基于声发射检测技术的转炉耳轴轴承故障诊断

本资料包含pdf文件1个，下载需要1积分

Fault Diagnosis for Converter Trunnion Bearings Based on AcousticEmission Testing TechnologyLu Qiao-qiao ，Li Min ，Yang Jian-hong ，Xu Jin-WU ，Hu Jun。

(1.School of Mechanical Engineering，University of Science and Technology Beijing，Beijing 100083，China；2.Angang Steel Co.，Ltd.，Anshan 1 14021，China)Abstract：Taking converter trunnion bearing as a research object，Acoustic Emission(AE)technology is applied to thefault diagnosis for the converter trunnion beatings by using a new method which employs the combination of PrincipleComponent Analysis(PCA)and Least Squares Support Vector Machines(LS-SVM).Firstly，the AE features are cal-culated，and then features are extracted by PCA to get the comprehensive feature parameters.The resuhs are put intoLS-SVM to achieve the pattern recognition.AE signals are acquired from the converter trunnion beatings in productioncondition.The results show that the proposed method is efective in distinguishing fault modes of the converter trunnionbeatings.and the accuracy of recognition is 97.8% 。

Key words：converter trunnion beating；fault diagnosis；least squares support vector machine；principle component a-nalysis；acoustic emission转炉是炼钢生产中的重点设备，耳轴轴承是转炉倾动机构的重要部分，支撑着炉体、液态金属、钢渣、托圈及其附件的全部质量和悬挂减速机的质量，耳轴轴承的工作状态对保障生产的稳定运行具有重要影响，-旦设备出现事故，将会严重收稿日期：2012-04-26；修回日期：2012-10-08基金项 目：国家 自然科学基金资助项 目(50905013，51004013)；高等学校博士学科点专项科研基金项 目(20090006120007)作者简介：路俏俏(1970-)，女，辽宁人，高级工程师，主要从事机械/电气设备故障诊断、生产ERP管理工作；黎敏(1980-)，女，广西人，副教授，从事机械设备故障诊断研究等工作，E-mail：limin###ustb.edu.an。

影响生产，导致重大经济损失。所以，对转炉耳轴轴承的监测具有重大意义。耳轴轴承转速在 1r/min左右，通常在 -95。～190。范围内进行非连续性旋转，大部分时间处于静止状态，只有在工序需要时进行时断时续的旋转。针对耳轴轴承负载重、转速低、非整周期旋转且旋转不连续等工作特点，传统的振动检测方法难以进行有效的诊断分析 J。因此，需要针对低速重载设备，研究新的检测技术和模式识别方法。

声发射(Acoustic Emission，AE)是材料受外力作用产生变形、断裂后，以瞬态弹性波形式释放应变能的现象。对滚动轴承而言，在无故障的状路俏俏，等：基于声发射检测技术的转炉耳轴轴承故障诊断态下，轴承各组成部分接触面问的相对运动、碰摩所产生的接触应力会诱发声发射信号。此外，由于润滑不良造成的表面粗糙 ，以及由于温度过高、载荷过大等原因而产生的磨损、裂纹、压痕等故障也会使得滚动轴承在运转过程 中产生声发射信号 。

在滚动轴承故障的早期，由于故障能量比较微弱，不能激起设备表面的振动，利用振动分析方法难以提取设备的早期故障。而声发射信号来自于缺陷本身，只要有故障存在且处于不断扩展状态中，都会以应力波的方式释放出能量，并能被高灵敏度的声发射传感器所接收 J。因此，声发射检测技术能够有效发现设备的早期故障，从而可以利用声发射信号对轴承的状态进行监测与诊断分析。

1 轴承声发射信号的模式识别方法采集不同状态下耳轴轴承的声发射信号，首先计算声发射特征值，然后利用主成分分析方法进行特征提取，再输入到最小二乘支持向量机中进行故障识别，最终实现转炉耳轴轴承的故障识别。

1.1 声发射的特征值计算为了客观描述-个声发射事件，通常需要计算多个特征值来刻画声发射的物理过程。常用的特征值主要包括：幅值、能量、上升时间、持续时间、振铃计数、均方根值、平均电平等。特征值的计算示意如图 1所示。

图1 声发射特征值的计算示意从图 1可以看出，幅值实质上是-个声发射信号的最大值；能量是信号检波包络线下的面积，是整个声发射信号强弱的体现；上升时间是信号第-次越过门槛至最大振幅所经历的时间；而持续时间则是信号第-次越过门槛值，到幅值最终降至门槛所经历的时间，主要体现信号的衰减特征；振铃计数表示越过门槛值的振荡次数，可以粗略反映信号的强度和频度；均方根值也称为有效值，以另-种方式反映了信号的能量大小；平均电平即为信号的平均值。通过上述分析发现，可以通过计算不同的特征值来全面反映-个声发射事件的本质信息。

1.2 基于主成分分析的特征提取由于各个声发射特征值之间存在-定程度的相关性，且高维数据的输入会增加分类器识别算法的复杂度，降低识别正确率，算法时间也将大幅延长。因此，需要对多维数据进行特征提龋主成分分析法是-种多变量分析方法，主要 目的是对多变量数据进行最佳综合简化，即在保证数据信息丢失最小的原则下，对高维数据进行降维处理，把原来存在内在关联的变量变为不相关的若干新变量，而这些新的变量将携带旧能多的原始数据信息，从而实现数据的特征提龋假设 是-个 ×m的数据矩阵，其中的每-列对应-个声发射特征值，每-行对应-个声发射样本。首先，将 进行标准化处理为 ，即按列分别减去均值除以标准差；其次，计算标准化数据矩阵的协方差矩阵 E；再求取协方差矩 阵E的特征值A ≥A ≥≥A 和对应的特征向量P ，P ，，P ；然后计算特征能量h∑A，L > 80%。 (1)∑A， l如果当前h个特征值的和超过全部 m个特征值总和的80%，则认为所对应的前h个特征向量保留了原信号中的绝大部分信息，则计算得到主成分为t E·P 1，2，，h。 (2)将这 h个主成分 tj构成新的特征值矩阵，并作为分类特征输入到分类器中进行模式识别。

1.3 基于最小二乘支持向量机的特征识别支持向量机(Support Vector Machine，SVM)是目前有效解决小样本、非线性和高维数据问题的新型机器学习方法。假设给定线性可分的样本集(X ，Y )， 1，2， ，n，n表示样本的个数，Y∈1，1。以两类分类问题来说明SVM的核心思想。首先要获得-个最优分类面，不仅能将两类样本正确区分，而且要使分类间隔最大，即需满足Yi[(w·Xi)6]≥L， (3)路俏俏，等：基于声发射检测技术的转炉耳轴轴承故障诊断l 茎三 蓁要 霎塞样品编号萋、 -样品编号 样品编号图4 A炉训练样本的特征值曲线0 3 00 600量三。羹2要0。

蓁：0 300 600 0 300 600样本编号 样本编号图5 B炉训练样本的特征值曲线比较试验 1与试验 2的结果可以看出：运用LS-SVM新的模式识别方法，核函数为线性核时，可以将传统 SVM方法的总体正确率从71.39%提高到80%，且运行时间缩短为原来的 10%，当使用高斯核函数时，也有类似的结论。

比较试验 3和试验 2的结果可以看出：利用PCA方法进行特征提润，再输入到 LS-SVM分类器中进行模式识别，总体正确率进-步提高到o 300 600样本编号97.8%。更重要的是，在试验 3中可以看出：通过PCA降维处理后的数据，使用线性核函数与使用高斯核函数的总体正确率非秤近。而在试验 1和试验2中，使用不同的核函数的总体正确率却有近 10%的差距，说明使用 PCA进行特征提取后，不必再使用复杂的高斯核函数，使用线性核函数就可同样得到较高的总体正确率，这样不仅降低了算法的复杂度，也缩短了算法的运行时问。

∞ 霉 军 ∞ 厘囊 ∞ 星营索叫瑚 瑚 加 0 4 2 06 4 2 百 9oI×- 器 妲 ∞ 厘窨蝼晕· 50· 《轴承2013.No.1表 1 转炉耳轴轴承分类识别结果经过现场油液分析的验证，4炉耳轴轴承处于正常状态，而 炉耳轴轴承存在磨损现象。为进- 步说明方法的有效性，以线性核函数为例，给出了利用试验 3的方法对两类样本分类的结果，见表2。

表 2 试验 3的分类结果从表2可以看出，对正常状态的样本分类正确率为 99%，对磨损状态的样本分类正确率为96.6%，说明所设计的分类器能够较准确地识别出两种不同的轴承状态。

3 结论(1)针对转炉耳轴轴承低速、重载、非整周期、问歇旋转的工作特点，采用声发射技术对耳轴轴承进行状态监测是-种新监测技术的有益尝试，可以为具有类似工作特点的设备提供参考。

(2)将PCA特征提取方法和 LS-SVM分类方法相结合，对正常和磨损状态下的转炉耳轴轴承进行故障识别，在使用线性核函数数时，总体正确率可达到 97.8%，且算法复杂度低 ，运算速度快，可为转炉耳轴轴承的在线监测与故障诊断提供有力支持。