condition monitoringWord下载.docx
《condition monitoringWord下载.docx》由会员分享，可在线阅读，更多相关《condition monitoringWord下载.docx（49页珍藏版）》请在冰豆网上搜索。
目录
第一章文献综述1
1.1课题的意义与重要性1
1.2常见的轴承故障形式1
1.3轴承检测过程常用传感器2
1.3.1振动传感器的选择标准2
1.3.2振动传感器的分类2
1.4检测过程常用的数据分析方法3
1.4.1滚动轴承常用诊断方法3
1.4.2信号处理与分析方法4
1.5人工智能技术的应用4
1.5.1人工智能的含义4
1.5.2人工智能研究的基本内容5
1.5.3神经网络法在故障诊断中的应用5
第二章滚动轴承的信号采集6
2.1实验硬件系统6
2.1.1实验对象介绍6
2.1.2实验硬件系统和仪器6
2.2轴承故障模拟7
2.3系统软件介绍7
第三章滚动轴承的振动信号采集及数据处理9
3.1数据说明9
3.2数据预处理9
3.2.1零均值化处理9
3.2.2消除趋势项10
3.2.3平滑处理11
3.2.4滤波处理12
3.3时域特征值提取13
3.3.1时域分析方法13
3.3.2振动信号时域特征提取14
3.4频域分析方法16
3.4.1频域参数16
3.4.2傅里叶频谱及特征提取17
3.4.3功率谱处理及特征提取20
3.5时频分析法22
3.6特征值归一化25
第四章人工神经网络及模式识别26
4.1人工神经网络的基本原理27
4.1.1人工神经元模型简介27
4.1.2人工神经网络结构28
4.1.3人工神经网络的学习29
4.2BP神经网络30
4.2.1BP神经网络模型结构30
4.2.2网络参数设计31
4.2.3BP神经网络的构建及模式识别32
参考文献：
35
第一章文献综述
1.1课题的意义与重要性
随着科学技术的飞速发展以及现代化生产的快速进步，机械设备日趋大型化、精密化、系统化、高速化及自动化，从而使得生产规模日益庞大，性能指标日趋提高，设备结构越来越复杂，实现了生产效益的提高、成本的有效降低、能源的节约和产品质量的提高。
滚动轴承是旋转机械中的重要零件，它广泛应用于化工、冶金、电力、航天等国民经济的重要部门，这是和它一系列显著的优点相联系的，例如：
摩擦系数小；
运转精度高；
对润滑剂的黏度不敏感：
在低速下能承受载径向和轴向负荷。
然而，滚动轴承也是旋转机械中极易损坏的部件之一，它的主要缺点是承受冲击的能力差，在冲击的载荷下容易发生故障[1]，所谓机械故障诊断，是根据能够代表设备运行状态的信息，查找出故障源，从而对机械设备是否正常工作以及异常程度做出相应的判断与决策的综合性学科[2]。
实际情况下，通过故障诊断技术，实现机械故障的有效预防，可以给企业带来巨大的经济效益。
例如，日本采用诊断技术后，节省维修费20%-50%，降低事故率75%。
1980年美国采用设备状态监测和故障诊断技术后，节省维修费1/3。
由此可见，实现机械故障的有效诊断具有非常重要的意义和价值。
早期的轴承状态监测与故障诊断基本上是事后维修，即设备发生故障后再进行检修。
随着流程化工业的推广，这种落后的管理模式往往会造成巨大的经济损失，因此又逐步推行定期检修，例如通常实行的年度大修。
随着设备故障机理研究的深入和设备管理水平的提高，人们又逐步认识到，定期检修既不经济又不合理，其中最大的问题便是无法解决“维修不足”和“维修过剩”之间的矛盾。
因此，开展智能化轴承状态监测、故障诊断和预警，对避免经济损失和重大事故的发生等都有着重大的意义。
1.2常见的轴承故障形式
滚动轴承失效形式主要由以下几种类型[3]：
1.疲劳剥落
滚动轴承的内外滚道和滚动体表面既承受载荷又相对滚动，由于交变载荷的作用，首先在表面下一定深度处（最大剪应力处）形成裂纹，继而扩展到接触表面使表层发生剥落坑，最后发展到大片剥落，这种现象就是疲劳剥落。
疲劳剥落会造成运转时的冲击载荷、振动和噪声加剧。
通常情况下，疲劳剥落往往是滚动轴承失效的主要原因，一般所说的轴承寿命就是指轴承的疲劳寿命，轴承的寿命试验就是疲劳试验。
试验规程规定，在滚道或滚动体上出现面积为0.5mm2的疲劳剥落坑就认为轴承寿命终结。
滚动轴承的疲劳寿命分散性很大，同一批轴承中，其最高寿命与最低寿命可以相差几十倍乃至上百倍，这从另一角度说明了滚动轴承故障监测的重要性。
2.磨损
由于尘埃、异物的侵入，滚道和滚动体相对运动时会引起表面磨损，润滑不良也会加剧磨损，磨损的结果使轴承游隙增大，表面粗糙度增加，降低了轴承运转精度，因而也降低了机器的运动精度，振动及噪声也随之增大。
对于精密机械轴承，往往是磨损量限制了轴承的寿命。
此外，还有一种微振磨损。
在轴承不旋转的情况下，由于振动的作用，滚动体和滚道接触面间有微小的、反复的相对滑动而产生磨损，在滚道表面上形成振纹状的磨痕。
3.塑性变形
当轴承受到过大的冲击载荷或静载荷时，或因热变形引起额外的载荷，或有硬度很高的异物侵入时都会在滚道表面上形成凹痕或划痕。
这将使轴承在运转过程中产生剧烈的振动和噪声。
而且一旦有了压痕，压痕引起的冲击载荷会进一步引起附近表面的剥落。
4.锈蚀
锈蚀是滚动轴承最严重的问题之一，高精度轴承可能会由于表面锈蚀导致精度丧失而不能继续工作。
水分或酸、碱性物质直接侵人会引起轴承锈蚀。
当轴承停止工作后，轴承温度下降达到露点，空气中水分凝结成水滴附在轴承表面上也会引起锈蚀。
此外，当轴承内部有电流通过时，电流有可能通过滚道和滚动体上的接触点处，很薄的油膜引起电火花而产生电蚀，在表面上形成搓板状的凹凸不平。
5.断裂
过高的载荷会可能引起轴承零件断裂。
磨削、热处理和装配不当都会引起残余应力，工作时热应力过大也会引起轴承零件断裂。
另外，装配方法、装配工艺不当，也可能造成轴承套圈挡边和滚子倒角处掉块。
6.胶合
在润滑不良、高速重载情况下工作时，由于摩擦发热，轴承零件可以在极短时间内达到很高的温度，导致表面烧伤及胶合。
所谓胶合是指一个零部件表面上的金属粘附到另一个零件部件表面上的现象。
7.保持架损坏
由于装配或使用不当可能会引起保持架发生变形，增加它与滚动体之间的摩擦，甚至使某些滚动体卡死不能滚动，也有可能造成保持架与内外圈发生摩擦等。
这一损伤会进一步使振动、噪声与发热加剧，导致轴承损坏
1.3轴承检测过程常用传感器
轴承检测过程中常用的传感器为振动传感器。
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。
1.3.1振动传感器的选择标准
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。
1.3.2振动传感器的分类
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。
本项目首选压电传感器，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。
1.4检测过程常用的数据分析方法
目前，国内外研发的滚动轴承状态监测和故障诊断系统大多是基于振动检测法原理的，该领域中80％的文献是关于振动检测的。
在滚动轴承故障诊断中，关于振动信号分析的研究历经了以下五个阶段[4]：
第一阶段：
借助听音棒等仪器仪表接触轴承，通过听觉判断故障。
现在人们通过电子听诊器代听音棒，用以提高检测灵敏度。
在该诊断方法中，人工经验占主导地位，诊断结果的可信度和准确性都较差。
第二阶段：
运用通用频谱分析仪诊断轴承故障。
20世纪60年代，基于振动信号的频谱分析因快速傅里叶变换的问世得到快速的发展。
通过提取振动信号，计算滚动轴承特征频率，然后与频谱分析仪分析的实际结果相比较，判断故障是否存在。
第三阶段：
运用冲击脉冲技术诊断轴承故障。
60年代末，瑞典的SPM公司率先研发出冲击脉冲计，以冲击脉冲的最大幅值作为轴承故障诊断的依据。
该方法能较为有效地诊断滚动轴承的早期损伤类故障，监测轴承润滑情况乃至油膜的厚度。
第四阶段：
运用共振解调技术实现轴承的故障诊断。
1974年，“共振解调分析系统”专利由美国波音公司的D．R．Harting创立[5]。
在轴承早期损伤类故障的诊断中，该技术比冲击脉冲技术更有效。
通过检测冲击信号引起的高频谐振，对幅值包络信号进行频谱分析。
该技术不仅实现轴承故障的诊断，还可判断具体的故障轴承及故障的严重程度。
第五阶段：
以计算机为中心的诊断系统的研发。
计算机技术从上世纪90年代发展迅猛，以其为中心的故障诊断系统的研发获得国内外学者的广泛重视。
将滚动轴承状态监测和故障诊断与非线性信号处理技术，如专家系统、神经网络等融合，建立特征信息库，实现轴承运行状况的分类和实时监控。
该故障诊断系统适应性强，灵活性高，更容易得到有效的维护和升级。
1.4.1滚动轴承常用诊断方法
1.振动信号分析诊断法
振动法诊断是通过安装在滚动轴承座或箱体适当方位的振动传感器监测滚动轴承振动信号，并通过对信号进行分析与处理实现故障诊断。
滚动轴承故障诊断的方法主要包括两种：
简易诊断法和精密诊断法。
简易诊断利用振动信号的各种参数，如幅值、波形因数、波峰因数、概率密度、峭度系数等，通过将参数值与标准参数值进行比较，从而对滚动轴承是否出现故障做出初步判断；
精密诊断则是指对于在简易诊断中被初步判断出现故障的滚动轴承，利用各种信号处理方法对故障类别及原因进行诊断，具体的方法有自适应滤波、小波变换、分形处理和Hilbert．Huang变换以及各种解调技术，如共振解调、时延相关解调法等[6]。
2.声发射（AE）诊断法
声发射技术的主要原理是：
固体材料在力的作用下，如果内部有缺陷，就会产生应力集中，使塑性形变加大或形成裂纹并扩展，这些都会释放弹性波，这种现象称为声发射（AcousticEmission，简称AE）。
特征频率明显，早期故障预报效果好。
当然，声发射在滚动轴承诊断方面也有自己的致命缺陷，主要体现为需要昂贵的专用设备和专业人员，因此在实际的生产中受到了很大的限制。
3.油液分析诊断法
滚动轴承失效的主要方式是磨损、断裂和腐蚀等，其原因主要是润滑不当，因此对运行时使用的润滑油进行系统分析，即可了解滚动轴承的润滑状态与磨损状态，并对各种故障隐患进行早期预报，查明产生故障的原因和部位，及时采取措施防止恶性事故发生。
油液分析应该采用系统的方法，只采用单一手段往往会因其局限性而导致不全面的诊断结论，容易产生漏报或误报。
实践证明，由理化分析、污染度测试、发射光谱分析、红外光谱分析、铁谱分析构成的油液分析系统在设备故障诊断工作中可以发挥重要作用，其诊断结果与实际情况基本吻合。
4.温度诊断法
滚动轴承如果产生了某种损伤，其温度就会发生变化，因此可以通过滚动轴承的温度来诊断滚动轴承故障。
这种方法的主要特点是使用简单，而且实用，但是也有致命的缺陷，主要是早期滚动轴承有故障的时候温度变化不明显，当温度明显的时候往往都是故障已经达到相当严重的程度了[7]。
1.4.2信号处理与分析方法
对滚动轴承进行故障诊断，关键在于针对采集到的信号特征进行模式识别。
因此提取到凸显的特征至关重要，传统的傅立叶变换提供了一种提取特征的方法，但该方法的前提是信号是平稳的，如果信号是非平稳的，那么特征的效果就会大打折扣。
二十世纪八十年代兴起的小波技术为故障诊断提供了更多手段。
从微观上看，小波变换与傅立叶变换的根本区别是由小波和正弦波的不同局部化性质产生的。
从宏观上看，傅立叶分析是整体域分析，用单独的时域或频域表示信号的特征；
而小波分析是局部化时频分析，它用时域和频域的联合表示信号的特征。
作为时频分析方法，小波分析比傅立叶分析有着许多本质性的进步[8]。
利用小波对滚动轴承的振动信号进行分解之后，得到不同频率段下的信号，此时不能对故障信息进行准确定位，还需要进一步分析。
～般的方法是采用双谱分析、包络解调等。
包络技术往往不是单独使用，是和一些信号处理方法结合起来使用，特别是小波技术和小波包技术。
文献[9]较好地将两者结合起来，实现了滚动轴承故障的识别。
1.5人工智能技术的应用
人工智能自1956年作为一门新兴的前沿学科问世以来，已经取得了许多引人瞩目的成就，逐渐形成了诸如专家系统、机器学习、模式识别、自然语言理解及机器人学等多个研究领域，有时也将人工神经网络归为人工智能的一个方面。
人工智能研究的目标是构造可实现人类智能的智能计算机或智能系统。
具体来说，是使现有的电子数字计算机更聪明、更有用，使它不仅能进行一般的数值计算及非数值信息的数据处理，而且能运用知识处理问题，模拟人类的部分智能行为。
针对这一目标,人们可根据现有计算机的特点研究实现智能的有关理论、技术和方法，建立相应的智能系统，如目前研究开发的专家系统、机器翻译系统、模式识别系统、机器学习系统以及机器人等。
在超声无损检测与评价（NDT&
E）领域中，目前广泛采用专家系统、模式识别和人工神经网络的方法对超声探伤中缺陷的性质、形状和大小进行判别和归类，如利用模糊模式识别对管材缺陷的形状进行识别[10]，超声波C扫描图象的缺陷模式识别，利用人工神经网络对超声测中的缺陷进行定量评价等。
1.5.1人工智能的含义
顾名思义,所谓人工智能就是用人工的方法在计算机上实现的智能。
由于人工智能是在机器上实现的,因此又可称为机器智能。
又由于机器智能是模拟人类智能的,因此又可称它为模拟智能。
通俗地说,人工智能就是研究如何使机器具有能听、会说、能看、会写、能思维、会学习、能适应环境变化、能解决各种面临的实际问题等功能的一门学科。
1.5.2人工智能研究的基本内容
人工智能主要由以下几个方面的内容：
1.机器感知
所谓机器感知就是使机器（计算机）具有类似于人的感知能力,其中以机器视觉与机器听觉为主。
机器视觉是让机器能够识别并理解文字、图象及景物等;
机器听觉是让机器能识别并理解语言及声响等。
机器感知是机器获取外部信息的基本途径,是使机器具有智能不可缺少的组成部分,正如人的智能离不开感知一样,为了使机器具有感知能力,就需要为它配置上能“听”、会“看”的感觉器官,对此人工智能中已经形成了两个专门的研究领域,即模式识别与自然语言理解。
2.机器思维
所谓机器思维是指将通过感知得来的外部信息及机器内部得到的各种工作信息进行有目的的处理。
正像人的智能是来自大脑的思维活动一样,机器感知也主要是通过机器思维实现的。
因此,机器思维是人工智能研究中最重要、最关键的部分。
3.机器学习
人类具有获取新知识、学习新技巧,并在实践中不断完善、改进的能力,机器学习就是要使计算机具有这种能力,使它能自动地获取知识,能直接向书本学习,能通过与人谈话学习,能通过对环境的观察学习,并在实践中实现自我完善,克服人们在学习中存在的局限性,如容易忘记、效率低及注意力分散等。
4.机器行为
与人的行为能力相对应,机器行为主要是指计算机的表达能力,即“说”“写”“画”等。
对于智能机器人,它还应有人的四肢功能,即能走路、能取物、能操作等。
1.5.3神经网络法在故障诊断中的应用
故障诊断的本质就是在分析故障症状和故障原因的基础上，由症状推断出故障的原因，人工神经网络在故障诊断中的应用，就是要用人工神经网络来模拟人脑的推断功能从而进行故障诊断。
人工神经网络在故障诊断中具有十分重要的应用价值，它能通过训练人工神经网络存储关于过程的知识。
人工神经网络故障诊断方法不但能在模式空间内形成各种复杂的判决表面，而且神经网络方法最大的特点是网络具有自适应能力，网络不但能自适应地学习，而且能够自适应地调整网络的大小；
而且它兼有模式识别和特征提取的作用。
所以，人工神经网络故障诊断法不需要对输入的模式做明显的特征提取，网络的隐层本身就具有特征提取的功能。
另外，神经网络故障诊断法一般对输入模式信息的不完备或特征的缺损不太敏感，也就是说网络具有容错性。
相较于传统的故障诊断方法，人工神经网络故障诊断法在背景噪声统计特性未知的情况下，其性能更好，网络具有很好的泛化能力，具体来说，神经网络之所以适合于故障诊断，有以下3个原因：
1）训练过的神经网络能存储有关过程的知识，能直接从定量的、历史故障信息中学习。
可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障的类型。
2）神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力，可以训练神经网络来识别故障信息，使其能在噪声环境中有效地工作，这种滤除噪声的能力使得神经网络适合在线故障检测和诊断。
3）神经网络具有分辨原因及故障类型的能力。
滚动轴承故障特征与故障诊断模式之间是一种非常复杂的非线性关系，而BP神经网络用一种全新的思路来处理这类问题，具有非常强大的综合分析能力，在非线性逼近上功能尤其强大，理论上只要神经元足够多，就能逼近任意复杂的非线性系统。
第二章滚动轴承的信号采集
故障信号的采集是故障诊断的前提，所以故障诊断系统必须从研究滚动轴承信号开始。
但由于滚动轴承破坏形式复杂，且反映运转状态信息的能量往往很微弱，因此对轴承故障的诊断带来了一定的困难。
而滚动轴承在工作过程中直接接触回转部分，长时间使用后必然产生振动和噪声，因此滚动轴承的振动和噪声将成为其故障诊断的重要依据。
2.1实验硬件系统
在本论文中，滚动轴承状态监测与故障诊断实验系统由西南交通大学测控实验室设计并搭建，以下将简单介绍本实验系统的硬件设备、软件工具和数据采集等。
2.1.1实验对象介绍
在本实验中，采用的测试对象为单排滚珠式HRB.6208滚动轴承，外圈直径为80mm，内圈直径为40mm，滚珠数为10，接触角
为0rad。
实验中滚动轴承内圈随工作轴同步转动，外圈固定，采样频率为10kHz，主轴转速为20Hz、25Hz、30Hz。
根据滚动轴承故障特征频率公式计算，内圈故障频率约为107Hz，外圈故障频率约为71Hz。
但是，该特征频率值仅仅是理想值，由于实验环境与设备的差异，真实的故障特征频率值往往有所不同。
2.1.2实验硬件系统和仪器
由于本课程设计的数据直接采用已知数据，故硬件试验系统为作者通过文献阅读借鉴的文献[11]做法。
为了得到较为准确和恰当的故障信息，所搭建的实验平台必须不受到边界条件的影响。
同时，组件的动态信息应被及时的传到测试点。
图2-1,2-2为所建立的振动信号监测的测试系统及其原理图。
图2-1
如图所示，驱动电机和主轴连接并且机械耦合。
测量轴的速度通过一个光学编码器同时一个500mv/g
升级会员 