基于matlab的智能化滚动轴承状态监测应用实例分析

《基于matlab的智能化滚动轴承状态监测应用实例分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于matlab的智能化滚动轴承状态监测应用实例分析【摘要】滚动轴承被广泛应用于风力发电、直升机等各类机械设备中，由于其受到复杂的载荷作用并且工作环境较为恶劣，所以轴承较为容易受到损坏。如果不能及时发现轴承故障，则会造成较大的事故，或导致停产与造成经济上的损失。本文通过对轴承故障振动信号的采集，利用Matlab软件对数据进行处理，力求在初期就能够及时发现故障，为维修提供科学依据，节约维修时间和成本。【关键词】故障诊断；轴承；状态监测；神经网络引言：机械设备中很大一部分都是旋转机械，由于旋转机械的运行速度高，

2、因此对于旋转机械的状态监测与故障诊断显得尤为重要。滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件，它的运行状态是否正常往往影响到整台设备的性能，据统计，旋转机械的故障有30%s是由滚动轴承的故障引起的，并且仅仅只有10%～20%的轴承达到它们的设计寿命。所以它的状态好坏对设备的影响巨大。本文采用振动传感器和仪器对滚动轴承运行状态进行智能化监测。1.数据采集和信号的处理5预先采用振动传感器对正常轴承和同型故障轴承分别进行数据采集。测取的滚动轴承振动信号接入电荷放大器放大信号，再经A/D卡转换为计算机可以

3、识别和处理的数字信号，再经DSP信号处理器对数据处理后接入计算机。形成正常数据采集样本和故障数据采集样本。1）对数据进行预处理：由硬件设备获得正常轴承与故障轴承在不同工况下的振动信号。获得数据为：正常轴承Z2015、Z20610、Z2515、Z25610、Z3015、Z30610，故障轴承G2015、G20610、G2515、G25610、G3015、G30610。设采样数据为（n=1，2，…，N），其均值通过下式计算：，用下式进行零与处理前的对比可以看出，处理后的信号幅值在0处上下波动，便于观察分析。零均

4、值后消除处出现一个由直流分量产生的大谱峰，处理后避免了其对周围小峰值产生的负面影响，便于频域分析。2）对信号的时域和频域提取特征值及其归一化处理：信号的时域特征一般包括：均值、方差、均方根、峰值、峰值因子、峭度系数、波形因子、裕度因子、脉冲因子。归一化处理后的各项数据形成一个数据表格进行对比，利用特征值相差特别明显、重复性好的特征，通过分析，选取峰值、峰值因子、峭度系数、波形因子、裕度因子对神经网络进行训练。滚动轴承的振动频率既含有低频成分，又含有高频成分，5且每一种特定的故障都对应特定的故障频率成分。为了

5、排除干扰和噪声的影响，在进行频谱分析之前往往先通过适当的信号处理方法将特定的频率成分分离出来，然后进行频率分析，以找出信号的特征频率，确定故障发生的部位。如下图，能够区分两个状态且能代表自己频谱的区域有点（326，1）、区域（2560～3000）、点（3278，1）、区域（6310～6646）、区域（6850～7300）由此，可以在多组样本均存在的正常轴承与故障轴承的差异频率点处抽取作为特征值，进行模式识别。2.BP神经网络的matlab实现及模式识别BP网络是一种具有三层或三层以上（其中中间层或隐层可以含

6、多层）神经元组成的神经网络，包括输入层、中间层（隐层）和输出层，将已进行归一化的时频特征值作为BP神经网络的基础，设计BP神经网络，确定其各个参数。然后建立神经网络并对其进行训练，从而实现模式识别。1）输入层和输出层的选择：在轴承状态监测过程中，样本数据来源于实验数据分析后提取的有效特征值。此处网络输入神经元个数为6+3+5=16；网络输出为轴承状态，分为正常轴承和故障轴承，用（01）表示故障轴承，（11）表示正常轴承，因此网络中只设计2个输出神经元表示这2个状态。综上所述，该BP网络输入层有16个神经元，

7、输出层有2个神经元。52）隐层的选择：对于轴承的不同状态进行识别，建立神经网络对它进行训练，用前面提到的公式来确定隐层个数，由于输入为16个神经元，输出为2个神经元，由参考公式可知隐层神经元在33左右。我们设计一个隐层可以随意改变的BP神经网络，通过误差对比确定隐层数目，隐层神经元在30～36之间进行比较。3）训练参数选择：设定网络的隐含层神经元的传递函数为tansig，输出层神经元的传递函数为logsig，目标误差为0.001，最大训练步数为1000。y1=0.14550.12590.15660.1852

8、0.15390.15350.1612。在经过1000次的训练后，隐层神经元个数为31的BP网络对函数的逼近效果最好，因为它的误差最小所以这里将网络隐层的神经元数目设定为31。4）神经网络训练：BP网络输入层有16个神经元，输出层有2个神经元，隐层有31个神经元。得到如下图像。3.结束语通过采集轴承运行过程中的振动信号，将信号输入电脑，进行时域和频域的特征值提取，建立人工BP神经网络进行智能化识别，就能准确检测轴承