针对滚动轴承故障的检测方法

本资料包含pdf文件1个，下载需要1积分

滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的-种精密的机械元件。由于它使用方便 ，具有较高的可靠性且其起动性能好 ，在中等速度下其承载能力较高 ，所以是目前被广泛使用的-类轴承。

滚动轴承在运转时可能会由于各种原因导致损坏 ，旋转机械的故障很大程度是由滚动轴承故障引起的 ，其运行状态的正常与否会影响到整台机器的性能。但对重要用途的轴承来说定时维修是很不合理的 ，费时费力 ，若在轴承运转过程中 ，进行工况监视与故障诊断 ，将定时维修改变为视情维修或预知维修 ，这样既可以防止机械工作精度的下降 ，又能最大限度地发挥轴承的工作潜力 ，所以说对轴承进行故障诊断是非常重要的。

当滚动轴承元件的工作表面出现疲劳剥落、压痕或局部腐蚀等问题时 ，轴承在运行中就会出现周期性的振动信号。用安装在轴承座或轴承周围的传感器采集这种周期信号 ，并用放大器放大信号 ，经A/D转换将模拟信号转换成计算机可以识别并处理的数字信号 ，计算机利用 Matlab编程在信号的时域和频域内分别抽取有效的特征值 ，经-系列计算 ，建立正确的神经网络并进行模式识别判断故障类型 ，达到轴承状态检测的目的。

传感器采集到的振动信号 ，在进行特征值提取前需计算机对数据进行零均值化处理 ，其 目的-方面可以提高数据的可靠性、真实性 ，另-方面检查信号的随机性 ，以便正确地选择分析处理方法。

对轴承振动信号进行时域分析的步骤是在信号时域内获得时域特征值 ，用获得的时域特征值与正常轴承运行时的特征值进行比对确定轴承的状态。常用的特征值可分为有量纲参数和无量纲参数。有量纲量包括 ：均值、方差、均方根值、峰值等 ，无量纲量包括 ：峰值因子、峭度系数、波形因子、脉冲因子、裕度因子等 ，对零均值化后的数据进行特征提取 ，通过 Matlab可得其样本的时域特征值 ，鉴于时域分析不能完全反映滚动轴承工作状态 ，故还需对样本进行频域分析。对零均值化后的数据进行傅里叶变换 ，通过软件绘制频谱图 ，对不同样本故障轴承和不同样本正常轴承的频谱图进行对比 ，设得出n个特征频率点 ，特征值的选择应遵循不同样本数值变化明显、相同样本数值稳定的特点 ，再对各个样本--进行特征抽取 ，获得频域特征值。由于各个特征值的幅值大小不- ，有时甚至相差很大 ，不便于检测者比较同-特征值的不同样本之间的差异 ，并且考虑到后面的神经网络的建立及输入值的大小等问题 ，可将所有特征值归-化到 0-1区间。线性函数转换 ，表达式如下u(x-min(min(x))/(max(max(x)-min(min(x))。

通过抽取的特征值可以看出正常轴承与故障轴承的差异性及相同状态轴承不同样本的重复性。但通常为更直观地比较正常轴承与故障轴承不同样本间的重复性以及正常轴承与故障轴承的差异性 ，常用 matlab作出它们的频谱特征直方图 ，通过图可以明显看出重复性与差异性 ，同时选取的特征频率点也能充分反应两种状态轴承的特征。

BP神经网络是由-个输人层 ，-个或多个隐层以及-个输出层组成的 ，上下层可以实现全连接 ，而每层神经元相互独立 ，没有连接。使用 BP神经网络时 ，需对其输入层、隐层、输出层进行具体的设计。设计神经网络的-般方法是 ：输入层的神经元数目应根据所要求解的问题及数据表示形式来确定 ，在故障诊断中 ，输人层神经元个数-般等于每个样本中包含的特征值的个数 ；输出层的神经元个数股可根据设计者的要求确定 ，在故障诊断中 ，-般将 BP网络用作分类器 ，例如测其轴承状态 ，只有故障和正常之分 ，确定的输出层神经元的个数则为 2个 ；隐层的神经元个数选择则比较繁琐 ，没有准确的式子可将其求解出 ，-般需要设计者多次试验来确定。隐层单元的个数与问题的要求与输入层、输出层神经元的数目都是相互联系的。

首先将已归-化的特征值作为BP神经网络的基础 ，按上述方法设计 BP神经网络 ，确定其各个参数。然后建立神经网络并对其进行训练 ，从而实现模式识别。

在滚动轴承状态监测过程中 ，样本数据是实验数据经分析处理后所提取的有效特征值。由前面假设提取的特征值个数可知 ，网络输入神经元个数应为n；网络输出为轴承状态 ，所以输出神经元个数为2。 对于轴承的不同状态进行识别 ，建立神经网络对它进行训练 ，确定隐层个数 ，计算出隐层神经元个数。

设网络的输出层神经元传递函数与隐含层神经元传递函数分别为 L、T，最大训练步数定为in，目标误差定为0.01。通过Matlab软件经过in次的训练后 ，网络隐层的神经元数目选为 BP网络对函数的逼近效果最好时的数目。

通过已确定的网络结构 ，对神经网络进行训练 ，经编程计算得到其训练步数。神经网络训练好后 ，需对神经网络进行测试～测得结果与期望结果进行比较，若测得结果与期望值-致，那么说明此数据的分类正确 ，也就是说前面建立起来的神经网络对轴承状态的识别系统是正确的 ；若不-致 ，需重新设计网络结构并进行计算。得到正确的神经网络 ，以后再对其他此类型的轴承状态进行检测时 ，只需将采集的数据输入这个网络巾 ，就可以根据它的输出结果正确的判别 此轴承的状态。

本文大体介绍了滚动轴承的优点及故障诊断的必要性 ，)t-针对具体故障对轴承进行了完整的故障诊断。对轴承故障诊断的重要性、信号分析、模式识别四个方面分别进行了阐述。针对具体故障进行研究时 ，进行了特征值提韧模式识别。提取特征值时 ，分别进行时域分析和频域分析。时域分析过程中得到了时域特征值 ，对时域特征值进行重复性和有效性检验后 ，确定了明显、稳定的时域特征值进行模式识别。频域分析采用了傅里叶变换 ，得到频谱图 ，经过重复性和有效性检验后 ，最终确定特征频率点。得到特征值后 ，就可以进行模式识别。本。 (下转第47页)2013年第9期总第129期S-LIC0N VALLEY并且同时采用防雷设计 ，每线提供 600W的抗雷击承受力 ，在这样的三重保险设计上 ，使智能转换网桥 CAN-232B具有了很强很高的抗干扰能力 ，大大提高此系统在恶劣环境中使用的可靠性与稳固定。

3关键技术3.1 ZigBee技术ZigBee技术是以低成本、低功耗、低复杂度为显著优点的短距离无线通信协议 ，其关键技术包括微功率网络传输技术和微功率网络定位技术 ，在满足小型化、低成本同时 ，实现了移动设备无线联网的要求。南于 ZigBee技术的收发拈体积小 ，功耗低 ，很容易直接芭在设备或T作人员的器械上 ，而且它们使用的是直序扩频技术 ，具有很好的抗干扰能力。

3.2红外线传感器技术红外线传感器技术作为-项现代信息技术 ，逐渐获得人们的广泛关注。红外线给人们的感觉是 ，觉得只有由热的物体放射出来 ，可事实却相反 ，凡是存在于自然界的物体 ，如人类、火、冰等等全部都会射 红外线 ，只是其波长因其物体的温度而存在着不同的差异。红外线又被称为红外光 ，它具有干涉、吸收、反射、散射 、折射等性质。任何物质 ，只要它本身具有-定的温度 (高于绝对零度 )，都能辐射出红外线。

人体的体温约为36cC～37℃，所放射出远红外线峰值为9Om 10 m。红外线传感器测量时不与被测物体直接接触 ，因而不存在摩擦 ，并且有灵敏度高 ，反应快等优点。

红外线传感器技术在矿产资源、海洋开发、生命科学、生(上接第102页)3单相整流电路应用中的选择因素如前文所述 ，单相整流电路类型多样 ，且各自的结构、性能、T作特点亦不尽相同 ，在使用过程中 ，需根据不同的需求实际进行相应的选择。在选择过程中 ，应该考虑的方面有很多。通常情况下 ，首先要进行考虑的即为整流电路的电性能 ，以及整流电路整体设计中其结构状况的简约性。除此之外 ，在整流电路的选择中还应考虑到经济因素的影响 ，在电路性能可以满足需求的前提下尽量选择性价比相对较高的电路类型。就副作用因素而言 ，可以考虑的因素如对电网的影响效果等 ，比较不同整流电路对于电网的影响效果较大还是较校只有多方面综合考虑 ，多方结合 ，方能恰当选择 适用的、理想的整流电路类型。

就单相半波可控整流器而言 ，其具有明显的优势以及不足之处 ，在应用过程中应进行充分的考虑。首先 ，此类整流器的电路相对简单 ，整流过程简单易行 ；同时 ，此类整流器的不足之处在于整流电压每周均会脉动-次 ，且脉动较大。此外 ，南义采 Lj BP神经网络进行模式识别。先是对输入层、隐层、输jff层分别进行没计 ，然后冉通过训练确定网络的最终结构。网络结构确定后 ，对神经网络进行训练 ，至达到训练目标。训练完后 ，对神经网络进行测试 ，获得正确神经网络。