滚动轴承状态监测

轴承状态监测 姓 名 学 号 指导老师 学 院 机械工程学院 班 级 专 业 测控技术与仪器 西南交通大学 1 摘要 轴承是各类机械设备中的常用部件 也是最易损的部件之一 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 所以要对轴承进行状态监测 以便及时 发现轴承的故障 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 状态检测 时域分析 频域分析 神经网络 西南交通大学 2 目目 录录 第一章 研究背 景 第 3 页 1 1 轴承状态监测的意义和重要 性 第 3 页 1 2 常见故障形 式 第 3 页 1 2 1 滚动轴承的基本结构 1 2 2 滚动轴承的常见故障形式 1 3 滚动轴承诊断的发展与现 状 第 5 页 1 3 1 滚动轴承诊断的发展 1 3 2 滚动轴承诊断的现状 1 4 常见滚动轴承的方 法 第 6 页 1 4 1 温度监测 1 4 2 油液监测 1 4 1 振动监测 1 4 2 声波发射监测 1 5 常见的故障监测传感 器 第 7 页 1 6 常见的特征参数提取手 段 第 7 页 1 6 1 基于时域和频域特征参数的提取方法 1 6 2 基于 AR 模型的特征参数提取方法 1 6 3 基于分型理论的特征参数提取方法 1 6 4 基于小波分析的特征参数提取方法 1 7 常见的模式识别手 段 第 8 页 1 7 1 模糊模式识别法 1 7 2 灰色系统理论法 1 7 3 人工神经网络法 1 8 小 结 西南交通大学 3 第 9 页 第二章 滚动轴承故障的检测与诊 断 第 10 页 2 1 特征提 取 第 10 页 2 1 1 零均值化 2 1 2 时域特征值得提取 2 2 频域分析 法 第 13 页 2 1 1信号频域分析及特征提取 2 2 2 频域特征提取 2 3 时域与频域信号归一 化 第 15 页 第三章 模式识 别 第 16 页 3 1 神经网络识 别 第 16 页 3 2 神经网络测 试 第 17 页 第四章 总 结 第 17 页 第一章第一章研究背景研究背景 1 1 轴承状态监测的意义和重要性 随着科技的发展 现代工业正逐步向生产设备大型化 复杂化 高速化和自动化方向 发展 在提高生产率 降低成本 节约能源 减少废品率 保证产品质量等方面具有很大 的优势 但是 正如文献 1 所述 由于故障所引起的灾难性事故及其所造成的对生命与财产的 西南交通大学 4 损失和对环境的破坏等也是很严重的 这就使得人们对诸如航空航天器 核电站 热电厂 及其他大型化工设备的可靠性 安全性提出了越来越高的要求 故障诊断理论就是为了满 足对系统可靠性和安全性要求的提高 减少并控制灾难性事故的发生而发展起来的 我们可以从查阅文献 2 中得知 滚动轴承与其他机械零部件相比 有一个很独特的特 点 那就是其寿命的离散性很大 由于轴承的这一特点 在实际使用中就会出现这样一种 情况 有的轴承已大大超过其设计寿命而依然能正常地工作 而有的轴承远未达到其设计 寿命就出现各种故障 因此 如果按照设计寿命对轴承进行定期维修 一方面 会造成将 超过设计寿命而仍正常工作的轴承拆下来作报废处理 造成浪费 另一方面 未达到设计 寿命而出现故障的轴承没有被及时的发现 直到定期维修时才被拆下来报废 使得机器在 轴承出现故障后和报废前这段时间内工作精度降低 或者未到维修时间就出现严重故障 导致整部机器陷于瘫痪状态 因此 进行滚动轴承工作状态及故障的早期检测与故障诊断 对于设备安全平稳运行具有重要的实际意义 尤其是我国高速发展的列车行业 滚动轴承是列车走行部中应用最为广泛的机械零件 也是最易损坏的元件之一 状态监测可以及时 准确的掌握设备运行状态 延长轴承的工 作寿命 1 2 常见故障形式 1 2 1 滚动轴承的基本结构 滚动轴承是广泛应用于各类机械中的基础件 滚动轴承一般由内圈 外圈 滚动体和保持 架组成 内圈通常装配在轴上 并与轴一起旋转 外圈通常装在轴承座内或机械部件壳体 中起支承作用 但是在某些应用场合 也有外圈旋转 内圈固定或者内 外圈都旋转的 在推力轴承中 与轴配合的套圈称为轴圈 与轴承座或机械部件壳体相配的套圈称为座 圈 保持架的作用是将轴承中的一组滚动体等距离隔开 保持滚动体 引导滚动体在正确 的轨道上运动 改善轴承内部载荷分配和润滑性能 与无保持架的满装球或滚子的轴承相 比 带保持架轴承的摩擦阻力较小 适用于高速旋转 1 2 2 滚动轴承的常见故障形式 滚动轴承是转动设备中应用最为广泛的机械零件 同时也是最容易产生故障的零件 如文献 3 作者刘维成所述 我们可知滚动轴承的常见故障形式有以下几种 1 疲劳剥落 点蚀 滚动轴承工作时 滚动体和滚道之间为点接触或线接触 在交 变载荷的作用下 表面间存在着极大的循环接触应力 容易在表面处形成疲劳源 由疲劳 源生成微裂纹 微裂纹因材质硬度高 脆性大 难以向纵深发展 便成小颗粒状剥落 表 面出现细小的麻点 这就是疲劳点蚀 严重时 表面成片状剥落 形成凹坑 若轴承继续 西南交通大学 5 运转 将形成大面积的剥落 疲劳点蚀会造成运转中的冲击载荷 使设备的振动和噪声加 剧 然而 疲劳点蚀是滚动轴承正常的 不可避免的失效形式 轴承寿命指的就是出现第 一个疲劳剥落点之前运转的总转数 轴承的额定寿命就是指 90 的轴承不发生疲劳点蚀的 寿命 利用轴承故障检测仪对轴承进行诊断 2 磨损 润滑不良 外界尘粒等异物侵入 转配不当等原因 都会加剧滚动轴承表面之 间的磨损 磨损的程度严重时 轴承游隙增大 表面粗糙度增加 不仅降低了轴承的运转 精度 而且也会设备的振动和噪声随之增大 3 胶合 胶合是一个表面上的金属粘附到另一个表面上去的现象 其产生的主要原因是 缺油 缺脂下的润滑不足 以及重载 高速 高温 滚动体与滚道在接触处发生了局部高 温下的金属熔焊现象 通常 轻度的胶合又称为划痕 重度的胶合又称为烧轴承 胶合 为严重故障 发生后立即会导致振动和噪声急剧增大 多数情况下设备难以继续运转 4 断裂 轴承零件的裂纹和断裂是最危险的一种故障形式 这主要是由于轴承材料有缺 陷和热处理不当以及严重超负荷运行所引起的 此外 装配过盈量太大 轴承组合设计不 当 以及缺油 断油下的润滑丧失也都会引起裂纹和断裂 5 锈蚀 锈蚀是由于外界的水分带入轴承中 或者设备停用时 轴承温度在露点以下 空气中的水分凝结成水滴吸附在轴承表面上 以及设备在腐蚀性介质中工作 轴承密封不 严 从而引起化学腐蚀 锈蚀产生的锈斑使轴承表面产生早期剥落 同时也加剧了磨损 6 电蚀 电蚀主要是转子带电 电流击穿油膜而形成电火化放电 使表面局部熔焊 在 轴承工作表面形成密集的电流凹坑或波纹状的凹凸不平 7 塑性变形 凹坑及压痕 对于转速极低 n 1 r min 的轴承 或间歇摆动的轴承 其故障形式主要是永久性塑性变形 即在滚道上受力最大处形成凹坑 发生塑性变形 主 要与过大的挤压应力有关 例如 工作载荷过重 冲击载荷过大 热变形影响等 轴承出 现凹坑后 会产生很大的振动和噪声 此外 当硬颗粒从外界进入滚动体与滚道之间时 会在滚道表面形成压痕 8 保持架损坏 润滑不良会使保持架与滚动体或座圈发生磨损 碰撞 装配不当所造成 的保持架变形 会使保持架与滚动体或座圈之间产生卡涩 从而加速了保持架的磨损 保 持架磨损后 间隙变大 与滚动体之间的撞击力增大 以致使保持架断裂 1 3 滚动轴承诊断的发展与现状 1 3 1 滚动轴承诊断的发展 通过查阅文献 4 可知机械故障诊断技术最早出现于 20 世纪六十年代的美国 1967 年 美国宇航局 NASA 创立了机械故障预防小组 MFPG 故障诊断在英国的发展也比较早 以 R A Collacott 为首的保健中心与上世纪六年代末七十年代初就开始研究状态监测与故障 诊断技术石南安普敦大学与英国钢铁公司首次采用无量纲参数一一峭度来判断滚动轴承的 工况 在其他一些欧洲国家 故障诊断水平也很高 比如瑞典的 SPM 公司 在亚洲国家 日本故障诊断领域处于领先地位 其主要优势是民用领域 如 交通运输 钢铁 石油和化工等 我国在故障诊断技术方面起步较晚 研究的场所主要集中在高校 在西安交通大学和西北工业大学一些高校 目前己经在旋转机械的故障诊断方面取得了一 定的突破 研制出了相关的故障诊断系统 作为机械设备中一个用途广泛 且十分重要的 部件 总体上说 滚动轴承故障诊断技术的发展经历了一个缓慢的过程 目前正日益发展 成为多学科交叉的前沿性学科 具体来说 可以分为如下三个阶段 第一阶段 不借助任何监测和诊断仪器 全凭工程技术人员的经验 利用眼 鼻 耳等 人体器官识别 这种方式局限性大 很难对机械设备的故障进行实时 准确的判断 西南交通大学 6 第二阶段 利用计算机进行初级的故障诊断 进入二十世纪六十年代 计算机技术的发 展 FFT 算法的出现 使计算机的数字信号处理有了坚实的理论基础 频谱分析从理论变 成了现实 在理论计算时 人们根据滚动轴承的特性计算出其振动的特征频率 然后利用 FFT 处理振动信号 对照特征频率对振动信号进行分析 从而判断滚动轴承是否存在故障 但由于噪声的影响 这种方法效果不是特别理想 随后 滚动轴承故障诊断领域出现了共 振解调技术 该方法可以有效提高信噪比 凸显故障特征 这一方法在滚动轴承故障诊断 领域应用很广 第三阶段 二十世纪九十年代后 信号处理方面的小波技术及人工智能方面的神经网络 技术出现并逐渐发展 对故障诊断产生了很大影响 将这两项技术应用于滚动轴承故障诊 断领域 可以使滚动轴承故障诊断技术由初级化或人工化 走向智能化 这两项技术的发 展空间广阔 实用价值巨大 成为了国内外专家和学者研究的热点课题 随着这两项技术 走向高度发展和成熟 滚动轴承的智能化诊断水平也会越来越高 除了以上提到的各个阶 段滚动轴承诊断方法外 还有一些滚动轴承故障诊断方法也值得注意 它们在某些时候特 别有用 如 滚动轴承的油液分析法 图象分析法等 这些方法对于工况和当时的环境要 求比较高 适用范围相对较小 1 3 2 滚动轴承故障诊断的现状 通过查阅文献 2 我们可知故障诊断技术己成为一门独立的跨学科的综合信息处理技 术 它以可靠性理论 信息论 控制论 系统论为理论基础 以现代测试仪器和计算机为 技术手段 结合各种诊断对象 系统 设备 机器 装置 工程结构 工艺过程等 的特 殊规律而逐步形成一门新兴的学科 随着现代数学 信息科学 计算机技术 电子技术 人工智能技术 网络技术等更加 广泛和深入地应用 故障诊断技术与当前前沿科学的融合是故障诊断技术的发展方向 当 今故障诊断技术的发展趋势是传感器的精密化 多维化 诊断理论和诊断模型的多元化 诊断技术的智能化 1 4 常见滚动轴承的监测方法 机器在正常工作的条件下其转轴总是匀速转动的 由轴承的结构可知 当轴承某元件的 工作而产生缺陷时 由加速度传感器所测取到的轴承信号具有周期性冲击的特征 由信号理 论可知 时域中短暂而尖锐的冲击信号变换到频域中去时必具有宽频带的特性 而非冲击的 干扰信号则不具有上述特性 所以时域中的周期性冲击与频域中的宽频带特性构成了轴承 故障信号区别于其它非冲击性干扰信号的基木特征 1 4 1 温度监测 用温度传感器检测轴承座或轴承外的箱体处的温度 来判断轴承的工作状态是否正常 温度检测对轴承载荷 速度和润滑情况的变化比较敏感 尤其对润滑不良而引起的轴承过 热现象很敏感 但是 当轴承出现早期点蚀 剥落 轻微磨损等比较微小的故障时 温度 检测就无能为力了 因此 这一方法有其明显的不足 1 4 2 油液监测 从轴承所使用的润滑油中取出油样 通过收集和分析油样中金属颗粒的大小和形状来 判断轴承的受损情况 但是这种方法只适用于润滑有轴承 对于脂润滑来说 就不适用了 同时 可能受到从外围部件上掉下的颗粒的影响 使判断结果的准确性受影响 这种方法 西南交通大学 7 也有其局限性 1 4 1 振动监测 通过安装在轴承底座或箱体恰当位置上的振动传感器检测轴承的振动信号 并对采集 到的信号进行分析和处理来判断轴承的状态 振动法具有如下优点 一 适用于各种类型 各种工况的轴承 二 可以有效地诊断出早期的故障 三 信号的测试及处理简单 四 诊断结果十分可靠等 因此在实际中得到了广泛应用 1 4 2 声波发射监测 超声波是指频率大于 20 kHz 并且能在连续介质中传播的机械波 常用的超声波检测 方法有共振法 穿透法 脉冲反射法等 脉冲反射法是通过内部缺陷或者试件的底部反射回波的情况来对试件中缺陷的大小和 位置进行评估 在金属板中缺陷的定位判断 检测套管和腐蚀和缺陷 人体血管壁超声传 输特性研究 钢管的厚度测量 混凝土内部结 引等领域都得到广泛的应用 共振法是根据声波在试件中呈共振状态来测量试件厚度或判断有无缺陷的方法 南京 大学声学研究所研制的超声共振自动测试系统列主要用于表面较光滑的工件的厚度检测 9 金属焊接残余应力检测等 1 5 常见的故障监测传感器 传感器是一种检测装置 能感受到被测量的信息 并能将感受到的信息 按一定规律 变换成为电信号或其他所需形式的信息输出 以满足信息的传输 处理 存储 显示 记 录和控制等要求 通过查阅文献 10 我们可以知道轴承检测一般采用振动传感器 压电加速传感器 声波传感器 温度传感器等 1 6 常见的特征参数提取手段 早期的监测和诊断方法主要基于傅立叶频谱分析 时间序列模型的平稳振动信号分析 方法 傅立叶频谱分析是通过查看频谱图中是否有明显的故障频率波峰存在 从而判断轴 承是否正常运行 这种方法诊断出来的轴承往往已经有了较严重的损伤 对早期的轴承故 障诊断不够灵敏 通过查阅文献 5 和 6 我们知道常用的模型有 ARMA 模型 AR 模型 MA 模型等 为了提高信噪比和分析效能 时域平均方法 倒频谱分析 包络分析 数字 滤波技术 自适应技术 主分量技术 细化谱技术 双谱技术 全息谱技术等分析技术被 不断地充实到故障诊断的理论和方法中 1 6 1 基于时域和频域特征参数的提取方法 在时域内分别抽取如下九种特征值 均方根值 峰值 峰值因子 峭度因子 脉冲因 子 裕度系数 波形因子 其中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 峰值反映了信号偏离平 均值的程度 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 峭度系数表示轴承振动信 号振幅的规则性 当过大时则意味着有故障出现 脉冲因子反映了振动脉冲的频率 裕度 系数反映信号冲击程度的一个指标 对轴承的冲击故障较为敏感 频域特征参数指标主要 西南交通大学 8 有重心频率 FC 均方频率 MSF 均方根频率 RMSF 频率方差 VF 频率标准差 RVF 1 6 2 基于 AR 模型的特征参数提取方法 AR 模型是一种线性预测 即已知 N 个数据 可由模型推出第 N 点前面或后面的数据 设推出 P 点 所以其本质类似于插值 其目的都是为了增加有效数据 只是 AR 模型是 由 N 点递推 而插值是由两点 或少数几点 去推导多点 所以 AR 模型要比插值方法效 果更好 AR 模型定阶准则可以分为两类 线性代数法和信息量准则法 线性代数法需要计算矩 阵的秩 计算量大 不易于工程实时实现 信息量准则法是设定一个与 AR 阶数 线形预测 误差方差相关的性能指标 选择使这个性能指标达到最小的阶数 依此作为定阶原则来确定 AR 阶数 它的优点是计算量小 易于实现 不需要选择不确定性因素 而且这种基于信息量准 则的方法具有明确的物理意义 1 6 3 基于分型理论的特征参数提取方法 分形理论 Fractal Theory 是当今十分风靡和活跃的新理论 新学科 分形理论的最基 本特点是用分数维度的视角和数学方法描述和研究客观事物 也就是用分形分维的数学工 具来描述研究客观事物 它跳出了一维的线 二维的面 三维的立体乃至四维时空的传统 藩篱 更加趋近复杂系统的真实属性与状态的描述 更加符合客观事物的多样性与复杂性 分形是一些简单空间上一些 复杂 的点的集合 这种集合具有某些特殊性质 首先分 形是所在空间的紧子集 并具有下述典型的几何性质 1 分形集都具有任意小尺度下的比例细节 或者说它具有精细的结构 2 分形集不能用传统的几何语言来描述 它既不满足某些条件的点的轨迹 也不是某些 简单方程的解集 3 分形集具有某种自相似的形式 可能是近似的自相似或者统计的自相似 4 一般分形集的 分形维数 严格大于相应的拓扑维数 1 6 4 基于小波变换的特征提取方法 小波变换作为一种非平稳信号分析方法 其具有灵活可变的时间 频率窗 在高 中心频 率 时自动变窄 因此 小波变换不但能够有效地从信号中提取信息 而且对于检测高频信 号和研究低频信号具有较好的效果 并且小波变换通过伸缩和平移等运算功能对函数或信 号进行多尺度细化分析 准确地再现出原始信号及其奇异点的位置 小波变换是把基本小波 j t 做位移 t 后 在不同尺度 a 下与待分析信号 x t 做内积 通过 Mallat 分解 可将离散信号序列 Xn 在二进制小波变换下 得到 j j 1 2 L m 级的 平滑逼近系数和细节系数 通过 Mallat 重构 可得到离散信号序列 Xn 的第 j 1 级重构信号 西南交通大学 9 1 7 常见的模式识别手段 1 7 1 模糊模式识别法 模糊模式识别 pattern recognition 是近 30 年来得到迅速发展的人工智能分支学科 9 但是 对于什么是 模式 或者什么是机器 也包括人 能够辨认的模式 迄今尚无确切的 定义 这里 我们只能形象地解释说 人之所以能识别图像 声音 动作 文字字形 面 部表情等等是因为它们都存在着反映其特征的某种模式 这种解释仍属同义反复 根本没 有诠释模式的内涵和外延 连人工智能专家卡纳尔 L Kanal 也认为 如果一旦出现了对模 式的定义并被证实能够推动理论的发展 那将标志着人类智力的一大进步 虽然如此 目 前的局面并不影响模式识别在各领域中广泛的应用 人类对模式识别过程的机理目前仍然不是很清楚 对具体事物的识别主要是心理现象 对抽象事物的识别主要是思维现象 当一个人对于具体事物的认识 涉及人与客观事物在 人类感官中所引起的刺激之间的关系 当一个人感受到一个模式时 他把此感觉与他从自 己过去的经验中得来的一般概念或线索结合起来 并作出归纳性的推理判断 由于客观事 物的特征存在不同程度的模糊性 使得经典的识别方法越来越不适应客观实际的要求 模 糊识别正是为了满足这一要求而产生起来的 模糊识别的模糊集方法即模糊模式识别是对传统模式识别方法即统计方法和句法方法 的有用补充 就是能对模糊事物进行识别和判断 它的理论基础是模糊数学 模糊模式识 别就是在模式识别中引入模糊数学方法 用模糊技术来设计机器识别系统 可简化识别系 统的结构 更广泛 更深入地模拟人脑的思维过程 从而对客观事物进行更为有效的分类 与识别 1 7 2 人工神经网络法 通过查阅文献 9 我们可以知道神经网络是生命科学与工程科学相互关联 相互交叉 相互促进的一门科学 神经元网络从人脑的生理学和心理学着手 通过人工模拟人脑的工 作机理来实现机器的部分智能行为 是信息处理中的一种崭新的方法 神经网络以非线性 为基础 模拟人脑细胞的分布式工作特点和自组织功能实现并行处理 自学习和非线性映 射等能力 具有高度的学习联想能力 目前神经网络己经在智能控制 模态识别 非线性 优化 自适应滤波 语音识别 机器人工程 生物医学等领域获得了广泛的应用 它是由一个输入层 一个或多个隐层以及一个输出层组成 上下层之间实现全连接 而每层神经元之间无连接 BP 神经元有 n 个输入 每个输入都通过一个适当的权值 i i 1 2 n 连接到神经元节点上 输出函数为 Sfy S 即为全部输入的加权 值求和 iix S 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 西南交通大学 10 在正向传播进程中 输入信息从输入层经隐层加权处理传向输出层 经功能函数运算 后得到的输出值与期望值进行比较 若有误差 则误差反向传播 沿原先的连接通道返回 通过逐层修改各层的权重系数 减小误差 随着这种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 1 8 小结 滚动轴承被广泛应用于各类机械中 目前世界上已经有了很多很成熟的滚动轴承的检 测措施 近些年来 随着传感技术和信号分析技术的不断发展 轴承故障的诊断变得越来 越可靠 通过查阅相关资料 我知道了滚动轴承状态监测的重要性 常见的故障及产生原 因 还了解了信号的采集需要何种传感器以及信号有哪几种处理的方法 我希望我在接下 来的分析中可以达到更及时 正确地对轴承各种异常状态或故障状态做出诊断 预防和消 除故障 保证轴承发挥最大的设计能力 以便在允许的条件下充分挖掘设备潜力 延长使 用寿命 降低设备安全寿命周期费用 第二章第二章 滚动轴承故障的检测与诊断滚动轴承故障的检测与诊断 2 1 特征提取 2 1 1 零均值化 在测试中由数据采集所得的原始信号 在分析前需要进行预处理 以提高数据的可靠 性和真实性 并检查信号的随机性 以便正确地选择分析处理方法 本设计中 我们采用 西南交通大学 11 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 0 处的冲激函数 因此若不去除均值 在作信号谱分析时 将在 0 处出 现一个大的谱峰 并会影响在 0 左右处的频谱曲线 使它产生较大的误差 未做零均值化的频域图 做了零均值化的频域图 设采样数据为 n 1 2 N 其均值通过下式计算 进行零均值X 1 1 N n n N x 处理 处理后就得到以均值为零的一系列新信号 其中 n 1 2N nn xX n 数据经过零均化处理之后 可得故障轴承与正常轴承的对比图 时域 故障信号 西南交通大学 12 正常信号 可见故障轴承的时域振动峰值较正常轴承要大很多 2 1 2 时域特征值得提取 1 在时域内可抽取如下九种特征值 均方根值 峰值 峰值因子 峭度因子 脉冲 因子 裕度系数 波形因子 均值 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 其与轴承表面波纹等缺陷引起的无规则振动波形的异常有较好的 相关性 峰值 反映了信号偏离平均值的程度 峰值因子 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 系数表示轴承振动信号振幅的规则性 当过大时则意味着有故障出现 脉冲因子 反映了振动脉冲的频率 西南交通大学 13 裕度系数 反映信号冲击程度的一个指标 对轴承的冲击故障较为敏 感 波形因子 用来判定滚动轴承的损伤类型 2 时域特征的提取 时域特征值 样本均值 e 015 方差均方值峰值峰值 因子 峭度 系数 脉冲 因子 裕度 系数 波形 因子 G2015 2 1915260 780 36112 48056 869412 679312 326217 47481 7944 G2515 10 9141874 20 30612 23757 309110 577711 441514 99801 5654 G30155 46972211 10 33252 44007 338311 236711 769115 66041 6038 G20610 4 84682984 5 0 3863 2 5875 6 698212 593412 041817 12721 7978 G25610 7 905121910 33102 40607 269310 290411 545115 3466 1 5882 故 障 组 G306103 97692171 70 32952 48307 535211 527712 085916 04931 6039 Z20150 024802290 70 33841 71605 07054 00956 60747 95671 3031 Z2515 4 10641954 40 31261 68455 38874 14037 00258 38261 2995 Z301510 6692015 80 31751 49554 71064 15316 11497 31481 2981 Z20610 0 44672041 20 3195 1 40004 38233 62735 64376 75121 2878 Z256107 39081983 20 31491 47354 67933 88326 08617 32531 3006 正 常 组 Z30610 0 01222047 80 32001 70055 31433 97586 91388 31151 3010 列出时域参数的数字表后可以简单分析 故障轴承和正常轴承在方差 峰值 峭度系数 裕度因子 脉冲因子 波形因子差别较为明显 而在均值 均方根值差别不明显 对数据 进行时域特征值归一化处理更可以看出明显差别 做出数据图来分析 时域特征值归一化数据 样本均值方差均方值峰值峰值 因子 峭度 系数 脉冲 因子 裕度 系数 波形 因子 G20150 303600 68580 90990 78881 00001 00001 00000 9933 G25151 00000 592400 70530 92830 76780 86760 76900 5443 G30150 71070 71610 32920 87580 93750 84060 91660 83080 6196 G206100 16251 00001 00001 00000 73450 99050 95740 96761 0000 G2561000 70870 31050 84720 91570 73610 88310 80150 5890 故 障 组 G306100 63140 70160 29180 91201 00000 87280 96400 86710 6198 Z20150 42140 74530 40270 26610 21830 04220 14420 11240 0300 Z25150 20190 62180 08100 23960 31920 05670 20330 15210 0229 Z30150 98700 64430 14210 08040 10410 05810 07050 05260 0202 Z206100 39630 65370 16710 0 0 000 Z256100 81280 63240 10970 06190 09420 02830 06620 05350 0251 正 常 组 Z306100 41940 65610 17330 25310 29560 03850 19010 14550 0259 西南交通大学 14 2 22 2 频域分析方法频域分析方法 2 2 1信号频域分析 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 通过运用 FFT 进行计算 得到信号频域的时间 幅值图 取 G2015 和 Z2015 的频谱图进行比较 用 Matlab 程序编程可得如下图所示的结果 由上图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 2 2 2 频域特征提取 西南交通大学 15 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 matlab 编程实现 可得到频域特征值表 状 态 样本 198 5175439974337 Z2015247 320 69154 4106 8 Z2515246 630 35299 9130 5 Z3015247 23 737132 168 81 Z20610179 141 313792 8 Z25610234 617 7723270 81 正 常 轴 承 Z30610178 115 47136 7106 2 G201526 0162 1637 848 29故 障G251526 83120 710 4419 48 西南交通大学 16 G301567 9787 0922 319 28 G2061052 5493 3811 124 85 G2561052 04138 923 5324 35 轴 承 G3061062 98148 76 11719 24 用 Matlab 编写归一化程序 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 198 5175439974337 Z2015 1 0000 0 1169 0 5047 0 8061 Z2515 0 9968 0 1836 1 0000 1 0000 Z3015 0 9995 0 0 4288 0 4952 Z20610 0 6918 0 2591 0 4455 0 6915 Z25610 0 9426 0 0968 0 7689 0 5116 正 常 轴 承 Z30610 0 6873 0 0809 0 4445 0 8012 G2015 0 0 4030 0 1080 0 G2515 0 0037 0 8068 0 0147 0 0916 G3015 0 1896 0 5750 0 0551 0 0899 G20610 0 1199 0 6184 0 0170 0 1355 G25610 0 1176 0 9324 0 0593 0 1314 故 障 轴 承 G30610 0 1671 1 0000 0 0 0896 由上表中数据可以看出正常轴承与故障轴承之间明显的区别 而从下图中也可以形象地 看出差异性 所以这 4 个特征均是有效的特征 2 3 时域与频域信号归一化时域与频域信号归一化 正常轴承与故障轴承的有效的时频特征值 归一化后 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 0 26610 23960 080400 06190 2531时域特征 值0 21830 31920 104100 09420 2956 西南交通大学 17 0 04220 05670 058100 02830 0385 0 14420 20330 070500 06620 1901 0 11240 15210 052600 05350 1455 0 03000 02290 020200 02510 0259 1 00000 99680 99950 69180 94260 6873 0 11690 183600 25910 09680 0809 0 50471 00000 42880 44550 76890 4445 频域特征 值 0 80611 00000 49520 69150 51160 8012 正常轴承时频特征值表 故障轴承 G2015 G30610 0 90990 70530 87581 00000 84720 9120 0 78880 92830 93750 73450 91571 0000 1 00000 76780 84060 99050 73610 8728 1 00000 86760 91660 95740 88310 9640 1 00000 76900 83080 96760 80150 8671 时域特征 值 0 99330 54430 61961 00000 58900 6198 00 00370 18960 11990 11760 1671 0 40300 80680 57500 61840 93241 0000 0 10800 01470 05510 01700 05930 频域特征 值 00 09160 08990 13550 13140 0896 故障轴承时频特征值表 三 模式识别三 模式识别 BP 神经网络的识别和测试 在第一章中我们已经介绍了 BP 神经网络的含义和定义 接下来我们就要用 BP 神经网 络对轴承特征值进行模式识别 首先将已进行归一化的特征值作为 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 3 1 神经网络识别 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 所以网 络输入神经元个数为 11 网络输出为轴承状态 分为正常轴承和故障轴承 用 0 0 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 10 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 使用公式 12 12 nn 1 n 是输入层神经元数 2 n 是隐层神经元数 来确定隐层个数 由于输入为 10 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 21 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 18 24 之 西南交通大学 18 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 得到结果 隐层神经 元个数 18192021222324 网络误差 y1 0 14810 14660 15060 13410 15050 14440 1374 网络训练误差表 此表表在经过 1000 次的训练后 隐层神经