基于无源振动传感器标签的轴承故障在线诊断技术*

肖艳霞， 田 杰, 何怡刚， 汪 涛

(1.合肥工业大学 机械工程学院,安徽 合肥 230009； 2.合肥工业大学 电气与自动化工程学院,安徽 合肥 230009)

0 引 言

利用无线传感技术在线对轴承故障进行诊断成为当前研究的新热点[1～7]。然而基于无线通信技术构建的监测传感网络，存在功耗高以及结构复杂等缺点，导致需要依靠电池或者直流电源供电。不仅成本提高，而且受电池使用寿命的限制，不适合于长期在线诊断[8]。随着射频识别(radio frequency identification,RFID)技术的飞速发展，基于无源RFID标签的无线传感技术受到了广泛关注。基于RFID的无线传感技术通过反向散射机制与询问器进行通信[9]，与ZigBee，蓝牙等无线通信技术相比，其结构简单、功耗低、成本低。并且RFID标签具有定位识别功能，可通过射频信号自动识别目标对象并获取相关数据，更加满足长期在线诊断的需求。

本文提出了一种基于RFID振动传感器标签的轴承故障在线诊断技术，相较于传统的故障诊断技术具有成本低，实时性好，无需设备停运等优点。利用振动传感器标签采集轴承振动信号，利用奇异值分解(singular value decompo-sition,SVD)，基于奇异熵对原始信号进行去噪；最终利用最小二乘支持向量回归(least squares support vector regression，LS-SVR)对处理后的信号进行分析，实现了对轴承故障的在线诊断。

1 在线故障诊断系统设计

图1为本文设计的RFID振动传感器标签的结构。整个标签由分立元件搭建在FR4基底上，由3个模块组成：能量模块、数字模块和RFID模块。能量管理模块通过天线获取阅读器发出的信号中的能量并利用升压整流电路将其转换为直流电压，为数字模块与通信模块提供能量，无需使用电池。RFID模块主要为RFID芯片，用于实现对传输信号的调制与解调，并将所测振动信号传送给阅读器。

图1 RFID振动传感标签结构

1.1 能量模块

采用50-Ω的微带天线用于通信以及能量获取，同时为了获得最大能量传输效率，采用高品质因数的可调射频电感以及高品质因数的可调高频电容器用以实现阻抗匹配。设计了两级升压整流电路用于将天线获取的射频能量转换为1.8 V的直流电压，为单片机(microcontroller unit,MCU)、 RFID芯片以及三轴加速度传感器提供工作电压，针对于超高频工作环境，选用了在超高频率下具有较高灵敏度的SMS7630零偏压肖特基二极管。 为了更进一步提高该标签的运行可靠性，采用了超级电容器作为辅助能源。

1.2 数字模块

采用了低压降稳压器以获取稳定的1.8 V直流电压输出。选用的微型控制器为16 bit 的MSP430F5172，工作电压为1.8 V，带有32 kB的闪存，2 kB的SRAM以及8个10 bit的ADC通道。选用的加速度传感器为ADXL346超低功耗三轴加速度传感器，工作电压为1.8 V直流电压。

1.3 RFID模块

由于该传感器标签应用于金属环境之中，因此采用了具有良好的抗金属干扰特性的微带天线作为通信天线。图1中RFID芯片为Monza X-2K芯片，拥有2176 B非易失存储容量和一个I2C接口，传感器所测得的数据可通过I2C接口传输到该芯片中，当标签被阅读器激活时，标签以反向散射的方式将数据传输给相应阅读器。

2 噪声去除与故障诊断

2.1 基于奇异熵的噪声去除方法

根据奇异值分解理论[10]，对于任意一个m×n维的矩阵W，必然存在一个m×p维的矩阵U,一个p×p维的矩阵Λ以及一个p×n维的矩阵V，满足下述关系

W=U·Λ·VT

(1)

式中 对角阵Λ的主对角元素λi(i=1,2,…,p)非负且按照降序排列，为矩阵W的奇异值。通常，当原始信号信噪比较高时，奇异值分解后的对角阵可表示为Λ=diag(λ1,λ2,…,λi，0,…,0),i0。当原始信号信噪比较低时，对角阵为Λ=diag(λ1,λ2,…,λi,…,λp)，λ>0，i=1,2,…,p。奇异熵的定义式为

(2)

式中k为奇异熵的阶次；ΔEi为奇异熵在阶次i处的增量；该增量可由式(3)计算得到

(3)

利用延时嵌陷将原始信号x(t)=[x(t)x(t+τ)x(t+2τ)x(t+3τ)·…]映射到一个m×n维的矩阵D中

(4)

对矩阵D进行奇异值分解，并求得其奇异熵以及奇异熵增量，获取出奇异谱，由此为依据对矩阵D进行定阶。对于同一信号而言，无论噪声干扰的程度如何，对信号的完整有效信息进行特征提取时所需的奇异谱阶次(即信号系统的阶次)一定，因此，可以选择奇异谱中奇异熵增量降低到近乎平稳状态时的阶次l作为信号的有效特征提取阶次l。在此基础上，保留对角阵Λ的前l个主对角元素，其余主对角元素置零，记为Λ′，将矩阵Λ′代入式(1)，得到矩阵W′，实现了对原始信号降噪的目的。

2.2 LS-SVR故障诊断与定位

假设训练样本集为{(xi,yi)|i=1,2,…,n}，xi∈Rn为输入样本，yi∈R为输出样本或目标值，则在样本误差范围ε(亦称作为样本的拟合精度)内满足线性回归模型f(x)=wTx+b，w为权重系数向量，b为常数，且满足[11]

(5)

LS-SVR模型通常选择w的欧拉范数作为损失函数，同时考虑到超出精度范围的拟合误差，引入误差变量ei以处理不满足式(5)的数据点，优化目标表示为

(6)

式中 第一项由于使回归函数更平坦，泛化能力更好；第二项用于减少误差；λ为控制模型复杂程度与逼近误差的折中系数，λ越大，模型对于数据的拟合程度越高，但是泛化能力越差，同时建模的复杂度也会随之增加。采用Lagrange算法进行参数选择。

针对于振动信号的非线性特点，选择径向基函数σ作为LS-SVR模型的核函数，其中,σ为核函数宽度。σ和λ确定了模型的学习能力和泛化能力。本文采用循环寻优的方式确定最佳的σ和λ。

3 测试与结果分析

首先对设计的RFID振动传感器标签通信距离进行测试，图2为RFID振动传感器标签以及测试环境，图3为通信距离测试结果。通常通信距离以阅读频率来衡量，每秒可完成的读取次数在10次及以上时可认为当前所测试的通信距离为有效距离。由图3可看出：当通信距离为10 m时，阅读速率为10次/s，当距离超过10 m时，阅读速率低于10次/s，因此,本文所设计的标签最大通信距离为10 m。

图2 RFID振动传感器标签与通信测试环境

图3 通信距离测试结果

实验选取的故障样本数据来源于本实验室团队设计的穿梭车的轴承在正常工作状态和故障状态下，重复进行2 000次采样实验所获取的输出信号，每种状态各1 000组，每组20个数据。图4为实际测试场景，图5为正常状况下的振动波形。正常情况下该波形应为标准正弦波[12]。由图5可知，所测得的原始信号并非标准的正弦信号，首先应去除该信号中的噪声成分,以提高故障诊断的速度与精度。图6为经由SVD去除噪声之后的信号，可以明显看出去除噪声后的波形为标准正弦波。

图4 测试场景

图5 正常状况下的振动信号

图6 去除噪声后的振动信号波形

建立LS-SVR模型，并将上述所得振动信号数据输入到该LS-SVR模型中，利用该模型对振动信号数据生成的残差对监测位置的轴承状态进行监测，当残差超过一定阈值时，即可判定该位置的轴承存在故障。图7为正常状况下以及故障时所得到的残差结果。正常状态下，输出的残值在±0.003 2范围内波动，当故障发生时，残差增加到0.04附近，通过实验数据可设定残差阈值为0.03，通过输出残差值与阈值的比较即可实现对穿梭车轴承的故障在线诊断。

图7 正常与故障状态下LS-SVR模型输出残差

4 结 论

提出了基于RFID振动传感器标签的穿梭车轴承故障在线诊断技术，实验结果证明：基于RFID振动传感器标签的穿梭车轴承故障诊断技术可以快速精确地确定出轴承的状态，并且在故障状态下能快速地定位出故障位置，具有良好的应用前景。

参考文献:

[1] 滕丽丽,唐 涛,王明锋.基于振动分析的滚动轴承故障诊断技术概述及发展趋势[J].科技信息,2011(23):101-129.

[2] 孙毅刚,王 雷,薛仲瑞,等.基于BP网络的航空发动机传感器硬故障检测[J].传感器与微系统,2013,32(7):120-122.

[3] 袁加奇,邓晓亭,朱思洪,等.基于加速度传感器的拖拉机振动特性研究[J].传感器与微系统,2016,35(12):72-74.

[4] 孙 倩,尹 菲,尚 晶.基于压电式加速度传感器的船用振动测量仪设计[J].传感器与微系统,2013,32(5):71-73.

[5] 高保禄,冯秀芳,熊诗波,等.基于无线传感器网络数据融合的滚动轴承故障诊断[J].中北大学学报:自然科学版,2010,31(3):248-252.

[6] 钱思思,张优云,朱永生,等.滚动轴承试验机远程监测系统的设计与应用[J].中国测试,2013(5):83-87.

[7] 徐桂云,蒋恒深,李 辉,等.基于PCA-RBF神经网络的WSNs数据融合轴承故障诊断[J].中国矿业大学学报,2012,41(6):964-970.

[8] 陈 宏,邓芳明,何怡刚,等.一种适用无源RFID的集成加速度传感器设计[J].传感器与微系统,2015,34(10):86-89.

[9] De Donno D,Catarinucci L,Tarricone L.RAMSES: RFID augmented module for smart environmental sensing[J].IEEE Tran-sactions on Instrumentation & Measurement,2014,63(7):1701-1708.

[10] 葛 垚,孙 强,王坤东.基于CNN与SVDD的掘进机智能监测系统设计[J].传感器与微系统,2016,35(10):76-79.

[11] 王宏力,侯青剑.基于GA-LSSVR的残差生成器设计[J].传感器与微系统,2008,27(12):94-96.

[12] Hong K,Huang H,Zhou J.Winding condition assessment of power transformers based on vibration correlation[J].IEEE Transactions on Power Delivery,2015,30(4):1735-1742.