霞
（西南交通大學(xué)機(jī)械工程學(xué)院）

　　摘　要：在機(jī)械設(shè)備運(yùn)行過程中，滾動軸承的狀態(tài)對其具有很大的影響，因而對滾動軸承作出合理的故障診斷具有深遠(yuǎn)而現(xiàn)實(shí)的意義。文章通過對滾動軸承的振動類型及故障特征，詳細(xì)研究了時域分析、頻域分析在滾動軸承故障診斷中的應(yīng)用，設(shè)計了采集數(shù)據(jù)系統(tǒng)可實(shí)現(xiàn)對軸承振動信號的采集，在此基礎(chǔ)上對數(shù)據(jù)進(jìn)行處理分析，構(gòu)建神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行模式識別，達(dá)到軸承故障診斷的目的。
　　關(guān)鍵詞：滾動軸承；故障診斷；神經(jīng)網(wǎng)絡(luò)；matlab

　　所謂軸承故障診斷就是觀測軸承的工作狀態(tài)，并對采集到的可以反映軸承工作狀態(tài)的信號進(jìn)行分析與處理來識別軸承的狀態(tài)。工程上對滾動軸承的故障診斷是十分必要的，通過對軸承的一些簡單分析，確立了滾動軸承故障診斷的完整流程，采集振動信號，作數(shù)據(jù)處理，最終建立神經(jīng)網(wǎng)絡(luò)來對軸承狀態(tài)進(jìn)行面試識別，從而達(dá)到對軸承故障診斷的目的。
　　早期軸承診斷靠聽覺，主觀影響大；后來用振動位移、速度或加速度均方根或峰值判斷故障，減少了對人為經(jīng)驗(yàn)依賴；現(xiàn)代故障診斷涉及控制論、計算機(jī)等多方面。
　　我國軸承故障診斷起步較晚，但發(fā)展迅速，取得立不小的成就。其中，運(yùn)用于鐵路貨車輪對滾動軸承不解體故障診斷，提高了檢驗(yàn)速度與可靠性，節(jié)約了維修費(fèi)用。
　　相較而言，國內(nèi)滾動軸承的診斷與國外相比還有一定的差距，對滾動軸承實(shí)效機(jī)理、實(shí)效過程的研究不夠、不深入。
　　目前，隨著人工智能技術(shù)的不斷發(fā)展和廣泛應(yīng)用，對于軸承故障的診斷技術(shù)也正趨于智能化。
　　一般來說，軸承故障診斷的基本內(nèi)容包括以下幾個方面：采集軸承檢測信號；信號預(yù)處理；特征分析及提取；歸一化處理；人工神經(jīng)網(wǎng)絡(luò)狀態(tài)識別；決策與判斷等。
　　1.振動信號采集
　　在滾動軸承運(yùn)行時的眾多特征中，選用滾動軸承的振動信號作為反映其運(yùn)行工作狀態(tài)的特征信號來對其進(jìn)行信號分析和處理，這是由于振動信號相較于其它信號而言可以檢測出軸承運(yùn)行初期的微小故障，而且由于振動信號來自于機(jī)械本身，可方便監(jiān)測和采集信號，診斷結(jié)果可靠。
　　振動檢測主要指振動位移、速度、加速度、頻率等參數(shù)測量，振動強(qiáng)度與加速度成正比，所以軸承振動參數(shù)選用加速度測量。可以在軸承座上安裝靈敏的加速度傳感器，采集軸承運(yùn)行過程中的加速度信號，并對此信號進(jìn)行分析和處理，以此來判斷軸承的運(yùn)行狀態(tài)。
　　可以根據(jù)如下的數(shù)據(jù)采集系統(tǒng)進(jìn)行軸承信號的數(shù)據(jù)采集工作，將采集到的模擬信號轉(zhuǎn)換成計算機(jī)可以識別的數(shù)字信號，然后通過matlab等數(shù)據(jù)分析軟件對所采集到的信號進(jìn)行分析處理，得出可作為診斷依據(jù)的數(shù)據(jù)。

　?、龠M(jìn)入數(shù)據(jù)采集系統(tǒng)，創(chuàng)建測試目錄并選擇好測試點(diǎn)以便數(shù)據(jù)儲存；

　　②進(jìn)入采集畫面，輸入VB程序，運(yùn)行，采集數(shù)據(jù)；

　?、蹆Υ鏈y量數(shù)據(jù)，為后期處理做準(zhǔn)備。

　　2.數(shù)據(jù)預(yù)處理
　　2.1零均值化處理
　　零均值化的目的是去除直流分量，這是由于信號的均值就相當(dāng)于一個直流分量，而直流分量在做譜分析時的頻譜圖是在橫坐標(biāo)為零時的沖激函數(shù)，如果不去除直流分量的話，在對采集到的信號進(jìn)行頻譜分析時，這個沖激函數(shù)就會影響在左右的頻譜曲線，產(chǎn)生較大誤差，因此需零均值化處理。在時域圖上，零均值化處理后波形中心落在Y=0上，便于更直觀觀察。而在頻域圖上，零均值處理后，頻域圖上由于直流分量而帶來的沖激函數(shù)的波峰消失了，去除了直流分量對信號的影響。
　　2.2去除趨勢項(xiàng)
　　振動信號采集時由于傳感器周圍的環(huán)境干擾等測量值常會偏離基線，偏離基線的大小會隨時間變化的過程稱為信號的趨勢項(xiàng)。信號的趨勢項(xiàng)會對信號在時域以及頻域的信號分析帶來較大的誤差，甚至?xí)剐盘柺д?，因此信號分析中要消除趨勢?xiàng)。消除趨勢項(xiàng)與零均值化處理的功能相似，是因?yàn)楸緮?shù)據(jù)中的多項(xiàng)式趨勢項(xiàng)很小，所以沒有明顯的變化。
　　2.3平滑處理
　　信號采集時會受到噪聲干擾，使實(shí)際圖像為帶噪圖像，通常噪聲信號為高頻信號，所需振動信號為低頻，平滑處理是為了消除噪聲，即濾高保低，同時提高采樣平滑性。
　　常用平滑處理方法有：平均法、樣條函數(shù)法、五點(diǎn)三次平滑法等。五點(diǎn)三次平滑法利用多項(xiàng)式最小二乘法逼近實(shí)現(xiàn)平滑濾波，算法簡單，效果好。
　　在時域圖上，數(shù)據(jù)經(jīng)過平滑處理后，其圖形變得光滑；而在頻域圖上，平滑處理后，信號的高頻部分變少，低頻部分基本上沒有變化。這說明滾動軸承的故障信號的頻率主要集中在低頻和中頻段，而噪聲大部分為高頻信號，經(jīng)過平滑處理后，不僅保持了故障信號的原有特征，而且消除了噪聲信號，更有利于對數(shù)據(jù)信號的分析處理。
　　2.4濾波處理
　　信號的能量大部分集中在幅度譜的低中頻段，而高頻段，有用信息常被噪聲淹沒，因此需要一個濾波器來減弱噪聲影響，獲取有用信號。由于平滑處理已去除大部分高頻噪聲，在時域內(nèi)不能明顯的看出處理前后的區(qū)別。但在頻域圖上，2500Hz后的頻率幾乎不存在，由此可見濾波效果較好。

　　3.特征提取及分析
　　3.1時域特征提取
　　時域特征參數(shù)包括均值，方差，均方根值，峰值，峰值因子，峭度系數(shù)，波形因子以及脈沖因子和裕度因子。振動信號經(jīng)過時域特征提取后，故障軸承和正常軸承在方差，峰值，裕度因子，峭度系數(shù)和脈沖因子，波形因子上的特征值差別比較明顯，但兩者在均值，均方根值以及峰值因子上的差別卻并不不明顯。
　　3.2頻域特征提取
　　頻域特征參數(shù)包括重心頻率、均方頻率、均方根頻率、頻率方差和頻率標(biāo)準(zhǔn)差。振動信號經(jīng)過頻域特征提取后，頻域參數(shù)的特征值重復(fù)性和差異性都比較良好。
　　4.歸一化處理
　　振動信號在進(jìn)行特征提取之后，由于提取之后的信號的幅值大小不一，不利于信號的分析和處理，可將所有特征值歸一化到0～1區(qū)間。振動信號歸一化處理線性函數(shù)轉(zhuǎn)換，，歸一化處理就是要簡化計算，縮小量值，在這里我們將數(shù)據(jù)歸一化到0～1區(qū)間，以便之后要進(jìn)行的神經(jīng)網(wǎng)絡(luò)模式識別，并對軸承做出故障診斷與分析。

　　5.人工神經(jīng)網(wǎng)絡(luò)及模式識別
　　輸入層：輸入層輸入的是能夠表示軸承運(yùn)行狀態(tài)的有效特征值的個數(shù)，這里為28，所以輸入層為28；
　　輸出層：由于是軸承的故障診斷，所以輸出信號為軸承的工作狀態(tài)，這里為故障和正常軸承，因此輸出層有2個神經(jīng)元；　
　　隱層：其中為層的神經(jīng)元個數(shù)，為隱層神經(jīng)元個數(shù)。在本故障監(jiān)測中，輸入層個數(shù)為28，輸出為2，可知隱層神經(jīng)元在57左右。
　　訓(xùn)練參數(shù)：目標(biāo)誤差為0.001，訓(xùn)練步數(shù)為1000。
　　經(jīng)訓(xùn)練后，網(wǎng)絡(luò)誤差最小，逼近的隱層神經(jīng)元個數(shù)設(shè)定為網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)目，從而確定BP神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)，確定BP神經(jīng)網(wǎng)絡(luò)最終結(jié)構(gòu)后，進(jìn)行網(wǎng)絡(luò)訓(xùn)練和神經(jīng)網(wǎng)絡(luò)測試以判斷該神經(jīng)網(wǎng)絡(luò)是否能有效監(jiān)測滾動軸承的運(yùn)行狀態(tài)，以后驚醒滾動軸承的故障檢測時，只需要測量故障軸承的振動信號，提取有效特征值，經(jīng)過該神經(jīng)網(wǎng)絡(luò)，就可以判斷軸承是否運(yùn)行正常了。

　　6.結(jié)語
　　綜上所述，對作為運(yùn)轉(zhuǎn)機(jī)械最重要部件之一的軸承進(jìn)行故障診斷分析和診斷，對于發(fā)現(xiàn)其運(yùn)行過程中存在的隱形故障特別是早期微小故障從而確保機(jī)械設(shè)備的正常使用以及延長使用壽命具有非常有價值的現(xiàn)實(shí)意義。
　　通過對滾動軸承的振動類型及故障特征的研究，設(shè)計采集數(shù)據(jù)系統(tǒng)可以實(shí)現(xiàn)對軸承振動信號的采集，在此基礎(chǔ)上對數(shù)據(jù)進(jìn)行處理分析，構(gòu)建神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行模式識別，達(dá)到軸承故障診斷的目的，可以正確的識別軸承的狀態(tài)。

　　參考文獻(xiàn)：
　　[1]黃文虎，夏松波，劉瑞巖.設(shè)備故障診斷原理、技術(shù)及應(yīng)用[M].北京：科學(xué)出版社，1996.
　　[2]張賢達(dá).現(xiàn)代信號處理[M].北京：清華大學(xué)出版社，2002.
　　[3]于婷婷.基于BP神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法[D].大連：大連理工大學(xué)，2008.
　　[4]李興林，張仰平，曹茂來.滾動軸承故障監(jiān)測診斷技術(shù)應(yīng)用進(jìn)展[J].工程與試驗(yàn)，2009，（4）.
　　[5]張振飛，夏利民.基于神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷智能方法[J].信息技術(shù)，2008，（8）.
　　[6]李興林.滾動軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展[A]；2009年全國青年摩擦學(xué)學(xué)術(shù)會議論文集[C].2009.

來源：《企業(yè)技術(shù)開發(fā)》2015年14期