CN108956142A - 一种轴承故障识别方法 - Google Patents

Abstract

本发明属于机械振动测控与检测技术领域，具体涉及一种轴承故障识别方法，其包括如下步骤：获取各种预设缺陷的轴承的多组相等样本量时域信号；获取待故障识别的轴承的时域信号；将时域信号转换为频域信号；提取频域特征值；建立以频域特征向量为输入，以识别的轴承缺陷类型为输出的SVM模型；识别并输出轴承缺陷类型。本发明的有益效果是：本发明通过提取频域均方根和频域峭度两个特征值，以及支持向量机的分类方法，可以实现较少样本量的前提下，识别轴承缺陷类型，省时省力，十分方便，识别类型精准。

Description

一种轴承故障识别方法

技术领域

本发明属于机械振动测控与检测技术领域，具体涉及一种轴承故障识别方法。

背景技术

轴承在出现故障时，轴承的其他部件在运转过程中会周期性地撞击该缺陷处，形成由冲击产生的振荡。

目前对此，机械故障诊断常用的信号处理方法有时域分析、频域分析和时频域分析。王金福等针对工程实际应用中不同类型的机械故障，根据设备关键构件的振动特性，在分析和比较不同的信号处理和特征釆取算法的基础上，再釆用合适的频域分析方法，实现了机械设备不同类型的故障诊断，并能有效地确保诊断的精度。刘青等运用小波和小波包分析方法对变速箱运转过程中的振动信号进行分解，并对相应频段信号进行重构和谱分析，获得变速箱的故障特征频率，确定变速箱的故障在输入轴上齿轮上。朱兆霞等研究了小波分析和倒谱处理在采煤机故障诊断中的应用，通过研究截割滚筒部位的振动信号、将小波分析后的数据转换到至频域、再在频域里进行倒谱运算，倒谱处理使得特征频率处的特征值更加明显。本研究将实验平台上采集到的各类缺陷轴承的振动信号转换成频域信号，并选取合适的频域特征值，采用频域分析的方法对信号进行处理。得到振动信号的频域特征后，需要通过合适的分类方法对其进行分类。常用的数据分类方法有贝叶斯方法和神经网络方法等。其中，贝叶斯方法和神经网络方法都基于足够多的数据样本，应用效果也经常取决于使用者的经验。因此，获取较多的数据样本，耗时耗力，十分不便，并且分类识别后的结果并不完全精准，总是有分类偏差。

发明内容

本发明的目的是克服现有技术存在的缺陷，提供一种通过提取频域均方根和频域峭度两个特征值，以及支持向量机的分类方法，可以实现较少样本量的前提下，识别轴承缺陷类型，省时省力，十分方便，识别类型精准的轴承故障识别方法。

本发明解决其技术问题所采用的技术方案是：一种轴承故障识别方法，其包括如下步骤：

步骤S1,获取各种预设缺陷的轴承在设定转速下转动时的多组相等样本量时域信号；

步骤S2,获取待故障识别的轴承在和步骤S1相同转速下转动时的时域信号；

步骤S3,通过FFT函数计算，将时域信号转换为频域信号 fi；

步骤S4,从频域信号fi中，提取功率谱度S(f_i)、频域均方根x₁和频域峭度x₂的频域特征值；其中频域均方根 频域峭度其中，平均功率谱功率谱度T为频域信号fi的单个周期，傅里叶变换函数F_T(ω)＝F[fi]；函数 K为频域信号fi的处理个数；

步骤S5,根据多组预置的轴承缺陷类型的频域特征值，通过径向基核函数和粒子群参数优化方法，建立以频域特征向量[x₁， x₂]为输入，以识别的轴承缺陷类型为输出的SVM模型；

步骤S6，在SVM模型中，输入x₁和x₂，识别并输出轴承缺陷类型。

具体而言，在步骤S1中，预设缺陷的轴承在夹爪的夹持下，随着驱动系统按设定的转速旋转轴承，传感器将测得的数据输入给信号采集系统。

本发明支持向量机方法是现代故障诊断技术中较年轻又较重要的一种，有比神经网络更好的泛化能力，算法最终转化为一个二次型寻优问题，保证极值解就是全局最优解，较好地解决了小样本的学习分类问题。本研究在预处理数据的基础上，选用径向基核函数建立SVM模型，再用粒子群参数优化方法进行优化，建立了一个以频域特征向量[x₁，x₂]为输入，以轴承缺陷类型为输出的SVM模型。最后，在SVM模型中，输入x₁和x₂，识别并输出轴承缺陷类型。

以待故障识别的轴承为WR系列汽车水泵轴承为例，SVM模型输出的识别代码分别为1、2、3和4；相对应地，MCGS软件的实时数据库中的轴承缺陷类型分别为钢球缺陷、圆柱滚子缺陷、芯轴沟道缺陷和芯轴滚道缺陷。根据本研究搭建的实验平台，获取汽车水泵轴承在不同速度、四类预设缺陷下的60组加速度信号。其中，钢球缺陷、圆柱滚子缺陷、芯轴沟道缺陷和芯轴滚道缺陷的信号各15组。将这四类缺陷的各12组(共 48组)信号作为训练样本，并将其余的12组信号作为测试样本。分析之前训练样本作为预测故障轴承的实验数据，汽车水泵轴承在各缺陷类型下，振动信号的幅值平均值和加速度有明显区别，因此本发明提取频域均方根和频域峭度作为频率分析的特征值。根据上述SVM模型，将四类缺陷的各12组(共 48组)信号进行训练，建立SVM模型。训练和测试样本的类别标号用数字符号表示，钢球缺陷、圆柱滚子缺陷、芯轴沟道缺陷和芯轴滚道缺陷分别为1、2、3和4。若测得均不是上述四种缺陷，则代码为0，即轴承无缺陷无故障。计算四类缺陷下的特征向量[x₁，x₂]，本发明的轴承故障识别方法识别多组测试集结果如下表1所示：

表1缺陷类型识别结果

基于实验平台测得的60组加速度信号，通过该SVM模型进行识别，辨识结果如表1所示。结果显示，用于训练和测试的绝大部分样本辨识正确，仅圆柱滚子缺陷和芯轴沟道缺陷时的各一个样本辨识错误，识别率高达96.7％。说明本方案提出的基于频域分析和支持向量机的汽车水泵轴承缺陷类型识别方法辨识精度高，能有效辨识其常见故障类型。如上表所示，本发明通过提取频域均方根和频域峭度两个特征值，以及支持向量机的分类方法实现了轴承多种故障的检测，通过实验验证，准确率达96.67％。结果表明，本方案提出的汽车水泵轴承在线监测与诊断方法识别率较高(96.7％)、通用性较好，能有效识别不同转速下的缺陷类型，为汽车水泵轴承的故障诊断提供必要的理论依据和技术支撑。相比公知的贝叶斯方法和神经网络方法，本发明通过提取频域均方根和频域峭度两个特征值，以及支持向量机的分类方法，可以实现较少样本量的前提下，识别轴承缺陷类型，省时省力，十分方便，识别类型精准。

具体地，本发明还包括以下步骤：

步骤S7，设定多种不同的轴承转速，并重复步骤S1-S6，检测结果更完整，更利于保证轴承质量。

作为优选，测试的轴承转速分别为500rpm、1000rpm、1500 rpm、2000rpm、2500rpm和3000rpm，测试的转速种类范围大，转速增幅较小，测试结果精准。

具体地，步骤S6中，在Matlab软件中利用LibSVM工具箱完成对SVM故障诊断模型训练，首先，输入代表实验时训练集的数据x(i)，x(i)包括x1和x2；接着，计算核函数 σ>0；最后，输出用于表示轴承故障诊断类别标号的测试集结果y(k)。本发明在预处理数据的基础上，选用径向基核函数建立SVM模型，再用粒子群参数优化方法进行优化，建立了一个以频域特征向量[x₁，x₂]为输入，以轴承缺陷类型为输出的SVM模型。其中，x₁和x₂是输入的频域均方根和频域峭度；y(k)是SVM模型的输出，即四类缺陷的模式识别结果；x(i)、k(xi,x)、y(k)分别表示训练集数据输入、核函数和测试集结果输出。Matlab软件直接生成的时域信号很难辨别缺陷类型，但这些缺陷轴承在振动信号中会有对应的频率成分出现。在Matlab中利用FFT函数对各时域信号进行处理，可以得到汽车水泵轴承在不同转速下、各类缺陷时的频域信号图谱。其中，轴承在2000rpm转速下，缺陷所对应的频域信号生成图谱，可以得到各类缺陷在低频部分振幅较明显、区别较大。对比钢球缺陷和圆柱滚子缺陷在0——1000HZ范围内的频域信号，其幅值平均值和加速度是圆柱滚子缺陷时的较大。再对比钢球缺陷和芯轴沟道缺陷在0——1000HZ时的频域信号，其幅值平均值和加速度是芯轴沟道缺陷时的较大，方便观测。

进一步地，步骤S6中，将Matlab软件作为客户端，MCGS 软件作为OPC服务器，Matlab软件得出的y(k)与MCGS软件的实时数据库中的轴承缺陷类型一一对应；在Matlab软件得出 y(k)值后，Matlab软件通过OPC接口访问MCGS软件的实时数据库进行数据交换，Matlab软件将数据交换后得到的轴承缺陷类型输出至显示装置并进行显示。本发明利用OPC接口标准实现工业计算机上Matlab软件与显示装置的MCGS软件的数据交换。将MCGS软件作为OPC服务器，Matlab软件作为客户端。当 MCGS软件进入运行状态时，软件会自动启动OPC服务器的功能。其中，组对象的创建和管理由MCGS软件在后台进行，在Matlab 中访问MCGS实时数据库中的数据。检测完的诊断结果输出至显示装置显示。

具体地，待故障识别的轴承为WR系列汽车水泵轴承，Matlab 软件输出的y(k)值分别为0、1、2、3和4；相对应地，MCGS 软件的实时数据库中的轴承缺陷类型分别为无缺陷、钢球缺陷、圆柱滚子缺陷、芯轴沟道缺陷和芯轴滚道缺陷。

汽车发动机工作时，燃料燃烧所释放出来的能量会推动曲轴连杆机构运动，同时也会使发动机内的温度迅速升高。为使发动机正常工作，需要通过冷却系统对发动机进行适度的降温冷却。汽车水泵轴承是汽车冷却系统中的核心部件，一旦出现故障，冷却系统将无法正常工作，甚至引发发动机拉缸等重大事故。由于汽车水泵的空间位置受限制、散热面积较小，因此汽车水泵轴承的工作环境较恶劣，也较容易出现故障。汽车水泵轴承主要由外圈、滚子保持架、滚子、钢球、钢球保持架和芯轴组成。本发明在上述计算和分析的基础上，利用实验平台采集有缺陷的汽车水泵轴承在运转过程中的振动信号，对信号进行处理和分类，并完成缺陷类型的识别。

进一步地，显示装置上设有五个指示灯，指示灯和轴承缺陷类型一一对应，Matlab软件用于控制与轴承缺陷类型相对应的指示灯亮起，便于观测缺陷类型。

进一步地，步骤S1和S2中，时域信号采集自轴承的外圈边缘处，方便测量且测量精准。

优选地，时域信号的采集装置为加速度传感器。通过加速度传感器采集到的轴承振动信号为典型的时域信号，测量方便。

本发明的一种轴承故障识别方法的有益效果是：

1.本发明通过提取频域均方根和频域峭度两个特征值，以及支持向量机的分类方法实现了轴承多种故障的检测，通过实验验证，准确率高；

2.结果表明，本方案提出的汽车水泵轴承在线监测与诊断方法识别率较高、通用性较好，能有效识别不同转速下的缺陷类型，为汽车水泵轴承的故障诊断提供必要的理论依据和技术支撑；

3.相比公知的贝叶斯方法和神经网络方法，本发明通过提取频域均方根和频域峭度两个特征值，以及支持向量机的分类方法，可以实现较少样本量的前提下，识别轴承缺陷类型，省时省力，十分方便，识别类型精准。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明的一种轴承故障识别方法的流程图；

图2是本发明的一种轴承故障识别方法的SVM模型结构示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图1-图2所示的本发明的一种轴承故障识别方法的具体实施例，其包括如下步骤：

步骤S1,获取各种预设缺陷的轴承在设定转速下转动时的多组相等样本量时域信号；

步骤S2,获取待故障识别的轴承在和步骤S1相同转速下转动时的时域信号；

步骤S3,通过FFT函数计算，将时域信号转换为频域信号 fi；

步骤S4,从频域信号fi中，提取功率谱度S(f_i)、频域均方根x₁和频域峭度x₂的频域特征值；其中频域均方根 频域峭度其中，平均功率谱功率谱度T为频域信号fi的单个周期，傅里叶变换函数F_T(ω)＝F[fi]；函数 K为频域信号fi的处理个数；

步骤S5,根据多组预置的轴承缺陷类型的频域特征值，通过径向基核函数和粒子群参数优化方法，建立以频域特征向量[x₁， x₂]为输入，以识别的轴承缺陷类型为输出的SVM模型；

步骤S6，在SVM模型中，输入x₁和x₂，识别并输出轴承缺陷类型。

具体而言，在步骤S1中，预设缺陷的轴承在夹爪的夹持下，随着驱动系统按设定的转速旋转轴承，传感器将测得的数据输入给信号采集系统。

本实施例支持向量机方法是现代故障诊断技术中较年轻又较重要的一种，有比神经网络更好的泛化能力，算法最终转化为一个二次型寻优问题，保证极值解就是全局最优解，较好地解决了小样本的学习分类问题。本研究在预处理数据的基础上，选用径向基核函数建立SVM模型，再用粒子群参数优化方法进行优化，建立了一个以频域特征向量[x₁，x₂]为输入，以轴承缺陷类型为输出的SVM模型。最后，在SVM模型中，输入x₁和x₂，识别并输出轴承缺陷类型。

以待故障识别的轴承为WR系列汽车水泵轴承为例，SVM模型输出的识别代码分别为1、2、3和4；相对应地，MCGS软件的实时数据库中的轴承缺陷类型分别为钢球缺陷、圆柱滚子缺陷、芯轴沟道缺陷和芯轴滚道缺陷。根据本研究搭建的实验平台，获取汽车水泵轴承在不同速度、四类预设缺陷下的60组加速度信号。其中，钢球缺陷、圆柱滚子缺陷、芯轴沟道缺陷和芯轴滚道缺陷的信号各15组。将这四类缺陷的各12组(共 48组)信号作为训练样本，并将其余的12组信号作为测试样本。分析之前训练样本作为预测故障轴承的实验数据，汽车水泵轴承在各缺陷类型下，振动信号的幅值平均值和加速度有明显区别，因此本实施例提取频域均方根和频域峭度作为频率分析的特征值。根据上述SVM模型，将四类缺陷的各12组(共48组)信号进行训练，建立SVM模型。训练和测试样本的类别标号用数字符号表示，钢球缺陷、圆柱滚子缺陷、芯轴沟道缺陷和芯轴滚道缺陷分别为1、2、3和4。若测得均不是上述四种缺陷，则代码为0，即轴承无缺陷无故障。计算四类缺陷下的特征向量[x₁，x₂]，本实施例的轴承故障识别方法识别多组测试集结果如下表1所示：

表1缺陷类型识别结果

基于实验平台测得的60组加速度信号，通过该SVM模型进行识别，辨识结果如表1所示。结果显示，用于训练和测试的绝大部分样本辨识正确，仅圆柱滚子缺陷和芯轴沟道缺陷时的各一个样本辨识错误，识别率高达96.7％。说明本方案提出的基于频域分析和支持向量机的汽车水泵轴承缺陷类型识别方法辨识精度高，能有效辨识其常见故障类型。如上表所示，本实施例通过提取频域均方根和频域峭度两个特征值，以及支持向量机的分类方法实现了轴承多种故障的检测，通过实验验证，准确率达96.67％。结果表明，本方案提出的汽车水泵轴承在线监测与诊断方法识别率较高(96.7％)、通用性较好，能有效识别不同转速下的缺陷类型，为汽车水泵轴承的故障诊断提供必要的理论依据和技术支撑。相比公知的贝叶斯方法和神经网络方法，本实施例通过提取频域均方根和频域峭度两个特征值，以及支持向量机的分类方法，可以实现较少样本量的前提下，识别轴承缺陷类型，省时省力，十分方便，识别类型精准。

具体地，本实施例还包括以下步骤：

步骤S7，设定多种不同的轴承转速，并重复步骤S1-S6，检测结果更完整，更利于保证轴承质量。

作为优选，测试的轴承转速分别为500rpm、1000rpm、1500 rpm、2000rpm、2500rpm和3000rpm，测试的转速种类范围大，转速增幅较小，测试结果精准。

具体地，步骤S6中，在Matlab软件中利用LibSVM工具箱完成对SVM故障诊断模型训练，首先，输入代表实验时训练集的数据x(i)，x(i)包括x1和x2；接着，计算核函数 σ>0；最后，输出用于表示轴承故障诊断类别标号的测试集结果y(k)。本实施例在预处理数据的基础上，选用径向基核函数建立SVM模型，再用粒子群参数优化方法进行优化，建立了一个以频域特征向量[x₁，x₂]为输入，以轴承缺陷类型为输出的SVM模型，其结构如图2所示。其中，x₁和x₂是输入的频域均方根和频域峭度；y(k)是SVM模型的输出，即四类缺陷的模式识别结果；x(i)、k(xi,x)、y(k)分别表示训练集数据输入、核函数和测试集结果输出。Matlab软件直接生成的时域信号很难辨别缺陷类型，但这些缺陷轴承在振动信号中会有对应的频率成分出现。在Matlab中利用FFT函数对各时域信号进行处理，可以得到汽车水泵轴承在不同转速下、各类缺陷时的频域信号图谱。其中，轴承在2000rpm转速下，缺陷所对应的频域信号生成图谱，可以得到各类缺陷在低频部分振幅较明显、区别较大。对比钢球缺陷和圆柱滚子缺陷在 0——1000HZ范围内的频域信号，其幅值平均值和加速度是圆柱滚子缺陷时的较大。再对比钢球缺陷和芯轴沟道缺陷在 0——1000HZ时的频域信号，其幅值平均值和加速度是芯轴沟道缺陷时的较大，方便观测。

进一步地，步骤S6中，将Matlab软件作为客户端，MCGS 软件作为OPC服务器，Matlab软件得出的y(k)与MCGS软件的实时数据库中的轴承缺陷类型一一对应；在Matlab软件得出 y(k)值后，Matlab软件通过OPC接口访问MCGS软件的实时数据库进行数据交换，Matlab软件将数据交换后得到的轴承缺陷类型输出至显示装置并进行显示。本实施例利用OPC接口标准实现工业计算机上Matlab软件与显示装置的MCGS软件的数据交换。将MCGS软件作为OPC服务器，Matlab软件作为客户端。当MCGS软件进入运行状态时，软件会自动启动OPC服务器的功能。其中，组对象的创建和管理由MCGS软件在后台进行，在 Matlab中访问MCGS实时数据库中的数据。检测完的诊断结果输出至显示装置显示。

具体地，待故障识别的轴承为WR系列汽车水泵轴承，Matlab 软件输出的y(k)值分别为0、1、2、3和4；相对应地，MCGS 软件的实时数据库中的轴承缺陷类型分别为无缺陷、钢球缺陷、圆柱滚子缺陷、芯轴沟道缺陷和芯轴滚道缺陷。

汽车发动机工作时，燃料燃烧所释放出来的能量会推动曲轴连杆机构运动，同时也会使发动机内的温度迅速升高。为使发动机正常工作，需要通过冷却系统对发动机进行适度的降温冷却。汽车水泵轴承是汽车冷却系统中的核心部件，一旦出现故障，冷却系统将无法正常工作，甚至引发发动机拉缸等重大事故。由于汽车水泵的空间位置受限制、散热面积较小，因此汽车水泵轴承的工作环境较恶劣，也较容易出现故障。汽车水泵轴承主要由外圈、滚子保持架、滚子、钢球、钢球保持架和芯轴组成。本实施例在上述计算和分析的基础上，利用实验平台采集有缺陷的汽车水泵轴承在运转过程中的振动信号，对信号进行处理和分类，并完成缺陷类型的识别。

进一步地，显示装置上设有五个指示灯，指示灯和轴承缺陷类型一一对应，Matlab软件用于控制与轴承缺陷类型相对应的指示灯亮起，便于观测缺陷类型。

进一步地，步骤S1和S2中，时域信号采集自轴承的外圈边缘处，方便测量且测量精准。

优选地，时域信号的采集装置为加速度传感器。通过加速度传感器采集到的轴承振动信号为典型的时域信号，测量方便。

应当理解，以上所描述的具体实施例仅用于解释本发明，并不用于限定本发明。由本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (9)

1.一种轴承故障识别方法，其特征在于，包括如下步骤：

步骤S1,获取各种预设缺陷的轴承在设定转速下转动时的多组相等样本量时域信号；

步骤S2,获取待故障识别的轴承在和步骤S1相同转速下转动时的时域信号；

步骤S3,通过FFT函数计算，将所述时域信号转换为频域信号fi；

步骤S4,从所述频域信号fi中，提取功率谱度S(f_i)、频域均方根x₁和频域峭度x₂的频域特征值；其中所述频域均方根频域峭度其中，平均功率谱功率谱度T为频域信号fi的单个周期，傅里叶变换函数F_T(ω)＝F[fi]；函数 K为频域信号fi的处理个数；

步骤S5,根据多组预置的轴承缺陷类型的频域特征值，通过径向基核函数和粒子群参数优化方法，建立以频域特征向量[x₁，x₂]为输入，以识别的轴承缺陷类型为输出的SVM模型；

步骤S6，在SVM模型中，输入x₁和x₂，识别并输出轴承缺陷类型。

2.根据权利要求1所述的一种轴承故障识别方法，其特征在于，还包括以下步骤：

步骤S7，设定多种不同的轴承转速，并重复步骤S1-S6。

3.根据权利要求2所述的一种轴承故障识别方法，其特征在于，测试的轴承转速分别为500rpm、1000rpm、1500rpm、2000rpm、2500rpm和3000rpm。

4.根据权利要求1所述的一种轴承故障识别方法，其特征在于，步骤S6中，在Matlab软件中利用LibSVM工具箱完成对SVM故障诊断模型训练，首先，输入代表实验时训练集的数据x(i)，x(i)包括x1和x2；接着，计算核函数 σ>0；最后，输出用于表示轴承故障诊断类别标号的测试集结果y(k)。

5.根据权利要求4所述的一种轴承故障识别方法，其特征在于，步骤S6中，将Matlab软件作为客户端，MCGS软件作为OPC服务器，Matlab软件得出的y(k)与MCGS软件的实时数据库中的轴承缺陷类型一一对应；在Matlab软件得出y(k)值后，Matlab软件通过OPC接口访问MCGS软件的实时数据库进行数据交换，Matlab软件将数据交换后得到的轴承缺陷类型输出至显示装置并进行显示。

6.根据权利要求1-5中任一项所述的一种轴承故障识别方法，其特征在于，待故障识别的轴承为WR系列汽车水泵轴承，Matlab软件输出的y(k)值分别为0、1、2、3和4；相对应地，MCGS软件的实时数据库中的轴承缺陷类型分别为无缺陷、钢球缺陷、圆柱滚子缺陷、芯轴沟道缺陷和芯轴滚道缺陷。

7.根据权利要求6中所述的一种轴承故障识别方法，其特征在于，所述显示装置上设有五个指示灯，所述指示灯和轴承缺陷类型一一对应，所述Matlab软件用于控制与轴承缺陷类型相对应的指示灯亮起。

8.根据权利要求1-5中任一项所述的一种轴承故障识别方法，其特征在于，步骤S1和S2中，所述时域信号采集自轴承的外圈边缘处。

9.根据权利要求8所述的一种轴承故障识别方法，其特征在于，所述时域信号的采集装置为加速度传感器。