資源描述：
《基于matlab的智能化滾動(dòng)軸承狀態(tài)監(jiān)測應(yīng)用實(shí)例分析》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于matlab的智能化滾動(dòng)軸承狀態(tài)監(jiān)測應(yīng)用實(shí)例分析【摘要】滾動(dòng)軸承被廣泛應(yīng)用于風(fēng)力發(fā)電、直升機(jī)等各類機(jī)械設(shè)備中，由于其受到復(fù)雜的載荷作用并且工作環(huán)境較為惡劣，所以軸承較為容易受到損壞。如果不能及時(shí)發(fā)現(xiàn)軸承故障，則會(huì)造成較大的事故，或?qū)е峦．a(chǎn)與造成經(jīng)濟(jì)上的損失。本文通過對(duì)軸承故障振動(dòng)信號(hào)的采集，利用Matlab軟件對(duì)數(shù)據(jù)進(jìn)行處理，力求在初期就能夠及時(shí)發(fā)現(xiàn)故障，為維修提供科學(xué)依據(jù)，節(jié)約維修時(shí)間和成本?！娟P(guān)鍵詞】故障診斷；軸承；狀態(tài)監(jiān)測；神經(jīng)網(wǎng)絡(luò)引言：機(jī)械設(shè)備中很大一部分都是旋轉(zhuǎn)機(jī)械，由于旋轉(zhuǎn)機(jī)械的運(yùn)行速度高，
2、因此對(duì)于旋轉(zhuǎn)機(jī)械的狀態(tài)監(jiān)測與故障診斷顯得尤為重要。滾動(dòng)軸承是各種旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛的一種通用機(jī)械部件，它的運(yùn)行狀態(tài)是否正常往往影響到整臺(tái)設(shè)備的性能，據(jù)統(tǒng)計(jì)，旋轉(zhuǎn)機(jī)械的故障有30%s是由滾動(dòng)軸承的故障引起的，并且僅僅只有10%～20%的軸承達(dá)到它們的設(shè)計(jì)壽命。所以它的狀態(tài)好壞對(duì)設(shè)備的影響巨大。本文采用振動(dòng)傳感器和儀器對(duì)滾動(dòng)軸承運(yùn)行狀態(tài)進(jìn)行智能化監(jiān)測。1.數(shù)據(jù)采集和信號(hào)的處理5預(yù)先采用振動(dòng)傳感器對(duì)正常軸承和同型故障軸承分別進(jìn)行數(shù)據(jù)采集。測取的滾動(dòng)軸承振動(dòng)信號(hào)接入電荷放大器放大信號(hào)，再經(jīng)A/D卡轉(zhuǎn)換為計(jì)算機(jī)可以
3、識(shí)別和處理的數(shù)字信號(hào)，再經(jīng)DSP信號(hào)處理器對(duì)數(shù)據(jù)處理后接入計(jì)算機(jī)。形成正常數(shù)據(jù)采集樣本和故障數(shù)據(jù)采集樣本。1）對(duì)數(shù)據(jù)進(jìn)行預(yù)處理：由硬件設(shè)備獲得正常軸承與故障軸承在不同工況下的振動(dòng)信號(hào)。獲得數(shù)據(jù)為：正常軸承Z2015、Z20610、Z2515、Z25610、Z3015、Z30610，故障軸承G2015、G20610、G2515、G25610、G3015、G30610。設(shè)采樣數(shù)據(jù)為（n=1，2，…，N），其均值通過下式計(jì)算：，用下式進(jìn)行零與處理前的對(duì)比可以看出，處理后的信號(hào)幅值在0處上下波動(dòng)，便于觀察分析。零均
4、值后消除處出現(xiàn)一個(gè)由直流分量產(chǎn)生的大譜峰，處理后避免了其對(duì)周圍小峰值產(chǎn)生的負(fù)面影響，便于頻域分析。2）對(duì)信號(hào)的時(shí)域和頻域提取特征值及其歸一化處理：信號(hào)的時(shí)域特征一般包括：均值、方差、均方根、峰值、峰值因子、峭度系數(shù)、波形因子、裕度因子、脈沖因子。歸一化處理后的各項(xiàng)數(shù)據(jù)形成一個(gè)數(shù)據(jù)表格進(jìn)行對(duì)比，利用特征值相差特別明顯、重復(fù)性好的特征，通過分析，選取峰值、峰值因子、峭度系數(shù)、波形因子、裕度因子對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。滾動(dòng)軸承的振動(dòng)頻率既含有低頻成分，又含有高頻成分，5且每一種特定的故障都對(duì)應(yīng)特定的故障頻率成分。為了
5、排除干擾和噪聲的影響，在進(jìn)行頻譜分析之前往往先通過適當(dāng)?shù)男盘?hào)處理方法將特定的頻率成分分離出來，然后進(jìn)行頻率分析，以找出信號(hào)的特征頻率，確定故障發(fā)生的部位。如下圖，能夠區(qū)分兩個(gè)狀態(tài)且能代表自己頻譜的區(qū)域有點(diǎn)（326，1）、區(qū)域（2560～3000）、點(diǎn)（3278，1）、區(qū)域（6310～6646）、區(qū)域（6850～7300）由此，可以在多組樣本均存在的正常軸承與故障軸承的差異頻率點(diǎn)處抽取作為特征值，進(jìn)行模式識(shí)別。2.BP神經(jīng)網(wǎng)絡(luò)的matlab實(shí)現(xiàn)及模式識(shí)別BP網(wǎng)絡(luò)是一種具有三層或三層以上（其中中間層或隱層可以含
6、多層）神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層（隱層）和輸出層，將已進(jìn)行歸一化的時(shí)頻特征值作為BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)，確定其各個(gè)參數(shù)。然后建立神經(jīng)網(wǎng)絡(luò)并對(duì)其進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)模式識(shí)別。1）輸入層和輸出層的選擇：在軸承狀態(tài)監(jiān)測過程中，樣本數(shù)據(jù)來源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值。此處網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)為6+3+5=16；網(wǎng)絡(luò)輸出為軸承狀態(tài)，分為正常軸承和故障軸承，用（01）表示故障軸承，（11）表示正常軸承，因此網(wǎng)絡(luò)中只設(shè)計(jì)2個(gè)輸出神經(jīng)元表示這2個(gè)狀態(tài)。綜上所述，該BP網(wǎng)絡(luò)輸入層有16個(gè)神經(jīng)元，
7、輸出層有2個(gè)神經(jīng)元。52）隱層的選擇：對(duì)于軸承的不同狀態(tài)進(jìn)行識(shí)別，建立神經(jīng)網(wǎng)絡(luò)對(duì)它進(jìn)行訓(xùn)練，用前面提到的公式來確定隱層個(gè)數(shù)，由于輸入為16個(gè)神經(jīng)元，輸出為2個(gè)神經(jīng)元，由參考公式可知隱層神經(jīng)元在33左右。我們?cè)O(shè)計(jì)一個(gè)隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過誤差對(duì)比確定隱層數(shù)目，隱層神經(jīng)元在30～36之間進(jìn)行比較。3）訓(xùn)練參數(shù)選擇：設(shè)定網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig，輸出層神經(jīng)元的傳遞函數(shù)為logsig，目標(biāo)誤差為0.001，最大訓(xùn)練步數(shù)為1000。y1=0.14550.12590.15660.1852
8、0.15390.15350.1612。在經(jīng)過1000次的訓(xùn)練后，隱層神經(jīng)元個(gè)數(shù)為31的BP網(wǎng)絡(luò)對(duì)函數(shù)的逼近效果最好，因?yàn)樗恼`差最小所以這里將網(wǎng)絡(luò)隱層的神經(jīng)元數(shù)目設(shè)定為31。4）神經(jīng)網(wǎng)絡(luò)訓(xùn)練：BP網(wǎng)絡(luò)輸入層有16個(gè)神經(jīng)元，輸出層有2個(gè)神經(jīng)元，隱層有31個(gè)神經(jīng)元。得到如下圖像。3.結(jié)束語通過采集軸承運(yùn)行過程中的振動(dòng)信號(hào)，將信號(hào)輸入電腦，進(jìn)行時(shí)域和頻域的特征值提取，建立人工BP神經(jīng)網(wǎng)絡(luò)進(jìn)行智能化識(shí)別，就能準(zhǔn)確檢測軸承
