基于matlab的滚动轴承智能监测应用实例分析

本资料包含pdf文件1个，下载需要1积分

滚动轴承广泛用于各类旋转机械n 。据统计，旋转机械中约30%的故障是由滚动轴承损坏引起 [21，因此，研究滚动轴承的故障诊断技术十分重要。若能通过监测轴承产生的异常信号、实时快速诊断出轴承的故障，从而及时维修更换轴承，则可有效减少企业经济损失，提高企业生产效率。

现在普遍的监测方法主要有：人工监测、空转实验、仪器监测等。监测效率最高、且精确的是用仪器监测滚动轴承运行状态。本文采用振动传感器和仪器对滚动轴承运行状态进行智能化监测。

1 信号的采集和基于matlab的信号处理分析预先采用振动传感器对正常轴承和同型故障轴承分别进行数据采集。测取的滚动轴承振动信号接人电荷放大器放大信号，再经A/D卡转换为计算机可以识别和处理的数字信号，再经DSP信号处理器对数据处理后接人计算机。形成正常数据采集样本和故障数据采集样本(实际处理中旧能多的采集样本，以保证结果的准确性)口 。

matlab是高性能的数值计算和可视化软件，它集数值计算、信号处理、图形分析等功能于-体，被称演算纸式的语言。计算机上可用matlab编程实现以下功能：时域分析 、频域分析、提取有效特征向量 。使用matlab分析处理的过程为：将采集的数据导人matlab，并绘制出时域图像；先对时域的信号进行快速傅里叶变换，通过读出数据 ，直接调用ft函数，并用plot函数绘出幅频曲线图，见图1。

现以故障轴承采集的数据G2015为例，(本文采集到故障轴承编号 ：G2015、G3015、G2515、G20610、G25610、G30610的运行数据；正常轴承编号：Z2015、Z3015、Z25 15、Z20610、Z25610、Z30610的运行数据)进行实例分析，相关matlab编程语言如下：n100 000；%采集的数据数fs10 000；%采样频率f0：1/10 000：9.999 9；%定义时I司变量，采样间隔reG2015-(sum(G2015)/n)；%零均值化subplot(2，1，1)；plot(t，m1；%作时域内的图像xft(G2015，n)；%进行fflyabs(x)；%求幅值户(0：n-1)fs/n；%横坐标频率的表达式subplot(2，1，2)；plot(f，y)；%作频谱图axis([O 5000 0 25001)G2015时域与频域的分析结果，见图1。通过对六组数据的分析，得到了监测数据的时域和频域图。从图看出，故障轴承和正常的时域图和频域图有很大的区别；但仅凭人的观察很难完全判断准确，需对收集数据的时域和频域图进行特征值的提取，并进行归-化处理形成-种模式。通过将提取到的特征值输入神经网络进行训练，以此利用神经网络可对轴承是否故障进行准确判断。

lIJIlJl lIl1.lJIl1JJ1J-川IlJjIⅢ1I1”I1I1iff” ifi11 I图1 G201 5时域与频域的分析结果1)对信号的时域和频域提取特征值：信号的时域特征-般包括：均值、方差、均方根、峰值、峰值因子、峭度系数、波形因子、裕度因子、脉冲因子。其在matlab中编程如下：fcsum(m-jz). 2)； %方差jfgsqrt(sum(m.2)/n)； %均方根fz(max(m)-min(m)/2； %峰值fzyzfz/jfg； %峰值因子收稿 日期：2013～01-24作者简介：张雅楠(1992-)，女，河北定县人，在读本科生，研究方向：测控技术与仪器专业。

· ll2·第3期(总第133期) 张雅楠：基于matlab的滚动轴承智能监测应用实例分析 2013年6月qdxssum(m.4)/((jfg.4 n)；%峭度系数bxyz(jfg n)，sum(abs(m)； %波形因子ydyzfz/(sum(sqrt(abs(m))/n).2； %裕度因子mcyz(fzn)/sum(abs(m)； %脉冲因子MAXmax(GY) %找出数组(命名为cY)中的最大值MINmin(GY) %找出数组(命名为GY)中的最小值GYJZ(GY-MIN)/(MAX-MIN)%求这组数据归-化之后的数组归-化处理后的各项数据形成-个数据表格进行对比，利用特征值相差特别明显、重复性好的特征，对神经网络进行训练。通过分析，选取峰值、峰值因子、峭度系数、波形因子、裕度因子对神经网络进行训练。

2)以故障轴承G2015与正常轴承Z2015为例，对其频域进行特征值提取，见图2～所有六组数据的频域特征值进行归-处理，并且列表分析。通过分析选取200 Hz、2000 Hz、3600 Hz、4000 Hz训练神经网络，从而利用神经网络识别故障轴承。分析对比各个已知故障轴承的故障原因，并将数据送人神经网络训练得到相应的输出，之后就可对未知故障轴承进行诊断。

图2 特征值提取2 人工神经网络在故障诊断中的应用人工神经网络(NN，Neural network)是由-组功能简单的信息处理单元在-定连接方式下构成的动力学系统，它以并行机制处理数据信息，具有自适应性、自学习、自组织的能力。-个基本的神经网络包括：神经元、网络拓扑结构、学习规则(训练法) 1。神经元的功能是求得输入向量与权向量的内积后，经-个非线性传递函数得到-个标量结果。神经元可形象地作为-个阀门，经对输入向量进行加权求和后，再与预先设定的阀值进行比较。如果大于阀值则输出某-结果，小于阀值输出另-结果。

神经元网络结构由输入层、输出层、若干隐含层构成：每-层都由若干个节点组成，每个节点表示-个神经元，上层节点与下层节点之间通过权连接，层与层间的节点采用全互联的连接方式，每层内节点之间没有联系。

目前，人工神经网络的实际应用中，大多数的模型采用前馈反向传播网络(Back-Propagation-Ne tw ork，BP网络)或其变形。标准的BP网络采用梯度下降算法，对非线性可微分函数进行权值训练的多层网络。

对于-个三层BP神经网络，只要隐层节点数足够多，就有逼近任意复杂的非线性映射能力。通用的隐含层神经元数的确定经验公式有 l： 干 .式中：为隐含层神经元的个数；妇为输入层神经元的个数；埘为输出层神经元的个数；a为常数、且1

3 BP神经网络预测的matlab实现1)训练前初始参数的选龋初始权值的选择-般在f-l，1)之间的随机数。学习速率的选择-般在O.0l 0.80之间。期望误差值-般作为对比，可同时对2个不同期望误差值的网络进行训练，最后通过考虑综合因素采用其中-个网络，本系统BP网络期望误差值为0.01。

2)权值的训练～已提取出的故障轴承和正常轴承的时域与频域特征归-化后的数据输人神经网络〃立-个3层BP神经网络，根据特征矩阵确定输人的特征为9项，即有9个输入神经元。通过经验公式计算隐层的神经元数量约为13。输出层设为-个神经元，当输人为故障轴承数据时，显示结果为0。mat-lab编程如下：Pgy %将归-化后的数据导A.matlab，并且命名为gY。

[O000 00 1 1 1 1 1 ll；% 创建-个新的前向神经网络net 1newf(minmax(P)，In，1，'tansig ，"purelin，J'"traingdm')%建立新的神经网络net，newff(输入，输出，f隐层数量及该层的节点个数I，f传输函数名，训练函数)；% 当前输人层权值和阈值inputWeightsnet 1.IW1，1inputbiasnet l-b1)% 当前网络层权值和阈值layerWeightsnet 1.LW2，llayerbiasnet 1-b2% 设置训练参数net1.trainParam.show50；net1.trainParam.1r0.05；net1.trainParam.me0.9：net1.trainParam.epochs1 0000；nel1.trainParam.goalle-3：% 调用 TRAINGDM算法训练 BP网络[netL1，tr]train(net-1，P，T)；% 对BP网络进行仿真Asim(netl，P)；%测试 [测试数据 ；sim(netl，x1神经网络训练结果，见图3。从图看出，对神经网· l13·第3期(总第133期) 机 械 管 理 开 发 2013年6月络训练到第575次时达到训练精度；收敛较快，效果较好。

图3 神经网络训练结果3)对建立的神经网络进行仿真测试。在 Matlab中设计完整的BP网络权值训练程序。训练结束后，通过查看 BP网络输出层的输出值是否符合预期要求，可分析出是否建立了较理想的故障诊断BP网络模型 。分别将6组正常轴承和6组故障轴承的特征值输入神经网络，利用matlab仿真语句：% 对 BP网络进行仿真Asim(net-1，P)；%测试[测试数据] ；sim(net-1，x1表1 对输入数据进行识别的结果数据样本 G2015 G2515 G3015 G20610 G25610 G30610识别结果 -0.O190 -0.036 5 0.054 8 O.OO9 5 -O.001 2 -0.009 0数据样本 Z2015 Z2515 Z3015 Z20610 Z25610 Z3O610识别结果 1.028 0 0.945 0 0.995 9 1.051 7 1.oo5 0 0.975 6从表1可看出，故障轴承的输出值均在0左右，正常轴承的输出值均在1左右〃立的神经网络收敛性较好，误差在范围内。

4 结束语滚动轴承状态监测是现代生产中的重要-环。对滚动轴承的运行状态进行智能化监测，可有效地减少企业损失、节约人力物力。通过采集轴承运行过程中的振动信号，将信号输人电脑，进行时域和频域的特征值提取，建立人工BP神经网络进行智能化识别，就能准确检测轴承的状态，根据训练的数据来源，不仅能识别本文所提到的故障和正常鉴别，还能识别到底是什么故障，能为维修工作提供准确信息。达到滚动轴承智能化监测的目的。