滚动轴承的故障诊断.doc

《滚动轴承的故障诊断.doc》由会员分享，可在线阅读，更多相关《滚动轴承的故障诊断.doc（10页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流滚动轴承的故障诊断.精品文档.滚动轴承状态检测与故障分析【摘要】滚动轴承是旋转机械中的重要零件,在各个机械部门有着广泛的应用。然而滚动轴承也是机器中最易损坏的零件之一有资料表明,在旋转机械中有70%的故障是由滚动轴承引起的，故研究滚动轴承的状态检测和故障诊断技术具有重要意义。本文通过分析研究轴承损坏的原因，选择合适的振动传感器来监测，对采集到的数据信号通过FFT频谱分析，利用MATLAB软件编程处理数据，再利用BP神经网络进行模式识别判断故障类型。本文的主要研究内容如下：第一部分论述了关于此课题提出的意义，已经现有的监测方法以及信号分析方法。

2、第二部分是介绍轴承状态监测的装置。第三部分是介绍对采集到的信号进行分析处理。第四部分是建立BP神经网络并对其进行训练，从而实现模式识别。第五部分是总结全文，表明提高对于轴承故障监测的诊断正确率具有重要意义。关键词：滚动轴承；状态监测；FFT；信号分析处理；BP神经网络；模式识别 关于滚动轴承的状态检测综述1、 滚动轴承故障检测的重要性 在国民经济中滚动轴承被称为“工业的关节”。轴承工业作为机械 工业的基础产业和骨干产业，其发展水平的高低，往往代表或制约着一个国家机械工业和其他相关产业的发展水平。在日本，人们常把轴乘称作工业的食粮，轴承工业被称为“机械工业的核心产业”、“提高国民生活的基础产业“

3、，受到日本政府振兴政策的保护与支持，是14个”特定机械工业“行业之一。 滚动轴承的应用非常广泛, 其状态好坏直接关系到机械设备的运行状态。有资料表明,在旋转机械中有70%的故障是由滚动轴承引起的,在齿轮箱的各类故障中轴承的故障仅次于齿轮而占到19%,电机故障中有80%表现为电机轴承故障。而滚动轴承的失效必然导致机械装置运行的不正常,甚至引发灾难性的后果,因此,对滚动轴承常见故障的研究显得十分重要。2、 轴承常见故障和轴承状态信号的采集 2.1滚动轴承常见故障以及产生原因 滚动轴承常见的故障主要有如下几种：（1）承受负荷的内外圈、滚动体(滚珠、滚柱等)表面磨损和剥落。造成滚动轴承的径向间隙、轴向

4、间隙增大；（2）磨损（由于滚道和滚动体的相对运动以及尘埃异物的侵入引起表面磨损。磨损的结果是配合间隙变大，表面出现刮痕或凹坑，使振动和噪声加大）；（3）塑性变形。轴承的滚道与滚子接触面上出现不均匀的凹坑（受到过大的冲击载荷、静载荷，或因热变形增加载荷，或硬度很高的异物侵入，产生凹陷和划痕）；（4）断裂（残余应力及过大的载荷引起轴承零件的破裂）；（5）锈蚀（有水分或腐蚀性化学物质进入，以致在轴承元件表面上产生斑痕或点蚀）；（6）轴承烧伤（由于润滑不良，或者高速重载，造成高温使表面烧伤及胶和）。 2.2状态信号的采集轴承的振动来源是在轴承运作过程中，其他的零构件作用于或传输到轴承上的力是不稳定的，

5、随时间的变化也在不停改变；即使是一个加工非常精密的轴承也会产生振动。但对于一个完好的轴承来说，轴承的接触力是时间连续的，此时的振动信号是一个普通的振动信号，要提取出其中特征。然而，当轴承元件的工作表面出现疲劳剥落、压痕或局部腐蚀时，轴承的性能就会大大降低，轴承运行中会出现表征故障的周期性的脉冲信号，当然，同样需要进行特征提取以便准确识别。这种周期性信号可由安装在轴承座上的传感器(速度计或加速度计)来接收，但其中也包含了机械振动，所以必须通过对振动信号的分析和处理来诊断轴承的故障。3、 应用于轴承状态的信号分析方法 信号分析的目的是提取出轴承的运行信息，有效地信号处理和运行信息提取是完成状态监测

6、和故障诊断的关键。在滚动轴承的状态监测中，对于信号特征的提取，采用的发放也是多样的。而通常的方法有以下一些： 3.1 Fourier变换 傅立叶分析提供了信号的频域分析方法，通过变换将时域和频率联系在一起，使在时域内隐藏的现象和特征在频域内显示出来。Fourier变换将信号由时域转换为频域分析。对于平稳性时间序列而言，这种方法物理意义明确、实时性也较高，到目前为止，FFT谱分析仍是对振动信号进行处理，提取回转部件运行状态变化和故障信息，实现大型旋转机械的故障诊断和运行状态监测。 3.2 小波变换(WaveletTransformation，WT) 小波变换是近年来出现的一种研究非平稳信号有力的

7、时频域分析工具，在不同尺度下由粗到精的处理方式，使其不仅反映信号的整体特性，同时也能反映信号的局部信息。由于小波变换的分析精度可调，使其既能对信号中的短时高频成份进行定位，又能对信号中的低频成分进行分析，克服了Fourier分析在时域上无任何分辨率的缺陷，并较短时Fourier变换能提取更详尽的信号信息。4、 滚动轴承故障信号的模式识别采用BP神经网络技术，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多

8、隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。5、总结 本章节主要论述了滚动轴承状态监测的重要性，常见的故障及产生原因，还介绍了信号的采集需要何种传感器以及采集到的信号有哪几种处理的方法，最后通过选用BP神经网络技

9、术来进行模式识别。希望达到的目的是：(1)能及时、正确地对轴承各种异常状态或故障状态做出诊断，预防或消除故障；（2）保证轴承发挥最大的设计能力，制定合理的检测维修制度，以便在允许的条件下充分挖掘设备潜力，延长使用寿命，降低设备安全寿命周期费用。近些年来，随着传感技术和信号分析技术的断发展将会使轴承故障诊断变得越来越可靠。二、轴承状态监测的装置一个完整的滚动轴承故障诊断系统应该包括数据采集和故障诊断两部分。其中数据采集部分用于采集和存储滚动轴承的振动信号；而故障诊断部分用于连续或者间断地处理振动信号，实现故障诊断，并将诊断结果显示出来。相关文献中研究者通过采集振动信号，再对振动按照振动方向和产生

10、机理进行了详细的分类 分析出各类特征信号的特征并应用相应的信号处理与识别技术判别故障类型，得到了很好的效果。数据采集系统的组成：加速度传感器、电荷放大器、A/D转换器以及计算机。传感器的选取应该遵循以下几条基本原则：（1） 测量精度、范围符合要求；（2） 性能稳定、可靠和重复性好；（3） 线性度好、测量线路简单、灵敏度高；（4）选用规范化的标准电源；（5） 其测量过程不干涉被测量状态。在本实验中，用的是加速度传感器。加速度传感器在测试技术中是关键部件之一。电荷放大器由电荷变换级、适调级、低通滤波器、高通滤波器、末级功放、电源几部分组成，是一种输出电压与输入电荷量成正比的宽带电荷放大器,可配接压

11、电式传感器测量振动、冲击、压力等机械量。其特点是将机械量转变成与其成正比的微弱电荷Q，而且输出阻抗Ra极高。 实验时，将加速度传感器至于轴承实验装置上，获取轴承的振动信号。将传感器测得的振动信号通过电荷放大器进行放大，并通过A/D转换器进行转换，转换成计算机能够识别的信号。在计算机上，通过MATLAB编程绘出信号的时域图，再进行傅里叶变换得到频谱图，并提取时域和频域特征值。最后，通过BP神经网络进行模式识别判断故障类型。三采集的数据分析与处理在测试中由数据采集所得的原始信号，在分析前需要进行预处理，以提高数据的可靠性和真实性，并检查信号的随机性，以便正确地选择分析处理方法。本设计中，我们采用零

12、均值化处理。零均值化处理又称中心化处理。信号的均值相当于一个直流分量，而直流信号的傅里叶变换是在 处的冲激函数，因此若不去除均值，在作信号谱分析时，将在 处出现一个大的谱峰，并会影响在左右处的频谱曲线，使它产生较大的误差。设采样数据为 (n=1，2，N)，其均值通过下式计算: =下式进行零均值处理: 处理后就得到以均值为零的一系列新信号，其中n=1,2N以G2015样本为例，将这组组数据分别做零均值化处理和不做零均值化处理，然后进行傅里叶变换，如下图所示：由图上可以看出零均值化后的数据的频谱图没有在处的冲击值，这样使得在两侧的频谱曲线，没有受影响，提高了频谱图分辨力。数据经过零均化处理之后，故

13、障轴承与正常轴承的对比图（时域）：由时域图形可以看出，故障轴承的时域振动峰值较正常轴承大。3.1在时域内分别抽取如下九种特征值： 均方根值，峰值，峰值因子，峭度因子，脉冲因子，裕度系数，波形因子。各特征参数的计算公式及物理意义：(1)均值：均值表示随机过程的中心趋势，随机过程都是围绕着它聚集和波动，是随机过程的静态分量。均值用于故障诊断的优点是检测值较峰值稳定。（2）方差：方差描述了随机过程在均值周围的散布程度，是随机过程的动态分量。（3）均方根值：其与轴承表面波纹等缺陷引起的无规则振动波形的异常有较好的相关性。 （4）峰值 峰值反映了信号偏离平均值的程度。（5）峰值因子：峰值因数表示波形是否

14、有冲击的指标。峰值因数不受振动信号的绝对水平所影响，所以传感器的灵敏度即使有变动，也不会出现测量误差。（6）峭度系数： 表示轴承振动信号振幅的规则性，当过大时则意味着有故障出现（7）脉冲因子 ： 反映了振动脉冲的频率 （8）裕度系数： 反映信号冲击程度的一个指标，对轴承的冲击故障较为敏感。（9）波形因子(Shape Factor): 可用来判定滚动轴承的损伤类型。（2）时域特征的提取时域特征值样本均值(e-015)方差均方值峰值峰值因子峭度系数脉冲因子裕度系数波形因子故障组G2015-2.1915260.780.36112.48056.869412.679312.326217.47481.79

15、44G2515 10.9141874.20.30612.23757.309110.577711.441514.99801.5654G30155.46972211.10.33252.44007.338311.236711.769115.66041.6038G20610-4.84682984.5 0.3863 2.5875 6.698212.593412.041817.12721.7978G25610-7.905121910.33102.40607.269310.290411.545115.3466 1.5882G306103.97692171.70.32952.48307.535211.5277

16、12.085916.04931.6039正常组Z20150.024802290.70.33841.71605.07054.00956.60747.95671.3031Z2515-4.10641954.40.31261.68455.38874.14037.00258.38261.2995Z301510.6692015.80.31751.49554.71064.15316.11497.31481.2981Z20610-0.44672041.20.3195 1.40004.38233.62735.64376.75121.2878Z256107.39081983.20.31491.47354.6793

17、3.88326.08617.32531.3006Z30610-0.01222047.80.32001.70055.31433.97586.91388.31151.3010列出时域参数的数字表后可以简单分析，故障轴承和正常轴承在方差，峰值，峭度系数，裕度因子，脉冲因子，波形因子差别较为明显，而在均值，均方根值差别不明显。3.2频域分析方法 3.2.1频域参数频域特征参数指标主要有重心频率FC、均方频率MSF、均方根频率RMSF、频率方差VF、频率标准差RVF。各频域特征参数指标的计算公式如下： 重心频率： 频率方差： 均方频率： 均方根频率： 频率标准差： 其中：为i时刻的功率谱所对应的频率值；

18、为i时刻的功率谱幅值。由于实际计算机计算时，频谱要离散化，分析频率受采样频率fs 的限制。为了能实现对轴承的在线监视与诊断，希望能快速算出以上参数，利用傅立叶变换性质，可得出上述三个参数的时域快速算式如下：其中，为采样时间间隔，N为采样点数。 频域参数特征提取列表如下：状态样本 频域重心频率频率方差均方频率故障G2015297.5159858500947020G2515648.574016439002064500G3015708.480117533002255200G20610324.16139267201031800G25610635.146816183002021700G30610601.

19、082215520001913300正常Z2015485.032113075001542800Z2515527.810314019001680500Z3015518.839813820001651200Z20610540.025414273001718900Z25610516.912513782001645400Z30610516.520813771001643900求均方频率的程序： 求重心频率程序：for i=2:20000 for i=2:20000X(i)=(x(i)-x(i-1)/(1/10000)2; X(i)=(x(i)-x(i-1)/(1/10000)*x(i);end end

20、Y1=sum(X); Y1=sum(X);for i=1:20000 for i=1:20000w(i)=x(i)2; w(i)=x(i)2;end endW=4*pi2*sum(w); W=2*pi*sum(w);Ym=Y1/W Yf=Y1/W从频域来看，正常信号关于这三个特征量的取值比较均匀，也就是说重复性比较好，这三个频域特征量可以作为分辨轴承是否是正常轴承的一个判别依据。3.3对信号做FFT变换，找出频谱图特征点。通过进行FFT分析得到两种状态（正常和故障）的频谱图。比较的方法是将在变频器在同一频率下采集的故障数据与正常数据的频谱图进行比较，找出差异性。如图所示，大致在几个频率点附近的

21、频谱幅值差异很大，为了确定是否可以用以下的几个频率值来作为区分轴承是否正常的频域特征值，做其他样本的对比，如下。样本G2515与样本Z2515的对比，如图样本G3015与样本Z3015对比，如图样本G20610与样本G20610对比，如图样本G25610与样本Z25610对比，如图样本G30610与样本Z30610对比，如图对于六个样本的分析，可以选取198.5HZ,2000HZ,3602HZ,3936HZ,4000HZ,4341HZ,抽取这几个点的幅值。状态样本198.5HZ2000HZ3602HZ3936HZ4000HZ4341HZ故障G201526.01202.599949.709101

22、.86.848G251526.83116.6165.429.5810.444.588G301567.9793.38134.622.1516.223.05G2061052.54159.488.2112.7614.9512.18G2561035.2746.36145.235.6823.532.121G3061062.98143.9154.413.6425.867.464正常Z2015247.321.1216.08260.1275106.8Z2515246.613.2723.45239.5299.9130.5Z3015247.210.458.08246250.4122.5Z20610179.116.

23、93.013289.7274.3131.7Z25610234.637.269.934281232106.9Z30610178.131.7124.03219.6327.3106.23.4功率谱密度的分析我们这里选用Welch法估计，Welch功率谱密度就是用改进的平均周期图法来求随机信号的功率谱密度估计，Welch法采用信号重叠分段，加窗函数和FFT算法等计算一个信号序列的自功率谱。针对本实验数据，参考相关文献，采用分段为4096（），分段序列重叠的采样点数的长度2048，数据长度选用。G2015与Z2015样本对比：G20610与Z20610样本对比：G2515与Z2515样本对比：G2561

24、0与Z25610样本对比：G3015与Z3015样本对比：G30610与Z30610样本对比：提取频率为2000HZ,3940HZ,3999HZ,4336HZ四个点为特征值。状态样本2000 HZ3940 HZ3999HZ4336HZ故障G20150.60170.01750.04670.0089G25150.15690.03790.06950.0129G30150.05850.02390.06230.0119G206100.41960.0140.01850.0137G256100.06560.01640.05190.0157G306100.17460.01970.07070.0222正常Z20

25、150.00721.21001.3160.2724Z25150.01080.94291.4780.2417Z30150.01531.091.3090.2304Z206100.009561.3061.8410.295Z256100.02031.5270.73260.1863Z306100.02170.72341.3720.0598从数据可以看出有很好的重复性，可以用来判别轴承是否正常。3.4特征值归一化由于各个特征值的幅值大小不一，不便于比较同一特征值的不同样本之间的差异。并且考虑都后面的神经网络输入值大小。本文将所有特征值归一化到01区间 故障组G2015G2515G3015G20610G25

26、610G30610时域参数0.30361.00000.71070.162500.631400.59240.71611.00000.70870.70160.685800.32921.00000.31050.29180.90990.70530.87581.00000.84720.91200.78880.92830.93750.73450.91571.00001.00000.76780.84060.99050.73610.87281.00000.86760.91660.95740.88310.96401.00000.76900.83080.96760.80150.86710.99330.54430.

27、61961.00000.58900.6198频域参数00.85421.00000.06480.82160.738700.87771.00000.07620.84910.775000.85421.00000.06480.82150.7386FFT谱参数00.00370.18960.11990.04180.16711.00000.55270.43180.77560.18700.69490.59691.00000.81030.52470.87560.932300.07100.04440.01090.09280.01400.288300.01820.01420.04130.04870.03650.01

28、900.16150.077600.0412功率谱密度1.00000.25180.08630.69370.09820.28160.00230.01580.006500.00160.00380.01550.02800.024000.01830.02860.00000.01400.01050.01680.02380.0465 正常组Z2015Z2515Z3015Z20610Z25610Z30610时域参数0.42140.20190.98700.39630.81280.41940.74530.62180.64430.65370.63240.65610.40270.08100.14210.16710.1

29、0970.17330.26610.23960.080400.06190.25310.21830.31920.104100.09420.29560.04220.05670.058100.02830.03850.14420.20330.070500.06620.19010.11240.15210.052600.05350.14550.03000.02290.020200.02510.0259频域参数0.45630.56040.53850.59010.53390.53290.50180.60730.58500.63570.58080.57960.45540.56070.53830.59000.533

30、90.5327FFT谱参数1.00000.99680.99950.69180.94260.68730.05560.014700.03360.13960.11070.08050.12590.031200.04260.12940.89430.82070.84391.00000.96890.74960.83490.91350.75730.83270.69921.00000.80780.99070.92901.00000.80860.8032功率谱密度00.00610.01360.00400.02200.02440.79050.61390.71120.85391.00000.46890.71190.80080.70811.00000.39180.74270.92100.81370.77421.00000.62010.1779为了直观的观察与比较数据，分别做出了时域，频域，FFT谱参数，功率谱密度，FFT谱参数，功率谱密度的直方图。图1-4 四 模式识别