基于传感器的医用机械轴承寿命检测系统

王语凡

(安徽医科大学附属心理医院 安徽合肥 230031)

医用直线加速器是用来对肿瘤进行放射治疗的粒子加速器装置。其通过旋转机架的旋转运动，实现对病灶的多角度照射，连接旋转机架和固定机架的轴承是完成设备运动的重要机械零件之一。在投入使用后，该轴承的故障发生率随着运行时间的不断增加而呈现逐渐增长趋势[1]，因此，对医用直线加速器主机架轴承的剩余寿命进行检测，可降低其故障缺陷继续恶化造成的影响，以防止医用直线加速器的损坏，造成更大的经济损失。因此，采取有效措施对轴承的剩余寿命进行检测，以此确定维护保养方案，可确保医用直线加速器安全运行[2]。

利用传感器节点可实现轴承原始振动信号的采集，但对该轴承实施剩余寿命检测的关键是如何提取原始振动信号中的特征信息，以此反映轴承的运行状态。因此，从一维原始数据中提取多维特征信息对寿命检测至关重要。有学者提出利用多速率传感器实现数据信息的采集，利用卡尔曼滤波预测隐藏的退化信息，通过期望极大化算法调整未知参数，并利用概率密度函数实现剩余寿命的检测，但该系统获取的退化信息特征不够全面，影响剩余寿命的检测效果[3]；有学者采用疲劳寿命估算方法，从材料的S-N曲线出发，并通过线性累积损伤理论及修正Miner法则获取其疲劳寿命估算结果。但该系统在机械设备零件剩余寿命预测方面精度不足[4]。

为了获得理想的检测结果，设计了基于传感器的医用直线加速器主机架轴承寿命检测系统，确保医用直线加速器的安全运行。

1 基于传感器的医用直线加速器主机架轴承寿命检测系统

图1为寿命检测系统的总体框架，主要组成部分为：

图1 系统的总体框架

(1)传感器节点：系统中包含数个传感器节点，采集轴承振动信号，通过简单操作获取振动检测信号的时域、频域以及时频域相关特征参数[6]，对当下波形数据进行保存，根据传感器节点数量和具体监测需求设定数据传输周期[5]，按照设定的固定周期将当下振动检测信号的特征参数传输给收发器节点。

(2)收发器节点：该节点具有通信协议转换功能，可对传感器节点的检测任务进行调控调度。收发器接收到信号特征参数后，向远程终端传输该特征参数进行轴承的剩余寿命检测。收发器节点将信号特征参数传输至远程终端。

(3)远程终端：远程终端接收信号特征参数，通过剩余寿命预测算法检测轴承的剩余寿命，并可通过远程终端可视化呈现寿命检测结果，实现寿命检测结果图表处理。

1.1 无线传感器网络设计

各传感器节点构成一个星型网络，为小型嵌入式系统，共包含以下四个模块：

(1)传感器模块：该模块的职责是采集轴承振动信号，并对采集到信息进行转换处理[8]。

(2)处理器模块：该模块CPU、存储器构成，该模块用于调度全部传感器节点，并对采集的振动检测信号进行保存及简单处理操作，接收其他传感器节点传送的数据信息并作融合处理[7]。

(3)无线通讯模块：可实现各传感器节点间的数据传输与通信，信息交互。

(4)能量供应模块：利用小型高能电池为各传感器节点供应能量。

无线传感器网络结构如图2所示。以CC2530芯片作为振动信号采集传感器芯片，可获取振动信号，通过准确转换将其变为可测量的物理量[9]。

图2 无线传感器网络结构

构建的无线传感器网络中，采用ZigBee网络组建，根据轴承寿命检测时无需过长的通信距离的需求，采用簇树状网络结构，以传感器和收发设备作为簇，通过簇头节点转发实现数据通信，簇头节点之间通信采用Cluster-Tree路由协议，并发送到汇聚节点，最后发送到嵌入式网关。无线传感器网络拓扑结构如图3所示。

图3 无线传感器ZigBee簇树状网络结构拓扑图

1.2 收发器节点设计

收发器节点在传感器网络与Internet网络间架起数据通信的桥梁，振动检测信号传送给收发器节点，通过收发器节点传输给远程服务器，实现轴承的寿命检测目标。收发器节点也可对轴承的常规故障进行分析，在线给出诊断结果。文章系统选用ARM11 S3c6410收发器，节点结构如图4所示。

图4 收发器节点结构

1.3 轴承剩余寿命检测

循环神经网络(recurrent neural network，RNN)只可实现信息的短期记忆，LSTM的“门”结构，能够有效融合长期、短期记忆，提升长时间序列的存储性能，实现信息的选择性筛选，使RNN的梯度消失问题得到有效改善。主机架轴承全寿命数据是时间序列数据，可利用LSTM实现轴承的寿命检测。输入、输出及遗忘门构成了LSTM的记忆单元，先对遗忘门的输出进行调整，再对输入门的输出进行调整，其输出由两部分构成，继续对当下时间点的细胞状态进行调整，然后对当下时间点的隐含状态进行调整，获得主机架轴承寿命预测结果，LSTM的前向传播结束。

以Ct作为t时间点的输入振动信号特征参数，kt-1为t-1时间点的隐含状态，将Ct、kt-1输入到遗忘门的门限结构中，ft为其寿命输出结果，可利用sigmoid激活函数获取获得，对于前一时间点的隐含细胞状态，其遗忘概率可通过ft得以反映。利用前一时间点细胞状态与之的乘积可实现遗忘信息的有效管理，可用下式进行表达：

ft=σUfGt+σWfkt-1+σbf

(1)

it=σUiGt+σWikt-1+σbi

(2)

(3)

(4)

式(4)中：Hadamard积用·表示。

在获取当下时间点的细胞状态后，确定隐含状态的输出结果。需通过两步实现隐含状态的调整。

(1)获取ot，即输出门的输出结果，可利用sigmoid激活函数处理前一时间点kt-1、当下时间点的输入Ct得到，并通过下式表达：

ot=σUoGt+σWokt-1+σbo

(5)

(2)利用tanh函数处理Ct得到kt：

kt=ot·tanh(Ct)

(6)

当下时间点的主机架轴承的剩余寿命预测输出结果即为：

(7)

采用梯度下降法对LSTM各参数进行更新，执行LSTM的反向传播操作。对于LSTM各参数，对其损失函数求偏导是执行反向传播的核心所在，获取隐含状态kt、细胞状态Ct的梯度即可实现误差的反向传播。

2 实验测试

研究对象如图7所示，主机架轴承位于固定机架及旋转机架之间。

图7 医用直线加速器

设定轴承转速为3000r/min，载荷为3500N。文章采用美国PCB公司的工业型高性能振动加速度传感器及其调理模块作为无线传感器网络的传感器节点。设定该传感器为100mV/g，频响0.5-10kHz，量程±50g，13位分辨率，采样速率为51kS/s。对轴承零件的振荡信号进行采集，数据采集周期为15s，每次采集样本数为500个，振动信号正常幅值范围为±25g，当波形幅值增加幅度大于25g时，该轴承零件失效。

该轴承零件全寿命周期内振动信号波形如图8所示。分析图8可知，轴承零件在运行2170s前处于正常工作状态，振动信号波形平稳，轴承继续转动，检测到轴承零件振动幅度开始增加，直至运行到3500s时，振动信号波形呈小幅度波动，之后信号波动幅度快速增长，当运行至5000s时，信号幅值增长超过预定范围，轴承运行失效，停止转动。实验结果表明，轴承退化过程包含三个阶段，分别为正常运行阶段、振动幅值增长阶段、失效阶段。

为提高主机架轴承的寿命检测精度，需为LSTM网络选取合适的参数，分析LSTM网络参数对寿命检测结果的影响。不同神经元数量的轴承零件寿命检测结果如图9所示。分析图9可知，LSTM网络神经元数为128时，轴承零件寿命检测效果好。

图9 神经元数量对轴承寿命检测结果影响

时间步长分别为15、25、35时，时间步长对轴承零件寿命检测的影响结果如图10所示。

由图10可知，当时间步长为15时寿命检测结果最趋近于实际值，当增加时间步长，检测偏差不断增大，检测效果下降。原因在于时间步长增大，LSTM中遗忘门会将距离当下时间较长的数据遗忘，只有距离当下时刻较劲的数据得以保存，继续传输，严重影响轴承零件的寿命检测结果。因此，可确定最佳时间步长为15。

基于上述实验，设置LSTM神经元数为128，时间步长为15。在此基础上，采用文章方法对医用直线加速器主机架轴承寿命进行检测，记录轴承随时间的退化百分比，并与实际轴承寿命退化百分比进行对比，分析文章系统的轴承寿命检测精度，结果如图11所示。

图11 轴承寿命预测分析

分析图11可知，随着轴承运行时间的不断增长，其退化百分比指标呈不断降低趋势，轴承使用寿命不断缩短，在轴承运行前期，退化百分比降低幅度较小，在2203s之后降幅逐渐增大，当运行5000s时，轴承彻底失效，其寿命周期结束。与轴承的实际寿命相比，本文系统预测结果偏差极小，误差保持在2%以内。证明本文系统对轴承寿命检测准确度高，检测效果突出。这是因为文章系统采用无线传感器解决了轴承空间振动频率快导致采集精度难以控制的问题，使终端节点采集的空间振动信号更为有效，利用LSTM网络快速处理寿命特征数据，更新模型参数，使计算值极高地逼近实际值。

3 结语

以医用直线加速器的主机架轴承零件为研究对象，以提高转速及附加载荷方式加速其失效，并用本文系统检测其剩余寿命，验证文章系统的有效性及应用性。首先对该轴承的全寿命周期振动波形进行分析；其次分析LSTM各参数选取对检测结果的影响；通过退化百分比指标分析文章系统的检测精度。实验结果表明：确定LSTM网络最佳神经元数为128、时间步长为15时，轴承寿命检测准确度高，检测效果突出。