针对滚动轴承故障的检测方法

开篇：润墨网以专业的文秘视角，为您筛选了一篇针对滚动轴承故障的检测方法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要 在对滚动轴承的故障检测过程中，首先用传感器采集数据，通过计算机对数据进行零均值化处理，提取时域、频域特征值，然后进行数据归一化，根据所取数据建立神经网络并对其测试，正确的神经网络为以后轴承检测提供方便。

关键词 滚动轴承；Matlab；时域、频域特征值；神经网络

中图分类号：TH133.33 文献标识码：A 文章编号：1671—7597（2013）051-113-01

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一种精密的机械元件。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一类轴承。

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，经一系列计算，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，其目的一方面可以提高数据的可靠性、真实性，另一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，再对各个样本一一进行特征抽取，获得频域特征值。由于各个特征值的幅值大小不一，有时甚至相差很大，不便于检测者比较同一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，可将所有特征值归一化到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神经网络是由一个输入层，一个或多个隐层以及一个输出层组成的，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。设计神经网络的一般方法是：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，输入层神经元个数一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，一般将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，一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。

首先将已归一化的特征值作为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m，目标误差定为0.01。通过Matlab软件经过m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。将测得结果与期望结果进行比较，若测得结果与期望值一致，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；若不一致，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中，就可以根据它的输出结果正确的判别出此轴承的状态。

本文大体介绍了滚动轴承的优点及故障诊断的必要性，并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，进行了特征值提取和模式识别。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。本文采用BP神经网络进行模式识别。先是对输入层、隐层、输出层分别进行设计，然后再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。

参考文献

[1]轴承工业协会编著.滚动轴承检验与检测[M].河南人民出版社，2010.

[2]王红军.滚动轴承测试技术[M].机械工业出版社，2008.

[3]张梅军.机械状态检测与故障诊断[M].国防工业出版社，2008.

[4]许丽.基于PCA的滚动轴承故障检测方法[M].计算机仿真杂志，2010.