智能化轴承状态监测

王晨霞

摘 要：在机械设备运行过程中，滚动轴承的状态对其具有很大的影响，因而对滚动轴承作出合理的故障诊断具有深远而现实的意义。文章通过对滚动轴承的振动类型及故障特征，详细研究了时域分析、频域分析在滚动轴承故障诊断中的应用，设计了采集数据系统可实现对轴承振动信号的采集，在此基础上对数据进行处理分析，构建神经网络系统进行模式识别，达到轴承故障诊断的目的。

关键词：滚动轴承；故障诊断；神经网络；matlab

中图分类号：TH133 文献标识码：A 文章编号：1006-8937（2015）14-0106-01

所谓轴承故障诊断就是观测轴承的工作状态，并对采集到的可以反映轴承工作状态的信号进行分析与处理来识别轴承的状态。工程上对滚动轴承的故障诊断是十分必要的，通过对轴承的一些简单分析，确立了滚动轴承故障诊断的完整流程，采集振动信号，作数据处理，最终建立神经网络来对轴承状态进行面试识别，从而达到对轴承故障诊断的目的。

早期轴承诊断靠听觉，主观影响大；后来用振动位移、速度或加速度均方根或峰值判断故障，减少了对人为经验依赖；现代故障诊断涉及控制论、计算机等多方面。

我国轴承故障诊断起步较晚，但发展迅速，取得立不小的成就。其中，运用于铁路货车轮对滚动轴承不解体故障诊断，提高了检验速度与可靠性，节约了维修费用。

相较而言，国内滚动轴承的诊断与国外相比还有一定的差距，对滚动轴承实效机理、实效过程的研究不够、不深入。

目前，随着人工智能技术的不断发展和广泛应用，对于轴承故障的诊断技术也正趋于智能化。

一般来说，轴承故障诊断的基本内容包括以下几个方面：采集轴承检测信号；信号预处理；特征分析及提取；归一化处理；人工神经网络状态识别；决策与判断等。

1 振动信号采集

在滚动轴承运行时的众多特征中，选用滚动轴承的振动信号作为反映其运行工作状态的特征信号来对其进行信号分析和处理，这是由于振动信号相较于其它信号而言可以检测出轴承运行初期的微小故障，而且由于振动信号来自于机械本身，可方便监测和采集信号，诊断结果可靠。

振动检测主要指振动位移、速度、加速度、频率等参数测量，振动强度与加速度成正比，所以轴承振动参数选用加速度测量。可以在轴承座上安装灵敏的加速度传感器，采集轴承运行过程中的加速度信号，并对此信号进行分析和处理，以此来判断轴承的运行状态。

可以根据如下的数据采集系统进行轴承信号的数据采集工作，将采集到的模拟信号转换成计算机可以识别的数字信号，然后通过matlab等数据分析软件对所采集到的信号进行分析处理，得出可作为诊断依据的数据。

①进入数据采集系统，创建测试目录并选择好测试点以便数据储存；②进入采集画面，输入VB程序，运行，采集数据；③储存测量数据，为后期处理做准备。

2 数据预处理

2.1 零均值化处理

零均值化的目的是去除直流分量，这是由于信号的均值就相当于一个直流分量，而直流分量在做谱分析时的频谱图是在横坐标为零时的冲激函数，如果不去除直流分量的话，在对采集到的信号进行频谱分析时，这个冲激函数就会影响在左右的频谱曲线，产生较大误差，因此需零均值化处理。在时域图上，零均值化处理后波形中心落在Y=0上，便于更直观观察。而在频域图上，零均值处理后，频域图上由于直流分量而带来的冲激函数的波峰消失了，去除了直流分量对信号的影响。

2.2 去除趋势项

振动信号采集时由于传感器周围的环境干扰等测量值常会偏离基线，偏离基线的大小会随时间变化的过程称为信号的趋势项。信号的趋势项会对信号在时域以及频域的信号分析带来较大的误差，甚至会使信号失真，因此信号分析中要消除趋势项。消除趋势项与零均值化处理的功能相似，是因为本数据中的多项式趋势项很小，所以没有明显的变化。

2.3 平滑处理

信号采集时会受到噪声干扰，使实际图像为带噪图像，通常噪声信号为高频信号，所需振动信号为低频，平滑处理是为了消除噪声，即滤高保低，同时提高采样平滑性。

常用平滑处理方法有：平均法、样条函数法、五点三次平滑法等。五点三次平滑法利用多项式最小二乘法逼近实现平滑滤波，算法简单，效果好。

在时域图上，数据经过平滑处理后，其图形变得光滑；而在频域图上，平滑处理后，信号的高频部分变少，低频部分基本上没有变化。这说明滚动轴承的故障信号的频率主要集中在低频和中频段，而噪声大部分为高频信号，经过平滑处理后，不仅保持了故障信号的原有特征，而且消除了噪声信号，更有利于对数据信号的分析处理。

2.4 滤波处理

信号的能量大部分集中在幅度谱的低中频段，而高频段，有用信息常被噪声淹没，因此需要一个滤波器来减弱噪声影响，获取有用信号。由于平滑处理已去除大部分高频噪声，在时域内不能明显的看出处理前后的区别。但在频域图上，2 500 Hz后的频率几乎不存在，由此可见滤波效果较好。

3 特征提取及分析

3.1 时域特征提取

时域特征参数包括均值，方差，均方根值，峰值，峰值因子，峭度系数，波形因子以及脉冲因子和裕度因子。振动信号经过时域特征提取后，故障轴承和正常轴承在方差，峰值，裕度因子，峭度系数和脉冲因子，波形因子上的特征值差别比较明显，但两者在均值，均方根值以及峰值因子上的差别却并不不明显。

3.2 频域特征提取

频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差。振动信号经过频域特征提取后，频域参数的特征值重复性和差异性都比较良好。

4 归一化处理

振动信号在进行特征提取之后，由于提取之后的信号的幅值大小不一，不利于信号的分析和处理，可将所有特征值归一化到0～1区间。振动信号归一化处理线性函数转换， ，归一化处理就是要简化计算，缩小量值，在这里我们将数据归一化到0～1区间，以便之后要进行的神经网络模式识别，并对轴承做出故障诊断与分析。

5 人工神经网络及模式识别

输入层：输入层输入的是能够表示轴承运行状态的有效特征值的个数，这里为28，所以输入层为28；

输出层：由于是轴承的故障诊断，所以输出信号为轴承的工作状态，这里为故障和正常轴承，因此输出层有2个神经元；

隐层：其中为第一层的神经元个数，为隐层神经元个数。在本故障监测中，输入层个数为28，输出为2，可知隐层神经元在57左右。

训练参数：目标误差为0.001，最大训练步数为1 000。

经训练后，网络误差最小，逼近效果最好的隐层神经元个数设定为网络隐含层的神经元数目，从而确定BP神经网络的最终结构，确定BP神经网络最终结构后，进行网络训练和神经网络测试以判断该神经网络是否能有效监测滚动轴承的运行状态，以后惊醒滚动轴承的故障检测时，只需要测量故障轴承的振动信号，提取有效特征值，经过该神经网络，就可以判断轴承是否运行正常了。

6 结 语

综上所述，对作为运转机械最重要部件之一的轴承进行故障诊断分析和诊断，对于发现其运行过程中存在的隐形故障特别是早期微小故障从而确保机械设备的正常使用以及延长使用寿命具有非常有价值的现实意义。

通过对滚动轴承的振动类型及故障特征的研究，设计采集数据系统可以实现对轴承振动信号的采集，在此基础上对数据进行处理分析，构建神经网络系统进行模式识别，达到轴承故障诊断的目的，可以正确的识别轴承的状态。

参考文献：

[1] 黄文虎，夏松波，刘瑞岩.设备故障诊断原理、技术及应用[M].北京：科学出版社，1996.

[2] 张贤达.现代信号处理[M].北京：清华大学出版社，2002.

[3] 于婷婷.基于BP神经网络的滚动轴承故障诊断方法[D].大连：大连理工大学，2008.

[4] 李兴林，张仰平，曹茂来.滚动轴承故障监测诊断技术应用进展[J].工程与试验，2009，（4）.

[5] 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[J].信息技术，2008，（8）.

[6] 李兴林.滚动轴承故障诊断技术现状及发展[A]；2009年全国青年摩擦学学术会议论文集[C].2009.