用MRA和神经网络自动诊断滚动轴承

机械系统和信号处理24(2010)289-299----------------------------------------------------------机械系统和信号处理--------------------------------------------------------------------实例历史：用MRA和神经网络自动诊断滚动轴承MAQLABGroup,MechanicalDept.,UniversidadCarlosIII,Av.delaUniversidad,30,28911Madrid,Spain----------------------------------------------------------------------------------文章信息：文章历史：2007年11月29日被2009年6月4日修改被认可2009年6月11日被公认2009年6月27日在网上公布关键词：微波虚拟网络故障诊断预前维护模糊分类----------------------------------------------------------------------------------摘要：任何工业都需要一个有效的预期计划来优化物力资源，并且通过减少不必要的开支来提高公司的经济效应，优化生产的安全级别。在富有成效的生产过程中，大部分破坏是由轴承导致的。他们从他们的使用的早期阶段就开始恶化，也被称为初期阶段。这份手稿发展滚动轴承的自动诊断基于震动信号的分类与分析。这项工作的新颖的方法是应用提出了准实体数据工业机器,在支持滚动轴承径向与轴向联合负荷轴承的设计。多分辨率分析科学用于为了提取第一阶段的最有趣的特征和信号。这个特征将会作为监督神经网络的输入用在第二阶段已达到分类的目的。实验性的结果被得出了，在一个真实的系统中得到轴承在初始阶段四个稳定的运行条件的方法。©2009ElsevierLtd.Allrightsreserved----------------------------------------------------------------------------------1.简介：当今世界所有的旋转机器都会产生故障。维护计划包括分析重要组件的外部信息来评估他们的内部状态。因此，轴承的损坏只是旋转机器故障的普遍原因。实时在线监测可以提高早期检测与故障诊断自动化,但有一个更可靠的和更快的数学方法是必需的。滚动轴承隐患的分类是一个开放的研究方向。还没有太多与这个问题有关的工作。在最近两年，有名望的出版社仅仅推出了四五篇与滚动轴承初期诊断有关的论文【1,2,7】。在这些论文中，从一个实验室收集的数据不包括对滚动轴承的设计非常重要的径向载荷，可能最重要的原因之一是在工业中那些轴是来传递能量的。径向滚动轴承是用于支持在轴上的负荷传输：主要的，连接到轴的不同元素所提供的径向载荷的(齿轮、曲柄等)和自己的质量，在工业机器中也是不可小视的，并且某种程度上轴向载荷也不一定重合。在这篇论文中，滚动轴承载荷的应用已经包括在试验计划中。不同作者的不同观点导致由于球和环接触圆弧而产生的缺陷的分类更加困难。最大限度上的发展是由Harris[3]完成的，接触面积的宽度和径向载荷的平方根成正比。那就是说，轴承提供的径向载荷越大，那么接触的椭圆面积就越大。假如这样，那么球和环的接触不能被考虑成一个点，所以潜在故障就会隐埋在这个接触面，使得我们难以被发现他们。这里有两个阶段来实施故障诊断过程：第一，特征提取和噪声减少的信号处理；第二，在前一阶段得到的信号基础上进行分类。大部分与轴承故障诊断的研究同意以此为目的的振动信号，在滚动体运行发生故障时出现不稳定信号的特征。近几年，不同的技术被用于处理由动力系统提供的信号。大部分作者用三种方法分析振动信号的分类：基于统计参数的时域，比如，平均值、均方根、方差、峰值等。频域，在过去这个是傅里叶变换（FT）和反变换最常用个地方；时-频分析，比如，小波变换（WT）。这最后一种方法是信号不稳定特征最常用的方法。最经典的方法是能量光谱密度（PSD）和解调方法（基于频域）。第一种方法给我们一个从快速傅里叶变换（FFT）获得每个频率峰值能量的方法。这个解调方法或者轨迹分析是由从当时信号的轨迹所获得的光谱组成（基于希尔伯特变换）。这些方法在实验条件下已经被证明是有用的来检测轴承故障（不是在初始阶段），当那里的其他输入源的故障被忽略或排除。在这个实例的初始阶段，这个光谱的振幅是非常低的并且其他的方法是被需要的。微波变换被成功的用做故障特征提取者根据好的能量集中性能。Pengetal.In[11]发行了一刊关于微波变换在机器的检测和故障诊断应用的书籍性的评论。微波变换的主要缺点，和形式转变的基本功能的选择相分离，那就是他不能够分离机器操作失败信息的高频段的表现。这个问题在1997年被Liuetal.提出的微波包变换（WPT）解决了.微波包变换是一个给出了适当频率段划分的多分辨率的分析技巧。然而大部分用WT在故障诊断的作者正在开发一个方法来摒弃获得的较少的代表系数从而到达下一个分类阶段(例如,Chenetal.开发的门槛方法)。微波包系数可以直接作为特征来使用，并且他们具有高的灵敏度来发生故障。总之,许多故障特征可以被获得,主要是和微波系数或微波能量。既然微波系数将会突出那些经常预测故障发生的信号的变化，那么微波系数的基本特征是适合故障检测。然而，因为信号微弱的变化通常带有能量，那些变化在微波能量基本特征中将会很容易被掩饰所以,微波能量基本特征不能够发现初期的故障。信号处理是轴承故障诊断系统中一个非常重要的项目。然而，为了获得一个推测一个获得旋转要素真实条件的监测系统，一个分类系统是被需要的。故障诊断的新趋势是试着去开发智能的分类系统。初始的研究在被发现在十四十五世纪。卢、苏达权等在文献[2]在轴承中使用了一种模糊分类器的故障诊断,基于用作特征向量发生器的离散微波变换的应用。Huetal.用了一个支持向量的机器组在文献【1】中，并且这个领域其他的研究人员用了遗传算法[16]或神经网络[17,18]做为分类的要点。目前的研究工作,用WPT和神经分类器来处理滚动轴承的振动信号是为了发现他的四个受力状态。这个原稿的检测程序流程图如图.1.所示。提出的方法论用直接的方法来执行诊断程序，没有发展其他作者开发的探测和识别任务[2,1]。在这种意义上，振动信号把那些将要被立刻处理的输入信号描绘给监测系统，为了获得组件条件和状态。随后，一个预先训练好的分类器系统将会提供系统状态的诊断。这种方法降低了诊断过程中人为因素的影响。Fig.1.诊断程序流程图2.实验装置：获得的振动信号多亏实验室后提供的如图.2,在这个由UNED机械部门发展的实验室，FAG7206B单球轴承进行试验研究.在图中，从右手边开始，接下来的可以看见的是：轴向和径向气缸，轴承装配，一个B&K4383型8.5千赫带宽的加速度计，一个测量每分钟多少转的转速仪，一个传动皮带轮直接由V型带和电机连接。额外的采集装置是一个B&KNEXUS放大器，一个DAS-1200Keithley的采集卡。采样率被设定在5000HZ，并且每个被获得的信号由5120个点，从这个试验系统获得了四套实验数据：1、在正常条件下；2、内环故障；3、外环故障；4、球故障；Fig.2.轴承试验台.UNEDLab.Fig.3.轴承故障:(a)内环;(b)外环在内环或者外环上有一个2mm长的认为用电笔留下的凹陷。在这个例子中的滚球，在其表面形成多重的插槽来模仿flacking现象。轴承破坏的环如图.3所示。径向和轴向的载荷分别为2.5bar和3bar，一共用了196轴承测量获得，49个的是在600RPM下进行的。平行研究是在1200RPM和1800RPM下进行的。正如文献所说的，每个类型的故障有他的特征频率【19】.这个实验(FAG7206B)中用到的球轴承导出球轴承在600RPM运行时的频率：BPFI(球通过频率—内环):75.39Hz.BPFO(球通过频率—外环):54.60Hz.BSF(球旋转频率—滚动体):23.34Hz.Fig.4.实验数据和第一次处理:左、实验装置的四个赋存条件的原始数据(加速度[m/s2])；右，每个信号的光谱PSD[mV2/HZ].然而,那些频率不能被观察在轴承恶化发展的最初阶段的光谱图中，那就是说,当最初的故障发生时.另外一方面,由于不同的连接原理会有不同的频率在这个光谱中出现。在图.4,从滚动轴承四个赋存条件的实验设施获得的信号和频谱被提供。在这个图中,一些感兴趣的频率可以被看出，我们需要对原始数据的预，处理来获得初期故障特征的有用的信息，主要为了轴承的最后两个条件(外环和内环故障).试验机器和工业机器主要的不同是前者被考虑到通过实体的成型加工，没有摩擦和完美的配合与平衡,但在现实机器的实例中,这是不真实的.真如图.4,轴承条件特征频率,通常,一个非常低的振幅在初期,并且由于噪声和其他机器的振动可能被掩盖。3.信号处理工作：在这个原稿,功率谱密度（PSD）的分析和轨迹被画出(Fig.4).这个结果不是让我们预知潜在的隐患,由于周围频率提出的频率的数值。在评估这个结果后,我们推断,当一个工业机器在运行，有很多因素来增加振动信号，一个排除没用信号的滤波器是不容易落实的。一个微波变换让我们作为第一个滤波器把不稳定特征加给信号。细节级别获得的参数让我们产生一种模式分类问题上的兴趣。这个被推荐的方法让我们自动化的完成维修过程在真正的生产中。为了信号处理目的的一些见解被暂时提出。微波分析对不稳定信号有更好的性能优点，一套微波代表一段时间信号.他们组成一个功能来自于叫微波母函数的信号函数的家庭,通过扩张和转化处理.扩张和大小有关,并且他被认为是一个尺度参数当转化是所选微波的时轴的位置变化时。Fig.5.频带编码通过两个频道通过应用分析方程WT几乎不能被用到；因此，一个离散化方法是被需要的。给出数组f[n],这个离散的信号被分析了，仿真的DWT被给出通过：2,,][][),(kjnnfkjckjz(1)当][][2/,ksnnjjkj微波母函数时.根据二阶比例Eq.2中出现的参数t和s是清晰的，j表示分解的级别和k转化的因数。2,1;02,2kjsksjj(2)多分解分析是非常适合的方法来执行离散化[9].他由递归滤波器应用组成，有一个带有脉冲响应h[n]的单向低通滤波器的应用开始，过滤器适合信号的数学卷积和过滤器的脉冲响应，排除所有最大的信号频率的成分。MRA分解信号在不同的频率段，但是不同的分辨率把信号分成两个不同的数据：近似信息和详细的信息。两个功能组被用来描述这个信息。他们分别被称作与低通和高通滤波器有关联的比例函数（）和微波函数（）.经过滤波后,同样数量的样品将会被获得,但是只有一半的频率段.通过应用尼奎斯特定理,一半的样品被证明是没有丢失信息的。这个步骤是第一个分解级（level1）并且能够被表达成数学形式如下：]2[][][ynkgnxknhigh（3）nlownkhnxk]2[][][y（4）yhigh和ylow是分别是低的（h）和高的（g）段的输出滤波器；因素2k用二阶方法判定替代的样品,n是最初的样品数量.这个方法,也被称作替代法,表达如图Fig.5,并且他可能被重复为了额外的分解。3.1.MRA为了提取特征：在这部作品中,母小波Daubechies-6已经被选来处理每个由49个信号的条件。Fig.6表明了正常条件下和内环故障时信号的区别。这个近似法L（a5),并且五个细节层次(d1–d5)被给出来说明每个信号。基于这个情节,内环故障和正常条件显示了几个重要的不同点在不同的频率段,就像d3,d4和d5.相同的结果被获得为了球和外环故障。第五层的细节系数(cD5)被选择作为性能特点[20]。然而以为分类任务，虚拟神经网络(ANN)需要尽可能少的系数，最后的分解级给出了比其他