基于DSP和ZigBee的齿轮箱故障诊断系统

刘春林，潘宏侠，史斐娜，潘铭哲

(中北大学机械与动力工程学院，山西太原 030051)



基于DSP和ZigBee的齿轮箱故障诊断系统

刘春林，潘宏侠，史斐娜，潘铭哲

(中北大学机械与动力工程学院，山西太原 030051)

以齿轮箱为研究对象，采用以DSP-TMS320F28335为主控芯片的嵌入式故障诊断中心模块和以ZigBee-CC2530为主控芯片的无线通信模块，开发了一种实时在线嵌入式远程故障诊断系统。该远程故障诊断系统中神经网络模型采用基于Matlab模型的设计，对采集的样本信号进行预处理(滤波和和FFT变换)，并对经过预处理的信号提取特征值。利用Matlab神经网络工具箱进行网络训练，提取阈值和权值，在Simulink中搭建神经网络模型，并将该模型嵌入到DSP的嵌入式系统，对故障进行诊断识别分类。DSP嵌入式故障诊断中心模块和ZigBee无线通信模块两部分是相互独立的，通过串口接口SCI进行数据发送。该远程故障诊断系统具有信号采集、数据存储、故障识别分类以及无线通信等功能。

齿轮箱；嵌入式；DSP；ZigBee；故障诊断；无线通信

0 引言

齿轮箱是机械设备中的关键部件，几乎在任何大型设备中都起着连接和传递动力的重要作用。但是齿轮箱本身结构复杂，工作环境恶劣，容易发生故障和受到损伤，因此对齿轮箱进行实时在线监测和故障诊断对于机械设备具有重要意义。齿轮箱故障诊断技术正是为了检测和预报机械设备的运行状态以及发现设备早期运行故障，能够找出机器故障产生的原因[1]。

本文设计了基于DSP和ZigBee的齿轮箱远程故障诊断系统，该系统采用32位浮点芯片TMS320F28335为主控芯片，充分利用了F28335丰富的外设模块实现与ZigBee模块的无线通信。主控芯片F28335具有高速处理数据能力，32位浮点处理单元，有丰富的外设资源，包括串行通信接口SCI、串行外设接口SPI、ADC转换模块捕捉单元eCAP等外设模块[2]。本系统中，通过串行通信接口将DSP和ZigBee连接，从而实现远程无线传输通信。

1 远程故障诊断系统硬件平台

1.1 远程故障诊断系统的总体框架设计

在该远程故障诊断系统中利用传感器模块采集得到振动、温度信号，形成脉冲信号通过脉冲整形电路进入eCAP模块，测试得到捕捉信号的频率后设定好采样频率，然后开始进行信号采集[3]。将采集的数据存储到SD卡中，在嵌入式系统中将采集的数据进行预处理、提取信号的有效特征值并通过建立的BP神经网络模型进行故障诊断识别，将所得的诊断结果同样存储到SD卡中并将其通过串口传送给ZigBee无线通信模块，最后通过无线传输到终端控制中心。总体框架结构图如图1所示。

图1 总体框架结构图

1.2 信号调制电路模块

该远程故障诊断系统主控制芯片F28335中数据采集模块(ADC转换模块)的输入电平为0～3 V，模拟传感器采集到的振动、温度、加速度等信号电压一般为0～5 V，所以需要在传感器模块与DSP主控模块之间添加信号调制模块，调整采集的信号，使其符合A/D的输入范围要求。如图2所示。

图2 信号调制模块电路

1.3 脉冲整形电路

脉冲整形电路采用具有2个独立的、高精度电压比较器的LM393,并搭建双门限迟滞回路。双门限迟滞回路比较器是一个具有迟滞回环传输特性的比较器。在反相输入单门限电压比较器的基础上引入正反馈网络，就组成了具有双门限值的反相输入迟滞比较器。由转速传感器测得的电压脉冲信号或多或少在边缘都存在毛刺现象，利用脉冲整形电路可解决毛刺现象[4]。如图3所示。

图3 脉冲整形电路

1.4 SD存储模块

该故障诊断系统使用了F28335串行外设SPI总线外扩了SD卡，用该SD卡存储系统所采集的数据以及故障诊断的结果，将数据长时间保存。SD卡上电后，可以通过软件编程实现SD卡在SPI模式下工作[5]。SD卡电路图如图4所示。

图4 SD卡电路

1.5 串口通信模块

TMS320F28335上有2路SCI接口：SCIA和SCIB，分别利用RS232和RS485协议收发器驱动和外部接口，提供RS232和RS485通信。本文采用接口A提供RS232协议进行数据通信。将其与无线传输模块通过串口连接，从而将诊断结果发送给上位机。数据传输过程中，必须设定数据传输格式才可以进行数据的有效传输。

1.6 ZigBee无线传输模块

ZigBee射频电路模块采用的CC2530是一款可兼容8051内核，还支持IEEE 802.15.4协议的无线射频单片机，可以适应2.4 GHz IEEE 802.15.4的RF收发器。CC2530提供了串口接口与微处理器连接，可以实现与其他单片机串口接口无缝连接。

该系统利用了2块CC2530进行无线通信传输，第一块作为节点，利用自身串口与DSP TMS320F28335模块串口无缝连接接收DSP模块传来的数据，第二块作为协调器，利用天线接收射频信号，该信号通过低噪声放大器，经过正交变换，频率变换到2 MHz中频带上，形成正交和同相分量。该2路模拟信号经过信号调制电路进行电压调制处理后，通过模数转换器转换成数字信号。采用直接通过正交变换将信号频率变换到预定频率带上的方式发送数据。基带信号的正交分量和同相分量被ADC数模转换器转换为模拟信号，通过低通滤波器滤波以后，将频率变换到预先设定的信道上，信号利用差分传送方式进行发送和接收数据[6-7]。

2 远程故障诊断系统的应用程序

本系统通过F28335的16路ADC模块分别采集各待测部位的温度信号和振动信号，对采集的信号进行滤波和FFT变换等预处理，并对其提取特征值，利用建立的BP神经网络对所测信号进行故障识别和诊断。

数据处理完成后启动F28335板的异步串口通信程序，将故障诊断结果通过RS232串口通信传输给第一块ZigBee模块，然后通过无线通信模块传输第二块ZigBee模块中，最后通过串口RS232异步通信传输到终端控制中心，最终实现将故障诊断结果无线传输到较远距离的终端控制中心。故障诊断系统的程序流程图如图5所示。

图5 故障诊断系统的程序流程图

2.1 FIR数字滤波器

原始信号一般都夹杂了噪声，因此需要对信号消除噪声。在TI公司提供的FIR滤波技术文件的基础上，将窗函数法应用到滤波器设计中，将滤波器的类型、窗函数、采样频率和上下截止频率作为函数形参，使得DSP在运行时可以根据环境不同修改参数值满足不同工作需求。图6为齿轮箱齿轮在正常工况下原始信号和通过滤波器滤波的结果。

(a)原始信号时域图

(b)滤波后的时域图图6 正常信号滤波前后时域图

图6中，原始信号时域图中最高幅值为1.34，而原始信号经过滤波后时域图中幅值最高达到0.945，峰峰值明显降低，而且齿轮箱运行过程夹杂的噪声信号一般位于信号的高频带，由此可以推断出该硬件平台中的FIR滤波器模块可以对采集的齿轮箱振动信号达到滤波效果，并且可以通过改变滤波器系数来改变滤波器的阶数，进而对信号达到预想的滤波效果。

2.2 FFT功率谱

齿轮箱振动信号中包含各部件的振动频率，当齿轮发生故障时，时域信号指标只能表现出设备的运行状态，不能判别故障发生的故障和程度，只有通过FFT变换得到信号频谱，才能通过齿轮的啮合频率幅值及其谐波和转频幅值变化来判定故障发生的类型和部位。本系统的功率谱采用了FFT算法库。外部输入信号为齿轮箱的正常状态工况下滤波后的信号，图7为正常信号的频谱图。

图7 正常信号的频谱图

2.3 BP神经网络

BP神经网络由3层构成：输入层、隐含层和输出层，需要利用大量训练样本进行学习，不断调整权值减少输出误差，逐渐逼近要求。

利用Matlab中神经网络工具箱进行BP神经网络结构训练，建立一个可训练的前馈神经网络模型[8-9]。如图8所示。

图8 BP神经网络模型

在创建好的神经网络模型中预先设置好输入数据和目标数据，并设置训练次数、性能函数的最小梯度、最大验证失败次数、最长训练时间、两次显示之间的训练次数、训练参数步长、训练目标和学习速率。开始训练后，通过View/EditWeights窗口得到神经网络的阈值和权值，并将其作为建立神经网络模型的相关参数，通过Export命令将神经网络导入Matlab工作空间中。如图9所示。

图9 BP神经网络模型

根据图9创建的神经网络模型，在Simulink中搭建BP神经网络模型。如图10所示。

图10 Simulink中创建BP神经网络模型

在该模型中添加Target Reference模块，并配置其相关参数，利用Incremental Build自动生成可嵌入DSP系统中的程序代码，建立的BP神经网络模型能对故障识别分类，从而达到故障诊断的目的。

3 远程故障诊断系统在齿轮箱的应用

在齿轮箱传动装置中，分别对正常、保持架故障、齿面磨损断裂、外圈凹痕、滚动体磨损以及外圈裂纹共6种工况进行故障诊断。

通过上述对各模块以及神经网络测试结果可看出，该远程故障诊断系统可以实现实时在线故障诊断以及诊断结果传输的基本功能。该系统时钟工作在150 MHz，设置的数据采集通道为16路，采样频率为4 000 Hz，每路采样点数设置为1 024点。当采样信号数据达到预定值1 024时，系统就对所采集的信号进行预处理(滤波和FFT变换)，提取信号特征值以及通过BP神经网络进行故障诊断识别，采集的数据存储是通过SPI将数据存储到SD卡中[10]。DSP故障诊断系统和ZigBee模块总体实物图如图11所示。

图11 系统总体实物图

选取的特征值为：方差、脉冲指标、峭度指标、波形指标、裕度指标、偏态指标、功率谱方差、相关因子以及功率谱重心指标；齿轮箱故障诊断系统诊断识别分类结果输出分别为：正常(100000)、保持架故障(010000)、齿面磨损断裂(001000)、外圈凹痕(000100)、滚动体磨损(000010)以及外圈裂纹(000001)。图12为齿轮箱正常运行时的波形。

图12 正常信号

图13是嵌入式DSP故障诊断系统对齿轮箱正常运行状态的信号波形提取的相关特征值以及诊断识别的输出结果，其中sigfeature窗口为提取的相关特征值，sbresult窗口是系统故障诊断识别的输出结果，由sbresult窗口能够观察到输出最大值为sbresult[0]，对应的理想正常状态输出100000。而图14串口调试助手显示接收的数据跟sbresult窗口中显示的结果一致。

图13 正常状态诊断结果

图14 串口调试助手接收的数据

同理，分析保持架的振动信号。图15是齿轮箱中保持架故障时信号波形。

图15 保持架故障信号时域图

图16是嵌入式DSP故障诊断系统对齿轮箱保持架故障的信号波形提取的9个相关特征值以及故障诊断识别的输出结果，其中sigfeature窗口显示的是提取相关特征值，sbresult窗口是系统诊断识别的输出结果，根据sbresult窗口能够观察到输出最大值为sbresult[1]，对应的理想保持架故障010000。而图17串口调试助手显示接收的数据跟sbresult窗口中显示的结果一致。因此系统通过ZigBee模块将DSP故障诊断系统的诊断识别结果发送到终端控制中心，实现系统无线传输故障诊断的结果。

同理，对齿面磨损断裂、外圈凹痕、滚动体磨损以及外圈裂纹等不同信号分别用该故障诊断系统进行采集、信号处理和远程传输。通过上述应用检测，该齿轮箱故障诊断系统可以实现对信号的采集、存储、故障诊断和远程通信传输等功能。

图16 保持架故障诊断结果

图17 串口调试助手接收数据

4 结论

本文以嵌入式DSP作为故障诊断中心和ZigBee模块作为无线通信传输，系统能够实时对齿轮箱在线监测并将诊断结果无线传输给远距离的终端控制中心。

(1)使用DSP-TMS320F28335为数据处理核心以及ZigBee-CC2530为数据传输中心，搭建了硬件系统平台，将信号采集、数据处理(滤波和FFT变换)、提取特征值、BP神经网络故障诊断、远距离无线传输集为一体在硬件平台上实时执行，增强故障诊断的实时性。

(2)通过Matlab中神经网络工具箱训练BP神经网络，得到权值和阈值，解析Matlab生成的神经网络模型，在Simulink中搭建模型，使用测试样本进行测试验证，测得创建的BP神经网络可靠有效，将自动生成的嵌入式代码加载到DSP目标板上。

(3)将该故障诊断系统应用到齿轮箱中，证明了设计的远程故障诊断系统的可行有效性。

[1] 高阳,潘宏侠,吴升.基于DSP和神经网络的风力发电机齿轮箱远程故障诊断系统.仪表技术与传感器,2011(1):67-70.

[2] 姜旭刚,潘宏侠,刘涛涛.基于DSP-TMS320F28335的齿轮箱故障诊断系统研究与应用.机械传动,2014,38(2):152-156.

[3] 何强,潘宏侠,刘平.基于TMS320F28335的风力发电机远程检测分析系统.微型机与应用,2012,31(20):71-73.

[4] 葛化敏,胡元海,郁波.基于TMS320F2812的电力系统参数测试仪的设计.仪表技术与传感器,2008(12):21-23.

[5] 赵不贿,李霖,徐雷均.基于DSP的电能质量监测系统的设计.仪表技术与传感器,2009(3):72-74.

[6] 李辉,张晓光,高顶,等.基于ZigBee的无线传感器网络在矿井安全监测中的应用.仪表技术与传感器,2008(4):33-35.

[7] 陈耀武,俞露,汪乐宇.基于以太网或GSM网的嵌入式电能量遥测系统.电力系统自动化,2003,27(15):80-83.

[8] SATPATHY M,YEOLEKAR A,PERANANDAM P,et al.Efficient coverage of parallel and hierarchical stateflow models for test case generation.Software Testing Verification and Reliability,2012,22(7):457-479.

[9] LEE H，CHUNG K，PARK H,et al.Modeling software requirement with timing diagram and Simulink Stateflow.Information and SoftwareTechnology,2011,53(5):484-493.

[10] 谢志勇.基于DSP和BP神经网络的旋转机械在线故障诊断系统.仪表技术与传感器,2011(3):64-66,70.

欢迎订阅 邮发代号：8-69

月刊 10元/期

《仪表技术与传感器》杂志

主要刊载内容：

传感器技术 仪器仪表

系统与应用 研究与开发

地址：沈阳市大东区北海街242号(110043)

电话：024-88718630

网址：www.17sensor.com

E-mail:info@17sensor.com

Fault Diagnosis System of Gearbox Based on DSP and ZigBee

LIU Chun-lin，PAN Hong-xia，SHI Fei-na，PAN Ming-zhe

(North University of China,School of Mechanical and Power Engineering,Taiyuan 030051,China)

Seen the gear box as the research object,based on DSP-TMS320F28335 as main control chip embedded fault diagnosis center module and ZigBee-CC2530 as main control chip wireless communication module,an online real-time embedded remote fault diagnosis system was developed.The neural network model of the remote fault diagnosis system was based on Matlab model design,and the collected samples of the signal was preprocessed(filter and FFT transform),and the characteristic value was extracted from the pre-processed signal.Taking advantage of the Matlab neural network toolbox to train network,extract threshold and weight,neural network model was built in Simulink and it was embedded in DSP embedded system to classify and recognise fault diagnosis.The DSP embedded fault diagnosis center module and the ZigBee wireless communication modules are independent each other,they send data through a serial port interface SCI.The remote fault diagnosis system has the functions of signal acquisition,data storage,fault identification,fault classification,and wireless communications.

gearbox,embedded,DSP;ZigBee;fault diagnosis;wireless communication

国家自然科学基金项目(50875247)；山西省回国留学人员基金资助项目(2008065)

2014-06-18 收修改稿日期：2015-03-07

TH17

A

1002-1841(2015)06-0114-04

刘春林(1989—)，硕士研究生，研究方向：机械故障诊断，嵌入式系统的研发。E-mail:liuchunlin1989@sina.com 潘宏侠(1950一)，教授，博士研究生导师。研究方向为机电系统和工业过程检测、诊断与控制、振动与噪声控制、系统辨识与智能系统、动态设计与参数优化、信息融合与处理。