王晨霞（xiá）
（西南交通大學機械工程學院）

　　摘　要（yào）：在機械設備運行（háng）過程中，滾動軸承的狀（zhuàng）態對其具有很大的影響（xiǎng），因（yīn）而對滾動軸（zhóu）承（chéng）作出合理的故障診斷具有深遠而現實（shí）的意義。文章通過對滾動軸承的振動類型及故障特征，詳細研究（jiū）了時域分（fèn）析、頻域分析（xī）在滾（gǔn）動軸承故障診斷中的應用，設計了采集（jí）數據係統可實現對軸承振動信號的采集，在（zài）此（cǐ）基礎上對數據進行處理分析，構建（jiàn）神經網絡（luò）係統進（jìn）行模式識別，達到軸承故（gù）障診斷（duàn）的目的。
　　關鍵詞（cí）：滾動軸承；故（gù）障診斷；神（shén）經網絡；matlab

　　所謂軸承故障診斷就是觀測軸（zhóu）承的工作狀態，並對采集到的可以反（fǎn）映軸承工作狀（zhuàng）態的信號進行分析與處（chù）理來識別軸承的狀態。工程上對滾動軸承的（de）故障診斷是十分必要的，通過對（duì）軸承的一些簡單分（fèn）析，確立了滾動軸承故障診（zhěn）斷的完（wán）整流程，采集振動信號，作數據處理，Z終建立神經網絡來對軸承狀態進行麵試識別，從而達到對軸承故障（zhàng）診斷的目的。
　　早期軸承診斷靠聽覺，主觀影響大；後來用振動（dòng）位移、速度（dù）或加速度均方根或（huò）峰值判（pàn）斷（duàn）故障，減（jiǎn）少了對人為經驗依賴（lài）；現代故（gù）障診（zhěn）斷涉及控製論、計算（suàn）機等多方麵。
　　我國軸（zhóu）承（chéng）故障診斷起步較晚，但發（fā）展迅速，取得立不小的成就。其中，運用於鐵路貨（huò）車輪對滾動（dòng）軸承不解體故障診斷，提（tí）高了（le）檢驗速度與可靠性，節約了維修費用。
　　相較而言，國內滾動軸承的診斷與國外相比還有一定的差距，對滾動軸承實效機理、實效過程的研究不夠、不深入。
　　目前，隨著人工智能技術的不斷發展和廣泛（fàn）應用，對於軸承故障的診斷技術也正趨於智能化（huà）。
　　一般來說（shuō），軸承故障（zhàng）診斷的基本內容包括（kuò）以下幾個方麵：采集軸承檢（jiǎn）測信號（hào）；信號預處理；特征分析及提取；歸一（yī）化處理；人工（gōng）神經網絡狀態識別；決策與判斷等。
　　1.振動（dòng）信號（hào）采（cǎi）集（jí）
　　在滾動軸承運行時（shí）的（de）眾多特征中，選用滾動軸承的振動信號作（zuò）為反映其運行（háng）工作狀態的特征信號來對其進行（háng）信號（hào）分析和處理，這是由於振動信號相較於其它信號而言可以檢測出軸承運行（háng）初期的微小故障，而且由於振動信號（hào）來自於機械本身，可方便監測和采集信號，診斷結果可（kě）靠。
　　振動檢（jiǎn）測主要（yào）指振動位移、速度、加速度（dù）、頻率等參數測量，振動強度與加速度成正比，所（suǒ）以軸承振動參數選用加速度測量。可以在軸承座上安裝靈敏（mǐn）的加速度傳感器，采集軸承（chéng）運行過程中的加速度信號，並對此信號進行分析和處理，以此來判斷軸承的運行狀態。
　　可以根據（jù）如下的數據采集係統進行軸承信號（hào）的數據（jù）采集工作，將（jiāng）采集到的模擬信號轉換成計算機可以識別的數字信號，然後通過matlab等數（shù）據（jù）分析軟件對所采集到的信號進行分析處理，得（dé）出（chū）可作為診斷依據的數據。

　　①進入數據采集係統，創建測試目錄並選擇好（hǎo）測（cè）試（shì）點以便數據（jù）儲存；

　　②進入（rù）采集畫麵（miàn），輸入（rù）VB程序，運行，采集數（shù）據；

　　③儲存測（cè）量數據，為後期處理做準備。

　　2.數據預處（chù）理
　　2.1零均值化處理
　　零均值化的目的是去除直流分量，這是由於（yú）信號的均值就相當（dāng）於一個（gè）直流（liú）分量，而直流分量在做譜分析（xī）時的頻譜圖是在橫（héng）坐標為零時的衝激（jī）函數，如果不去除直流分量的（de）話，在對（duì）采集到的信號進行頻（pín）譜分析時，這個衝激函數就會影響在左右的頻（pín）譜曲（qǔ）線（xiàn），產生較大誤差，因此需零（líng）均值（zhí）化處（chù）理。在（zài）時域圖上，零均值化處理後波形中心落在Y=0上，便於更直觀觀察。而在頻（pín）域圖上，零均值處理後，頻域圖上由於直流分量而帶來的衝激函數的波峰消失了，去除（chú）了直流分量對信號的影響。
　　2.2去除趨勢項（xiàng）
　　振動信號采集時由於傳感器周圍的環境幹（gàn）擾等測量值常（cháng）會偏離基線（xiàn），偏（piān）離基線的大小會隨時間變化的過程稱為信號的趨勢項。信號（hào）的趨（qū）勢項會對信號在時域以及頻域的信號分析帶來較大的誤差，甚至會使信（xìn）號失真，因此（cǐ）信（xìn）號分析中要消除（chú）趨勢（shì）項。消除趨勢項（xiàng）與零（líng）均值化處理的功能相似，是因為本數據中（zhōng）的多項式（shì）趨勢項很小，所以沒有明顯（xiǎn）的（de）變化。
　　2.3平（píng）滑處理
　　信號（hào）采集時會（huì）受（shòu）到噪聲幹擾，使實際圖像為帶噪圖像，通常噪聲信號為（wéi）高頻信（xìn）號，所（suǒ）需振動（dòng）信號為低頻，平滑處理是為了消除噪聲，即（jí）濾高保低，同（tóng）時提高采樣（yàng）平滑（huá）性。
　　常用平滑處理方法有：平均法、樣條函（hán）數法、五（wǔ）點三次平滑法等。五點三次平（píng）滑法利用多項式Z小（xiǎo）二乘法逼近實現平滑濾（lǜ）波，算法簡單，效果好。
　　在時域圖上，數據經過（guò）平滑處理後，其圖形變得光滑（huá）；而在頻域圖上，平（píng）滑處理（lǐ）後，信號的高頻（pín）部分變少，低頻部分基本上沒有變化。這說明滾動（dòng）軸承的故障（zhàng）信號的頻率主要集中在低頻和中頻段，而噪聲大部分為高頻信號，經過平滑處理後，不（bú）僅保持（chí）了（le）故障信號的原有特（tè）征，而且消除（chú）了噪聲信（xìn）號，更有利於對數據信（xìn）號的（de）分析處理。
　　2.4濾波處理（lǐ）
　　信號的能量大部分集中在幅度譜的低中頻段（duàn），而高頻段，有用信息（xī）常被噪聲淹沒，因（yīn）此需要一個濾波器來減弱噪聲影響，獲取有用信號（hào）。由於平滑（huá）處理已去除大部分高頻噪（zào）聲，在時域內不能明顯的看出處（chù）理前後的區別。但在頻域（yù）圖上，2500Hz後的頻率幾乎（hū）不存在，由（yóu）此（cǐ）可見濾波效果較好（hǎo）。

　　3.特征提取及（jí）分析
　　3.1時域特征提取
　　時域特征參數包括均值，方差，均（jun1）方根值，峰值，峰值因子，峭度係數（shù），波形因子以（yǐ）及脈（mò）衝因子和裕度因子。振動信號（hào）經過時域特征提取後，故障軸承（chéng）和正常軸承（chéng）在方差，峰（fēng）值，裕度因子，峭度係數和脈衝因子，波形因子上的特征值差別比較明顯，但兩者在均值，均方根值以及峰值因子上的差別卻並不（bú）不明顯。
　　3.2頻域特征提取
　　頻域特征參數包括重心頻率、均（jun1）方頻率、均方根頻率、頻率方差（chà）和頻率標準差（chà）。振動信號經過頻域特征提取後，頻域參數的特征（zhēng）值（zhí）重複（fù）性和差異性都比較良好。
　　4.歸一化處理
　　振動（dòng）信號在進行特征提（tí）取之後，由於提（tí）取之後（hòu）的信號的幅值（zhí）大小不一（yī），不利於信號的分析和處理，可將所有特征值歸一化到0～1區間。振動（dòng）信號歸一化處理線性函數轉換，，歸一化處理就是要簡化計算，縮小量值，在這裏我們將（jiāng）數據歸一化到0～1區間，以便之後要進行的神經網絡模式識別，並對軸承做出故障診斷與分析。

　　5.人工神經網絡及模式識別
　　輸（shū）入層：輸入層輸入的是能夠表示軸承運行狀態的有效特征值的個數，這裏為28，所以輸入層為28；
　　輸出層：由於是軸承的故障診斷，所以輸出信號為軸承的工作狀態，這裏為故障和正常軸承，因此輸（shū）出層有2個神經元；　
　　隱層：其中為（wéi）層的神經元個（gè）數，為隱層神經元個（gè）數。在本故障監測中，輸入層個數為28，輸出為（wéi）2，可知隱層神經元在57左右。
　　訓練參數：目標誤差為（wéi）0.001，Z大訓練步數（shù）為1000。
　　經訓練後，網（wǎng）絡誤差Z小，逼（bī）近效果Z好的隱層神經元個數設定為網絡隱含層的神經元數目，從而確定BP神經網（wǎng）絡的（de）Z終（zhōng）結構，確（què）定BP神經網絡Z終結構後，進（jìn）行網絡訓練和神（shén）經網（wǎng）絡測試以判（pàn）斷該神經網絡是否能（néng）有效監測滾動軸承的運行狀態，以後驚醒滾動軸承的故障檢測時，隻需要測量故障軸承的振（zhèn）動信號，提取（qǔ）有效特征值，經過該神經網絡，就可以判斷軸（zhóu）承是否運行正常了。

　　6.結語
　　綜上所述，對作為運轉機械Z重要部件之（zhī）一（yī）的軸承（chéng）進行故障診斷（duàn）分析和診斷，對於發現其運行（háng）過（guò）程中存在的隱形故障（zhàng）特別是早期微小故（gù）障從（cóng）而確保機械設備的正常使用以及延長使用壽命具（jù）有非常有價值的現實意（yì）義。
　　通過對滾動軸承的振動類型及故障特（tè）征的研究，設計采（cǎi）集數據係統可以實現對軸承振動信號的采集（jí），在此基礎（chǔ）上對數（shù）據進行處理分析，構（gòu）建神經網絡係統進（jìn）行模式（shì）識別，達到軸承故障診斷的目的，可以（yǐ）正確（què）的識（shí）別軸承的狀態。

　　參（cān）考文獻：
　　[1]黃文虎，夏鬆波，劉瑞岩.設備故障診斷原理、技術及應用[M].北京：科學出（chū）版社，1996.
　　[2]張賢達.現代信號處理[M].北京：清華大學出版（bǎn）社，2002.
　　[3]於婷婷（tíng）.基於BP神經網絡（luò）的滾動軸承故障診斷方法（fǎ）[D].大（dà）連：大（dà）連理工（gōng）大學，2008.
　　[4]李興（xìng）林，張仰平，曹茂來.滾動軸承故障監測診斷技術應用進展[J].工（gōng）程與試（shì）驗，2009，（4）.
　　[5]張振飛，夏利民.基於神經網絡的滾動軸承（chéng）故（gù）障診斷智能方（fāng）法[J].信息技術，2008，（8）.
　　[6]李興（xìng）林（lín）.滾動軸承故障（zhàng）診斷技術現狀及發展[A]；2009年全國青年摩擦學學術會議論文（wén）集[C].2009.

來源：《企（qǐ）業技術（shù）開發》2015年14期