的特征值进行归一化处理，即每个特征值在数值01之间。每个特征指标均有样本的值为最大，记为1，最小的值，记为0，其余样本的特征值分布在0到1之间，按比例分布进行计算。线性函数转换公式为： y=(x-MinValue)/(MaxValue-MinValue)。x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。用Matlab编写程序3-4，实现各时域特征值归一化的功能，得新的特征值表，状态样本时域特征值均值方差均方根RMS峰值peak峰值因子C峭度系数K波形因子S脉冲因子I裕度因子CL正常轴承Z20150.90510.14770.16030.05340.00820.01690.00850.00870.0086Z25151.00000.03270.03570.08830.09100.00990.00670.05880.0470Z30150.50250.00540.00590.00000.00000.00790.00000.00000.0000Z206100.00000.01170.01270.06810.07600.01560.01030.05130.0422Z256100.52900.00000.00000.02840.03490.00000.00480.02350.0202Z306100.83630.02310.02540.04180.04140.02000.01330.03110.0269故障轴承G20150.00900.97780.97950.88880.57531.00001.00000.91431.0000G25150.74900.26580.28451.00001.00000.76290.57961.00000.9463G30150.89020.33060.35140.99270.95790.80250.58740.97320.9242G206100.32681.00001.00000.92250.59970.91060.93710.89970.9722G256100.43660.44770.47070.83070.72860.76700.59290.80250.7831G306100.36430.21260.22870.84360.85690.77480.58260.89360.8513归一化处理后时域特征值表（表3-2） 用Matlab编写程序3-5,3-6，实现三维坐标显示，时域特征值三维图（图3-7）比较表3-1和表3-2可以发现，归一化处理后可以更清晰得看出各特征指标值的分布状况，选出的6个区别明显的特征，也显得更加鲜明。而由图3-7也可以清楚地看到6个特征在两种轴承中的明显的差异性。说明这6个特征是有效的。3.3 信号频域分析及特征提取完成滚动轴承状态监测的模式识别过程，需要许多参数指标，一种是时域参数指标，一种是频域参数指标，由此才能得到较为准确的结果。对以经过零均值化的数据进行频域分析，主要运用FFT进行计算，得到信号频域的时间-幅值图，如图3-6。取G2015和Z2015的频谱图进行比较，用Matlab程序3-7可得结果：正常故障轴承频谱图对比（图3-8）由图3-8的对比可知正常轴承和故障轴承的频谱在许多频率点处存在着很明显的差异。由此，可以在多组样本均存在的正常轴承与故障轴承的差异频率点处抽取作为特征值，进行模式识别。下面作出多组样本的频谱图，进行比照，以此发现正常轴承与故障轴承频谱图上的普遍差异。选取正常轴承数据Z2015、Z2515、Z3015、Z20610和故障轴承数据G2015、G2515、G3015、G20610进行分析，由程序3-8、3-9来实现。正常轴承Z2015、Z2515、Z3015、Z20610频谱图（图3-9）故障轴承G2015、G2515、G3015、G20610频谱图（图3-10）比较图3-9和图3-10，选取几个样本所共同反映的故障轴承与正常轴承频域上有区别的5个频率点，正常轴承特征值抽取（图3-11）故障轴承特征值抽取（图3-12）得到频域特征值表，状态样本FFT频域特征值(198,1)(2000,1)(3600,1)(4000,1)(4336,1)正常轴承Z2015872.50 90.50 119.60 876.30 348.90 Z2515911.60 114.20 100.80 814.10 335.40 Z30151303.00 110.60 89.48 925.10 344.00 Z20610885.10 103.30 138.40 1021.00 345.10 Z25610914.60 127.80 86.48 910.60 344.00 Z306101162.00 109.80 85.00 755.30 372.40 故障轴承G2015696.90 893.30 235.40 235.40 88.19 G2515271.80 455.90 794.00 230.90 77.46 G3015285.80 539.40 779.10 359.20 101.80 G20610427.70 815.30 211.20 203.20 113.10 G25610287.80 378.40 973.60 274.60 117.90 G30610281.70 429.40 679.10 140.78 98.00 频域特征值表（表3-3）用Matlab编写程序3-10，实现各时域特征值归一化的功能，得新的特征值表，状态样本FFT频域特征值(198,1)(2000,1)(3600,1)(4000,1)(4336,1)正常轴承Z20150.58250.00000.03890.83560.9203Z25150.62040.02950.01780.76500.8746Z30151.00000.02500.00500.89110.9037Z206100.59470.01590.06011.00000.9074Z256100.62340.04650.00170.87460.9037Z306100.86330.02400.00000.69811.0000故障轴承G20150.41221.00000.16930.10750.0364G25150.00000.45520.79790.10240.0000G30150.01360.55920.78110.24810.0825G206100.15120.90280.14200.07090.1208G256100.01550.35861.00000.15200.1371G306100.00960.42220.66860.00000.0696归一化处理后频域特征值表（表3-4）用Matlab编写程序3-11、3-12，实现三维坐标显示，频域特征值三维图（图3-13） 由表3-4中数据可以看出正常轴承与故障轴承之间明显的区别，从图3-13中也可以形象地看出差异性，所以这5个特征均是有效的特征。3.5 时频特征值正常轴承与故障轴承的有效的时频特征值，归一化后，可见表3-2和表3-4，将有效的特征值进行汇总，作为神经网络中进行模式识别的输入。正常轴承Z2015-Z30610时域特征值0.05340.088300.06810.02840.04180.00820.09100.0760.03490.0414001690.00990.00790.015600.020.00850.006700.01030.00480.01330.00870.058800.05130.02350.03110.00860.04700.04220.02020.0269频域特征值0.58250.620410.59470.62340.863300.02950.0250.01590.04650.0240.03890.01780.0050.06010.001700.83560.7650.891110.87460.69810.92030.87460.90370.90740.90371正常轴承时频特征值表（表3-5）故障轴承G2015-G30610时域特征值0.888810.99270.92250.83070.84360.575310.95790.59970.72860.856910.76290.80250.91060.7670.774810.57960.58740.93710.59290.58260.914310.97320.89970.80250.893610.94630.92420.97220.78310.8513频域特征值0.412200.01360.15120.01550.009610.45520.55920.90280.35860.42220.16930.79790.78110.14210.66860.10750.10240.24810.07090.15200.036400.08250.12080.13710.0696故障轴承时频特征值表（表3-6）3.6 小结本章介绍了在智能化滚动轴承状态监测过程中的信号处理、提取特征值的部分。将第二章的实验装置采集到的振动信号进行零均值化预处理，去掉其处的大幅值，得到新的信号，在进行时域、频域的分析，计算各特征值，之后进行归一化处理，确定对下一步模式识别有效的特征。进行数据处理的目的就是获取明显的有区别性的特征。第四章4.1 BP神经网络模型BP神经元有n个输入，每个输入都通过一个适当的权值(i=1，2，n)连接到神经元节点上。输出函数为，S即为全部输入的加权值求和，并且S作为激活函数f的输入，激活函数的另一个输入是神经元的阈值。BP神经元的具体模型:神经元模型（图4-1）BP网络是一种具有三层或三层以上(其中中间层或隐层可以含多层)神经元组成的神经网络，包括输入层、中间层(隐层)和输出层，其具体结构图：神经网络结构图（图4-2）该网络为单向网络，网络分为不同层次的节点集合，每一层节点输送到下一层节点，本层节点之间没有连接。上层输出的节点值被连接权值放大、衰减或抑制。网络的训练学习过程由两部分组成：前向计算和误差反向传播计算。在正向传播过程中，输入信息从输入层经隐层逐层处理并向输出层，每一层神经元的状态仅影响下一层神经元的状态，如果在输出层得不到期望的输出，则将误差反向传入网络，并向输入层传播，通过修改各层神经元的状态权值使得误差信号最小。随着误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。4.2 神经网络结构的设计 输入的神经元可以根据具体的需求来进行设计。在状态监测过程中，输入层神经元个数一般等于每个样本中包含的特征值的个数。 输出层神经元数可根据设计者的要求来确定，一般在状态监测运用中将BP网络用作分类器，如类别模式一共有m个，则输出层神经元的个数为m。 隐层的神经元个数的确定则较为复杂，往往需要多次的试验来确定。 隐层单元的个数与问题的要求、输入/输出单元的数目都有着直接关系。隐层单元个数太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有见到的样本等问题，因此一定存在一个最佳的隐层单元数。 以下为选择最佳隐层单元数时的参考公式：，其中是输入层神经元数，是隐层神经元数，m是输出神经元数，n是输入神经元数，a是1,10之间的常数。4.3 BP神经网络结构确定 将已进行归一化的时频特征值作为BP神经网络的基础，设计BP神经网络，确定其各个参数。然后建立神经网络并对其进行训练，从而实现模式识别。 1输入层和输出层的选择 在轴承状态监测过程中，样本数据来源于实验数据分析后提取的有效特征值。此处网络输入神经元个数为6+5=11；网络输出为轴承状态，分为正常轴承和故障轴承，用（0 1）表示故障轴承，（1 1）表示正常轴承，因此网络中只设计2个输出神经元表示这2个状态。综上所述，该BP网络输入层有11个神经元，输出层有2个神经元。 2隐层的选择 对于轴承的不同状态进行识别，建立神经网络对它进行训练，用前面提到的公式来确定隐层个数，由于输入为11个神经元，输出为2个神经元，由参考公式可知隐层神经元在23左右。我们设计一个隐层可以随意改变的BP神经网络，通过误差对比确定隐层数目，隐层神经元在2026之间进行比较。3.训练参数选择设定网络的隐含层神经元的传递函数为tansig，输出层神经元的传递函数为logsig，目标误差为0.001，最大训练步数为1000。由此得网络训练代码如程序4-1，得到结果：隐层神经元个数20212223242526网络误差y10.09010.13260.14550.11490.13270.14160.1429网络训练误差表（表4-1）表4-1说明，在经过1000次的训练后，隐层神经元个数为20的BP网络对函数的逼近效果最好，因为它的误差最小所以这里将网络隐层的神经元数目设定为20。 确定隐层神经元个数后可以确定BP网络的最终结构为：网络结构隐层神经元个数训练函数目标误差输入神经元个数输出神经元个数BP三层网络20trainlm0.001112BP神经网络结构表（表4-2）以最终确定的神经网络进行网络训练，训练程序，见程序4-2，由输出结果可知，训练误差为0.000957049，训练步数为43步。网络训练误差图（图4-1）蓝线为实际训练线，黑线为设定的目标误差线。4.4 神经网络测试在4.3中用时频域有效的特征值得到了神经网络，需对神经网络进行测试，判断其是否能正确地实现模式识别的功能。网络测试程序见程序4-3、4-4，随机选取正常轴承数据Z3015和故障轴承数据G2515进行测试。得到结果正常轴承Z3015,y=0.0109 0.9569； 故障轴承G2515,y=0.9900 0.9737。设计时的预期结果正常轴承,y=0 1； 故障轴承,y=1 1。由测试结果数据的分类完全正确，也就是说前面建立起来的网络对轴承状态的模式识别是完全正确的。以后进行模式识别时，只要将测得的数据输入这个网络就可以根据它的输出结果正确的识别出轴承的状态。4.5 小结 为了对归一化后的有效的时频域特征进行模式识别，本章引入了BP神经网络，并介绍了其结构原理和设计方法。代入第三章中得到的实际数据设计出了相应的神经网络结构，用网络训练的方法的得出了最适用的隐层神经元数，用网络测试数据来验证网络的有效性。第五章 结论本文较为详细地介绍了智能化滚动轴承状态监测技术的整体流程，分轴承状态监测的实验软硬件装置，信号的采集时频域分析和有效特征提取和BP神经网络进行模式识别。第一章绪论大致介绍了轴承状态监测的重要性及此项技术的发展过程，之后叙述了进行状态监测的流程和一些常见的方法并对各种方法进行了比较，在本文中，采用了振动信号检测技术和傅里叶分析的方法。第二章讲了具体的实验装置，硬件部分主要是振动信号的采集装置，软件部分主要是由VC+和Matlab软件编译而成的。第三章介绍了信号的处理过程，先是对采集到的信号进行零均值化预处理，然后进行时频域分析，提取有用的特征值，此处的分析是用傅里叶进行的，并用Matlab编程实现。第四章进入模式识别阶段，使用人工神经网络进行。介绍了BP神经网络的结构原理及设计方法，导入提取的特征值进行训练和测试，最终确定了针对此类滚动轴承的有效用的识别网络。第五章主要是对全文进行总结，提出一些思考和改进。本文信号分析方法主要是采用傅里叶分析法，FFT在处理轴承振动信号中难以抽取到好的故障特征，利用FFT对滚动轴承振动信号进行处理，得到的频谱图，由于噪声的干扰，和FFT变换本身的局限性，很难找到比较好的故障特征，从而影响对滚动轴承状态的判断。由于本文中轴承故障较为明显，所以用FFT仍能得到较好的结果，但在其它要求更高的场合就需要利用更好的方法，如小波技术、包络解调技术等来完成信号的分析。BP神经网络技术在此文中的应用有较为理想的结果，到在提高其训练速度和准确度上，仍需要考虑。参考文献1. 陈进 齿轮和滚动轴承的状态监测与故障诊断 西北工业大学 20062. 谢晖 基于小波阈值滤波和神经网络的滚动轴承智能化故障诊断 西南交通大学 20093. 郝如江，卢文秀，褚福磊 声发射检测技术用于滚动轴承故障诊断的研究综述 振动与冲击 20084. 李萌，陆爽，陈岱民 基于小波神经网络的滚动轴承智能故障诊断系统 仪器仪表学报 20055. 张俊 基于小波分形和神经网络的滚动轴承故障诊断 北京交通大学 20096. 张振飞，夏利民 基于神经网络的滚动轴承故障诊断智能方法 信息技术 20087. 王亮 基于DSP的滚动轴承故障诊断系统研究 大连理工大学 20088. 田振华， 王卓， 马春艳 滚动轴承的状态监测系统 吉林工学院学报 20019. PIYUSH M. PATEL，DR. J. M. PRAJAPATI A REVIEW ON ARTIFICIAL INTELLIGENT SYSTEM FOR BEARING CONDITION MONITORING 201110Investigation of Tapered Roller Bearing Damage Detection Using Oil Debris Analysis 200711Alexei BarkovandAnton Azovtsev A New Generation of Condition Monitoring And Diagnostic Systems 12J.H. SINGONAHALLI AND N. R. IYER DETECTION OF ROLLER BEARING DEFECTS USING EXPERT SYSTEM AND FUZZY LOGIC 199613Juha Miettinen Condition Monitoring of Grease Lubricated Rolling Bearings by Acoustic Emission Measurements 2000附录：程序3-1：原始信号时频图 fs=10000; x=load(E:/课件/状态监测/Normal/Z2015(G2015).txt); N=length(x); n=0:N-1; t=n/fs; subplot(2,1,1); plot(t,x); Ylabel(幅值); Xlabel(时间); title(正常（故障）信号); grid; y=fft(x,N); mag=abs(y); f=(0:length(y)-1)*fs/length(y); subplot(2,1,2); plot(f,mag); axis(0,5000,0,2000); Ylabel(幅值); Xlabel(频率Hz); title(幅频谱图); grid;程序3-2：零均值化后时频图 fs=10000; X=load(E:/课件/状态监测/Normal/Z2015(G2015).txt); x=X-mean(X); N=length(x); n=0:N-1; t=n/fs; subplot(2,1,1); plot(t,x); Ylabel(幅值); Xlabel(时间); title(正常（故障）信号); grid; y=fft(x,N);