滚动轴承状态监测

FaultDiagnosisOfRollingBearing轴承故障诊断1.1、轴承状态检测的意义：伴随着科学技术的发展，现代化设备日趋大型化、自动化和连续化。设备一旦发生故障将给产品的质量、乃至人员的生命安全构成严重威胁，因此，企业在设备的维护中花费了大笔费用，以保证其安全运行，如今，保证设备的正常运行，最大限度的减少费用，保证安全，设备故障诊断无疑成为解决这些问题的重要手段。例如滚动轴承，作为机电系统中非常重要的零件，同时又是极易受损的零件，而滚动轴承的状态对工业生产、交通运输等很多方面有很多影响。对于工业生产来说，如果能随时地检测到轴承的工作状态，并进行恰当的维护，将会给生产带来更大的经济效益。然而对于交通运输来说，只有保证列车滚动轴承工作在良好的状态下，才能保证旅客的安全，以及运输系统的正常运作。据统计，在使用滚动轴承的大多旋转机械中，约30%的机械故障是由滚动轴承造成的。文献①，由于设计不当和安装工艺不好或者是使用状态不佳，或突发载荷的影响，使轴承在正常运行一段时间之后，产生缺陷，并且在继续运行中进一步恶化，使轴承的运行状态发生变化。因此，对轴承故障的诊断就显得十分重要。1.2、轴承状态检测常用方法：1.2.1、温度法：用温度传感器检测轴承座或轴承外的箱体处的温度，来判断轴承的工作状态是否正常。温度检测对轴承载荷、速度和润滑情况的变化比较敏感，尤其对润滑不良而引起的轴承过热现象很敏感。但是，当轴承出现早期点蚀、剥落、轻微磨损等比较微小的故障时，温度检测就无能为力了。因此，这一方法有其明显的不足。文献①1.2.2、油样分析法：从轴承所使用的润滑油中取出油样，通过收集和分析油样中金属颗粒的大小和形状来判断轴承的受损情况。但是这种方法只适用于润滑有轴承，对于脂润滑来说，就不适用了。同时，可能受到从外围部件上掉下的颗粒的影响，使判断结果的准确性受影响。这种方法也有其局限性。文献①1.2．3、振动信号分析法：通过安装在轴承底座或箱体恰当位置上的振动传感器检测轴承的振动信号，并对采集到的信号进行分析和处理来判断轴承的状态，振动法具有如下优点：FaultDiagnosisOfRollingBearing一、适用于各种类型，各种工况的轴承。二、可以有效地诊断出早期的故障。三、信号的测试及处理简单。四、诊断结果十分可靠等。因此在实际中得到了广泛应用。文献④1．3、国内外研究的概况及趋势：文献①目前，国内外开发生产的各种滚动轴承的诊断仪器和系统大多都是根据振动法制成的。滚动轴承故障诊断始于上世纪六十年代，随后，各种方法不断发展，不断完善，大致经历了如下几个阶段：第一个阶段：利用通用的频谱分析仪诊断轴承故障。第二个阶段：用冲击脉冲技术诊断轴承故障。第三个阶段：用共振解调技术诊断轴承故障。第四个阶段：开发以微机为中心的监视与故障诊断系统。目前的研发属于第四个阶段。并且随着信号检测技术、计算机技术、数字信号处理技术、人工智能的发展，故障诊断已经成为融合了数学、物理、力学等自然科学，以及计算机技术、数字信号处理技术、人工智能技术相结合的综合学科。当今故障诊断的趋势是传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术的智能化。1.4、常用分析方法：1.4.1、时域波形分析法分析过程包括时域波形、调幅解调、相位解调等。文献⑤1.4.2、频域分析法主要通过对功率谱、细化谱的分析。文献①1.4.3、时频域分析方法该方法主要包括：包括短时FFT，维格纳分布，小波分析等;文献③1.4.4、双谱分析法该方法可以敏感地检测滚动轴承的工作状态，并且利用特征图谱可以有效识别轴承的不同故障。文献④1.4.5、基于EMD的时频分析法EMD是一种具有自适应能力的平稳化处理方法，是目前提取数据序列趋势或均值的最好方法，广泛应用于地震监测、故障诊断等研究领域。文献⑤FaultDiagnosisOfRollingBearing1.5、运行状态识别：1.5.1、支持向量机——该方法利用有限的故障样本,以结构风险最小原理为基础,建立滚动轴承早期故障特征与其运行状态之间的对应函数关系,即故障分类器,并以该函数的输出判定轴承的早期故障类型。实验结果表明,小波包分析能够有效的提取滚动轴承中微弱的早期故障特征,支持向量机可以对这些早期故障特征进行准确识别。文献②1.5.2、连续隐Markov模型(HMM)——小波-HMM可以在变转速变载荷工况下以及未知转速情况下对滚动轴承的各种故障有效地进行诊断。文献⑦1.5.3、BP、RBF和PNN神经网络模型——利用声发射在线检测系统对故障滚动轴承进行测试,提取不同故障轴承声发射信号特征参量作为神经网络输入向量,并分别用3种神经网络对滚动轴承故障模式进行识别.结果表明,采用BP神经网络的声发射信号识别技术的正确识别率略低于其余2种的识别率;RBF和PNN网络的分类结果相同,且在分类能力和学习速度方面均优于BP网络.。其中，BP神经网络是前向网络的核心部分，体现了神经网络中最精华、最核心、最完美的内容。文献①BP神经网络是由Rumelhart等在1986年提出的一种监督学习的人工神经网络，它采用误差反向传播训练算法（Back-Probagation简称BP算法）来进行，系统地解决了多层网络中隐含单元连接权的学习问题。目前，在人工神经网络的实际应用中，绝大部分神经网络采取的是BP神经网络和其变化形式，也是前向网络的核心，体现了神经网络最精华的部分。文献②中，作者从包罗信号的时域和频域信号中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入，用BP算法对该网络进行训练，很好地实现了对滚动轴承的故障诊断。文献⑤1.5.3.1：人工神经网络吸取了生物神经网络的许多优点，因而有其固有的优点：高度的并行性；（一）、高度的非线性；（二）、良好的容错性与联想记忆功能；（三）、很强的自学习能力和对环境的适应能力。1．5.3.2：神经元模型如下：文献⑧FaultDiagnosisOfRollingBearing文献⑧神经元模型是神经元的基本处理单元，它一般是一个多输入、单输出的非线性元件。文献①1.5.3.3:BP网络包括三种网络层，分别是输入层、隐层和输出层，其中隐层可以是多层，也可以是单层。神经网络层次结构如下：文献⑧文献⑧1.6、文献综述总结：1.6.1、轴承状态检测常用方法有：油样分析法、温度法、振动信号分析法等。其中最为广泛应用的是振动信号分析法。1.6.2、国内外研究的概况及趋势大体上为：以及计算机技术、数字信号处理技术、人工智能技术相结合的综合学科。以及传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术的智能化。1.6.3、常用分析方法：时域波形分析法、频域分析法、时频域分析方法、双谱分析法、基于EMD的时频分析法。其中时频分析法应用尤为广泛。1.6.4、常用的运行状态识别方法：支持向量机、连续隐Markov模型(HMM)、BP、RBF和PNN神经网络模型。其中神经网络模型的应用尤为广泛，而神经网络的算法中，后向传播BP神经网络的应用最为广泛。FaultDiagnosisOfRollingBearing2、轴承状态监测装置2.1、传感器的选择2.1、振动传感器的型号、性能选择，是振动传感器获得精确测量结果的前提。振动传感器的选型受很多因素影响，其中振动传感器的灵敏度和振动传感器的频率范围，是选型中的重点，决定了振动传感器在实际测量中的表现水平。振动传感器的频率范围是指以指定频率点的灵敏度作为基准，在一定灵敏度偏差内的频率范围。振动传感器在选择时，如果选择灵敏度高的，则高频截止频率较低、振动传感器质量重，反之振动传感器的体积小、重量轻，但灵敏度相对较低。振动传感器的测量频率范围除了和灵敏度相关之外，还取决于振动传感器本身的安装方式。振动传感器的使用频率范围必须配合适当的安装方式，否则过度追求振动传感器的测量频率范围，会导致振动传感器的安装困难，也会增加振动传感器的购买成本。振动传感器测量频率范围和灵敏度是用于估量测量结果精确程度的指标，反过来说，了解所要测量的振动量，对振动传感器这两个指标的选择也有很强的指导性意义，因此在选择振动传感器前，可以先对振动量进行估计，而后选择合适的振动传感器指标。振动传感器的选型，在估计振动量，并确定最大和最小的测量值的前提下，应考虑振动传感器的外在尺寸和频率范围条件，而后确定振动传感器的灵敏度，当然在以上条件许可的情况下，灵敏度的选择是越高越好。2.2、振动传感器的分类：2.2.1、振动传感器按测量的机械量不同，能分为：振动位移传感器、振动速度传感器、振动加速度传感器、振动力传感器、振动应变传感器、扭振传感器和扭矩传感器等。轴承加速度传感器数据采集系统轴承故障诊断系统FaultDiagnosisOfRollingBearing2.2.2、振动传感器按机电变换原理的不同，分为：电压式振动传感器、压电式振动传感器、电涡流式振动传感器、电感式振动传感器、电容式振动传感器、电阻式振动传感器、光电式振动传感器等。2.2.3、首选压电传感器，因为压电式传感器因其频域宽、动态范围大、可靠性高、使用方便等，应用十分广泛。压电加速度传感器是利用压电晶体的正压店效应。其原理是某些晶体在一定方向外力的作用下或承受变形时，它的晶体表面或极化表面将会有电荷产生，这种从机械能到电能的变换叫压电效应。压电式传感器测试的示意图如下：前置放大器的作用：一是放大压电元件的微弱信号；二是高阻抗输入变为低阻抗输出。前置放大器的类型：电压放大器电荷放大器2.2.4、影响压电式传感器选择的主要因素：2.2.4.1、灵敏度。压电传感器的灵敏度分为电荷灵敏度Sq和电压灵敏度Sv。2.2.4.2、频率。一、低频振动，振动传感器的频段可选为：0.1kHZ—1kHZ。二、中频段振动：机械设备中的振动一般是中频段振动，可根据设备振动及设备刚度等综合估算振动频率，大致范围为：0.5Khz—5kHZ。三、高频振动。由碰撞和冲击引起。FaultDiagnosisOfRollingBearing2.2.4.3、由计算公式确定轴承故障时的大致特征频率的一般公式：滚动体缺陷：222cos12dDffdDfrab内滚道缺陷：cos12dDffZfrai外滚道缺陷：cos12odDffZfra当外圈滚动内圈静止时：rf=0；当内圈滚动而外圈静止时：af=0.其中：Z为滚动体数目；为触角；bf为滚动体公转频率；rf为内环的旋转频率；of为外环的旋转频率;d为滚动体直径。当内圈静止，再选定Z、就可确定内、外圈故障时的特征频率。进一步确定相应频段的压电传感器。2.2.5、传感器具体型号选择在本系统中，传感器选用的是CA-YD-117压电式陶瓷片2.3.1、电荷放大器基本电路如下：2.3.2、电压放大器：高输入阻抗的比例放大器ffKCCCKqU)(0FaultDiagnosisOfRollingBearing20im/1wwQwRUiCCCCQa电压放大器输出电压与电容C=Ca+Ci+Cc密切相关，连接电缆的长度与形状变化，会给测量带来不稳定因素，影响传感器的灵敏度。因此，现在通常采用性能稳定的电荷放大器。2.3.4、电荷放大器的选择本系统中，电荷放大器选用TS5863多通道电荷放大器，该仪器具有3位十进制的传感器灵敏度调节器，可适应不同灵敏度的压电传感器，以得到归一化的输出，有6档接近10分贝的量程供切换，从而提高信噪比。通道数：4,6,8输入电荷量：0～±10^5pC归一化调节：1.00～9.99pC/Unit额定输出：1mV～10V/Unit(1,3分档）频响：0.3～100kHz低通滤波器：30,100,300,1k,3k,10kHz,LIN输出：±10Vp/10mA;零点：≤±5mV噪声：≤1mVrmsqCaRaCcCiRieiey压电传感器电缆电压前置放大器NAFaultDiagnosisOfRollingBearing电源：220V,50Hz尺寸：300×144×