《滚珠轴承的智能故障诊断方法》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

滚珠轴承的智能故障诊断方法

范文

贺敏之+易叶青+申湘艳+罗时杰

摘要：针对滚珠轴承故障诊断的应用实际，该文建立了基于相似性度量的故障诊断模型。该模型首先通过数据采集模块采集振动信号，再经降噪滤波模块对初始信号进行降噪、滤波处理，随后通过特征提取模块提取出降噪信号中的特征信号，将这些特征信息作为查询条件，通过数据传输模块发送给远程的数据库服务器，服务器接收到查询条件之后，将特征信息与数据库的故障信息进行相关性分析，最后得出诊断结果。

关键词：小波变换；PCA主元分析；滚珠轴承；皮尔逊相关系数；故障诊断

1概述

在机械制造业飞速发展的今天，各种生产机床與机械自动化水平日渐增高。根据滚珠轴承的刚度高和抗外部干扰强等特点，被广泛应用在数控机械设备中。而由于滚珠轴承的精准度与其传动性能决定了机械设备的加工精密度与机械定位准确度。目前，国内滚珠轴承的研发水平和发达国家相比还有较大的差距，其主要原因是加工设备精度达不到要求，还有对设备运行情况的检测。如果没有较为完善的检测系统，产品的质量就得不到保证。为了实现检测滚珠轴承实时的性能参数，国内外的研究人员针对不同的检测指标设计出不同的测试设备。

文献对当前数控机床滚珠丝杆螺母副误差补偿进行了阐述和归纳，并滚珠丝杆螺母副使用过程中出现的故障进行了分析。文献通过检测滚珠丝杠螺母副及支撑系统间隙，轴承、丝杠螺母副的润滑不良，解决了驱动问题的故障。文献针对滚珠丝杠在数控机床运转中的噪声信号，提出一种分段重叠预处理信号方法，实现对滚珠丝杠润滑不良和润滑良好两种情况下噪声的正确区分。

以上所述滚珠轴承故障诊断方法信号处理精度不高，且自动识别故障的程度较低。本文针对滚珠轴承中存在的故障类别，提供了一种基于相似性比对的故障诊断方法，能够实现实时检测滚珠轴承的相关数据，以诊断滚珠轴承的故障状态，信号处理精度高，故障诊断准确高效，具有较为广泛的应用价值。

2系统原型设计

在系统设计过程中，首先利用传感器来对原始信息进行取样，由于信号中夹杂了大量的噪声信号会对最终的诊断结果带了极大的偏差。为了解决这一问题，可提前利用小波变换技术对振动信号进行降噪、滤波处理；经过小波变换得到的平滑信息数据由于存在大量的冗余数据，在对其进行分析和处理时困难较大，需采用PCA主元分析的特征提取算法对其进行降维处理从而获取特征信号；最后运用皮尔逊相关系数统计方法与故障数据库中的历史数据进行相似性度量给出诊断结果。其系统原型设计模型如图1所示。

2.1数据采集模块

数据采集模块的硬件组成包括传感器、数据采集卡和工程机，考虑到电机轴承在运行过程中将产生大量振动信号，因此，在设计时采用压电式加速度传感器来收集其振动信号。

2.2降噪滤波模块

由数据采集模块收集到的原始信号中包含了大量非平衡的噪声信号，为了确保最终诊断结果的可靠性，需提前将非平衡的噪声信号进行预处理。在系统设计过程中利用小波变换处理非平衡信号较好的特性噪声信息对原始信号进行滤波、降噪处理，其流程如图2所示。

先对一维信号a（n）进行离散采样，由此得出N点离散序列6（K）K=0，1，…N-1，在离散处理后再运用小波阈值降噪方法对离散信号进行降噪处理。

其降噪的基本流程如下：

（1）首先设定出小波基函数，确定分解的层次，之后对初始信号的时间序列6（K）做小波分解，并由此得出一组小波系数。

（2）设置小波分解高频系数的阈值：在不同尺度下的高频系数中选取一个量化后的阈值参数。通常其阈值可设置为A=式中的a为噪声系数的均方差，因此得出了估计小波系数。

（3）重构一维小波系数。对得到的估计小波系数进行一维小波重构，得出小波系数信号，这个小波系数信号表示为降噪信号。

在小波分解中，根据尺度的不同小波系数可能出现比较大的值，而这些值中有时涵含了比较重要的特征信息，剩下的小波系数值则较小。在噪声信号中，小波系数有分布均匀的尺度，在尺度参数值增大时噪声信号小波系数的幅值反而会变得更小，因此设置一个适当的为阈值变得十分重要。把所有小于的小波系数归零，并保留所有大于的小波系数，由此得出小波系数的估计值。

2.3特征提取模块

PCA是一种主成分提取方法，把多维数据投影到只有特征信息的低维空间，以达到特征提取的目的。其特征提取具体步骤如下：

第一步特征中心化。即每一维的数据都减去该维的均值。设原始数据是m×n的矩阵A每一列减去该列均值后，得到矩阵B；

第二步计算B的协方差矩阵c；

第三步计算协方差矩阵c的特征值和特征向量；

第四步选取大的特征值对应的特征向量，得到新的数据集A。

2.4故障诊断模块

当数据采集模块将采集到的振动信号经过降噪滤波模块处理之后的数据信息D1发送到特征提取模块，特征提取模块提取数据信息D2的特性信息；系统将这些特征信息作为查询条件，通过数据传输模块发送给远程的数据库服务器，服务器接收到查询条件之后按如下的方法进行故障诊断：

特征信息与故障数据库中的故障信息进行相关性分析可以采用皮尔逊相关系数的计算方法。皮尔逊相关系数是一种线性相关系数，其中相关系数用r表示，n为特征信息量，分别为两个变量的观测值和均值。r描述的是两个变量间线性相关强弱的程度。相关系数r的绝对值接近1，表示强的线性关系，越接近于0，线性关系越弱。

2.5仿真实验

为了验证模型的可行性，我们讨论如何在Matlab7.0平台中利用采集的数据进行仿真实验。本仿真实验的电脑配置为：操作系统为windows7 64位，CPU为Intel（R）Core（TM）[email protected] 2.80GHz。

本文的原始实验数据来自UCI（http：//www.pudn.com）提供的机电设备故障诊断的测试数据集，其数据来自某个水利机械的滚珠振动数据，实验中针对正常丝杠、滚道磨损、滚珠磨损、丝杠螺母上端螺钉松动及丝杠弯曲5种状态，进行数据采集，并且把每一组的类别标签分别為1、2、3、4、5。我们对滚珠丝杠5种状态分别取240、245、234、242、239组52维的样本实验数据，共得到了1200组数据。同时我们也为每种状态的收集了20组52维的测试样本数据数据，总共得到了100组测试样本数据。

仿真实验的步骤描述如下：

第一步：读取训练集样本实验数据；

第二步：读取测试集样本实验数据；

第三步：合并训练集样本实验数据与测试样本数据集；

第四步：执行PCA变换，提取测试数据集和训练样本数据集的特征信息；

第五步：从特征信息中分别抽取五种状态的数据集，分别得到，正常状态、滚道磨损、滚珠磨损、丝杠螺母上端螺钉松动及丝杠弯曲五种状态的训练样本数据集的特征信息和相应的测试数据集的特征信息；

第六步：将每一条测试数据与所有的质心坐标利用皮尔森系数进行相似性度量，并选取相似性最大的质心坐标所对应的故障类别与测试数据所在的故障类别相比较，若相等则说明诊断正确，否则认为诊断不正确。

第七步：统计故障诊断的正确率和CPU执行的时间

第八步：画图，输出结果。

原始收集的数据是52维的，这是一个高维数据集，直接采用皮尔森系数进行相似性度性度量往往会造成结果的不准确，因此我们利用PCA对收集到的数据进行特征提取（或者说是降维），其中贡献率取0.85。图3（a）中是无故障数据集中第一条原始的数据是一个52维的高维数据，（b）是通过PCA变换之后所提取的特征，其特征信息只有22维。

图4中的（a）是滚道磨损数据集中第一条原始的数据是一个52维的高维数据，（b）是通过PCA变换之后所提取的特征，其特征信息只有22维。

图5中的（a）是滚珠磨损数据集中第一条原始的数据是一个52维的高维数据，（b）是通过PCA变换之后所提取的特征，其特征信息只有22维。

图6中的（a）是丝杠螺母上端螺钉松动数据集中第一条原始的数据是一个52维的高维数据，（b）是通过PCA变换之后所提取的特征，其特征信息只有22维。

图7中的（a）是丝杠弯曲数据集中第一条原始的数据是一个52维的高维数据，（b）是通过PCA变换之后所提取的特征，其特征信息只有22维。

实验结果表明：初始数据为55维的测试数据集与实验样本数据通过PCA方法处理后降为22维，由此说明PCA主成分分析法能有效对高维数据进行降维处理。实验中统计了故障诊断的正确率为90%，进而表明该模型算法是可行的。

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。