CN112284575A - 一种基于电涡流位移传感器的轴承载荷在线监测方法 - Google Patents

Abstract

一种基于电涡流位移传感器的轴承载荷在线监测方法，首先加宽轴承内圈设置电涡流位移传感器，监测轴承在不同载荷及转速下径向、轴向、角向静态位移s；然后构建轴承的拟静力学模型：K(α)·s＝F；并应用有限元仿真软件分析轴承设计参数K(α)对轴承位移的影响程度，筛选出影响较大的设计参数α_T；利用计算方法得到实验结果与仿真结果之间的误差，进而对误差均值较大的设计参数α_T进行修正；最后应用图神经网络方法构建关联模型，利用深度学习算法辨识轴承接触状态，实现轴承运行条件下的载荷监测模型精度的在线监测和评估，以判断轴承载荷位移关系是否需要重新标定。

Description

一种基于电涡流位移传感器的轴承载荷在线监测方法

技术领域

本发明涉及轴承载荷监测技术领域，具体涉及一种基于电涡流位移传感器的轴承载荷在线监测方法。

背景技术

载荷作为反映轴承运行状态的关键物理量，其测量方法一直是轴承领域关注的热点，连续的载荷测量，一方面有助于检测到负载异常，避免轴承故障引发严重事故，另一方面可以作为系统控制的有效输入控制轴承的服役状态。目前，对轴承载荷监测的常见方法有直接监测和间接监测两种。

直接监测是利用各种力传感器，如利用弹性环、定制力传感器等直接测量得到轴承载荷，但受限于力传感器的尺寸太大，该方案难以集于轴承本体，且无法测量旋转部件载荷。间接监测可以分为基于变形和静态位移两种方法。变形监测主要是利用应变片或光纤传感器监测轴承元件的微变形实现载荷监测，但该方法需要对轴承元件本身进行改造，且应变片所在的表面无法直接受力，仅适用于特定场合；基于静态位移的监测方法直接对内外圈静态位移进行监测，利用位移与载荷的关系计算轴承受力，无需对轴承元件改造，但由于轴承静态位移与载荷之间是强非线性关系，并且从位移到载荷的非线性映射函数随着轴承的工况(如转速、载荷、温度等)的变化而变化，因此建立每种工况下的非线性映射函数就成为基于静态位移的载荷监测的关键以及难点。

静态位移作为常见的监测参数，通常在轴承中集成有多个位移传感器，结合静态位移与载荷关系，完全可以实现基于静态位移的轴承载荷监测，避免使用载荷测量所需的力传感器，降低轴承载荷测量难度，减少对轴承元件的改造。

减少轴承多物理量测量时传感器的种类及数量，实现轴承载荷的间接测量，不失为轴承载荷监测的一种切实可行的方法，但要实现该测量原理的精确高效仍有以下两个问题需要解决：(1)构建准确的静态位移-载荷测量模型；(2)考虑轴承长期运行所产生的磨损会造成轴承静态位移-载荷关系发生漂移，影响载荷测量精度，需对载荷监测模型准确度进行在线评估。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供了一种基于电涡流位移传感器的轴承载荷在线监测方法，首先加宽轴承内圈，并在径向、轴向位置放置电涡流位移传感器，监测轴承在不同载荷及转速下径向、轴向、角向静态位移s；然后基于静态位移数据，利用轴承的基本设计参数K(α)，构建轴承的拟静力学模型：K(α)·s＝F；并应用有限元仿真软件分析轴承设计参数K(α)对轴承位移的影响程度，筛选出影响轴承位移的设计参数α_T；在此基础上，利用差分计算方法得到实验结果与仿真结果之间的误差，进而利用优化算法对误差均值影响轴承位移的设计参数α_T进行修正；最后应用图神经网络方法构建温度、转速、振动、各个方向位移量等物理量与轴承载荷的关联模型，利用深度学习算法辨识轴承接触状态，实现轴承运行条件下的载荷监测模型精度的在线监测和评估，以判断轴承载荷位移关系是否需要重新标定。

为了达到上述目的，本发明的技术方案是：

一种基于电涡流位移传感器的轴承载荷在线监测方法，包括以下步骤：

步骤1、加宽轴承内圈，使其能在径向及轴向上布置至少三个传感器，运用载荷加载试验，采集轴承内圈相对于外圈的径向、轴向、角向静态位移s；

步骤2、建立轴承静态位移-载荷关系模型：基于轴承的基本设计参数与转速导致的离心力及陀螺力矩，构建轴承的拟静力学模型：K(α)·s＝F，其中K(α)为模型相关矩阵，α为轴承基本设计参数，s为轴承各向位移向量，F为轴承载荷向量；并利用有限元仿真与极差分析方法得到影响轴承位移的设计参数α_T；

步骤3、轴承静态位移-载荷关系模型标定：通过给定工况下的载荷位移关系，建立差分标定模型；然后实验得到不同载荷及转速下的载荷与静态位移数据，对其进行差分处理，计算仿真状态及实验状态下轴承差分载荷误差，采用优化计算方法对影响轴承位移的设计参数α_T进行修正；

步骤4、轴承静态位移-载荷关系模型漂移监测：建立图神经网络模型，挖掘各监测参数的关联关系；建立孤立森林模型，利用孤立森林异常判别方法，识别轴承接触状态是否发生变化。

步骤5、若步骤4监测到模型的接触状态发生变化，将轴承拆下，重新进行装配，然后重复步骤2至步骤4，对位移-载荷关系模型进行调整监测。

所述步骤2中，K(α)·s＝F为轴承载荷与位移关系理论模型；在此基础上，基于ANSYS仿真软件建立轴承仿真模型，在给定载荷的前提下，以轴承生产中节圆直径、沟底曲率系数、接触角设计参数的加工误差范围为控制量，利用正交试验原理，通过仿真分析获得轴承各个设计参数变动或加工误差对轴承位移的影响程度，并利用极差分析方法确定影响因素；之后，以影响因素为载荷-位移关系模型中的识别与修正参数，形成包含轴承使用因素的轴承联合载荷与各个方向位移关系的非线性映射模型：K(α_T)·s＝F，其中：α_T为在给定载荷下对轴承静态位移有影响的设计参数，即本模型中需要识别的参数。

所述步骤3中，以步骤2筛选得到的理想仿真状态下对轴承位移-载荷模型有影响的设计参数α_T为基础，构建设计参数α_T的差分标定模型；然后通过加载实验台，对轴承分别施加不同载荷和不同转速，采集轴承运行载荷与静态位移数据，根据前述已建立的差分标定模型，对数据进行差分处理；最后，以轴承理论设计参数为待识别参数α_T的初始值，将差分位移数据带入差分标定模型即可得到对应的差分载荷，通过计算理论差分载荷与实际差分载荷的误差，利用粒子群优化算法对设计参数α_T进行修正。

所述步骤4中，利用图神经网络和孤立森林建立轴承静态位移-载荷关系模型漂移监测模型：首先以轴承转速、位移、载荷、径向振动作为图的节点，通过单层感知机学习节点之间的关联关系，形成节点-边-属性的图结构，利用实时监测数据对图结构进行训练，得到各监测参数间的内在关联；而后以所获图结构为输入，通过卷积层和单层感知机对图结构进行编码，使监测参数的特性与关联关系转换成低维向量表示；然后，引入基于孤立森林的异常判别方法，以图编码特征向量为样本集随机抽取多组输入，构造多棵差异化孤立树组成孤立森林，求解孤立森林中所有孤立树的平均深度作为轴承接触状态是否发生变化的判据；当新的运行数据输入模型，模型计算该数据在孤立森林中的深度，通过与平均深度比较，即可判断该数据与训练数据的差异性，识别轴承的实时接触状态，判断轴承载荷偏移关系是否需要重新标定。

本发明的有益效果是：通过利用轴承常见监测参数-静态位移，实现轴承载荷测量，可显著减少轴承监测过程中所使用传感器的种类及数量，降低测量难度；同时考虑轴承长期运行导致的轴承运行状态变化会引发载荷测量准确性降低，引入深度学习方法，自适应识别轴承状态，保障载荷测量的精确性。

附图说明

图1是本发明方法步骤流程图。

图2是本发明轴承位移-载荷标定过程。

图3是本发明图神经网络模型及孤立森林模型。

具体实施方式

下面结合附图对本发明实施例中的技术方案进行清楚、完整地描述。

如图1所示，本发明的一种基于电涡流位移传感器的轴承载荷监测方法，具体实施方案如下：

步骤1、加宽轴承内圈，使其能在径向及轴向上布置至少三个传感器，运用载荷加载试验，依据传感器与轴承测量表面标记点间的距离得到轴承内圈相对于外圈的径向、轴向静态位移，然后依据径向、轴向位移及三点确定空间方位的方法获得轴承角向位移；

步骤2、依据基于轴承的基本设计参数与转速导致的离心力及陀螺力矩，建立拟静力学模型，即K(α)·s＝F，K(α)可根据经验公式计算得到，s根据步骤1实验测得；在此基础上，基于ANSYS仿真软件建立轴承仿真模型，在给定载荷的前提下，以轴承生产中节圆直径、沟底曲率系数、接触角等设计参数的加工误差范围为控制量，利用正交试验原理，通过仿真分析获得轴承各个设计参数变动(加工误差)对轴承位移的影响程度，并利用极差分析方法确定影响因素；之后，以影响因素为载荷-位移关系模型中的识别与修正的参数，形成包含轴承使用因素的轴承联合载荷与各个方向位移关系的非线性映射模型：K(α)·s＝F，其中：α_T为在给定载荷下对轴承静态位移有影响的设计参数，即本模型中需要识别的参数。

参照图2，步骤3、在步骤2的轴承静态位移-载荷关系模型的基础上，仿真得到定载荷、变转速工况或定转速、变载荷工况下轴承的载荷偏移关系；利用上述载荷位移关系，构建载荷偏移差分表达式K(α_T)·s＝Δf_i，得到差分标定模型；然后通过加载实验台，对轴承分别施加不同载荷和转速，采集轴承运行载荷与静态偏移数据，根据前述已建立的差分标定模型，对数据进行差分处理；最后，利用所采数据，以设计参数为未知量，采用优化计算方法得到对轴承位移-载荷关系模型有影响的设计参数，并对设计参数进行修正，直至满足要求。

参照图3，步骤4、，利用图神经网络方法，建立图学习-图编码模型：图学习过程以转速、位移、载荷、径向振动作为图的节点，通过单层感知机学习节点之间的关联关系，形成节点-边-属性的图结构，利用大量的实时监测数据对模型进行训练，得到各监测参数间的内在关联，而后将监测参数的特性与关联关系转换为低维向量；以图学习-图编码模型获得的特征向量为样本集，随机抽取多组输入孤立森林，求解孤立森林中所有孤立树的平均深度，当新的运行数据输入模型，模型计算该数据在孤立森林中的深度，通过与平均深度比较，当深度大于平均深度时，需要对步骤2建立的位移-载荷模型进行修正。

步骤5、若步骤4监测到模型的接触状态发生变化，将轴承拆下，重新进行装配，然后重复步骤2至少步骤4，对位移-载荷关系模型进行调整监测。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种基于电涡流位移传感器的轴承载荷在线监测方法，其特征在于，包括以下步骤：

步骤1、加宽轴承内圈，使其能在径向及轴向上布置至少三个电涡流位移传感器，运用载荷加载试验，采集轴承内圈相对于外圈的径向、轴向、角向静态位移s；

步骤2、建立轴承静态位移-载荷关系模型：基于轴承的基本设计参数与转速导致的离心力及陀螺力矩，构建轴承的拟静力学模型：K(α)·s＝F，其中K(α)为模型相关矩阵，α为轴承基本设计参数，s为轴承各向位移向量，F为轴承载荷向量；并利用有限元仿真与极差分析方法得到影响轴承位移的设计参数α_T；

步骤3、轴承静态位移-载荷关系模型标定：通过给定工况下的载荷位移关系，建立差分标定模型；然后实验得到不同载荷及转速下的载荷与静态位移数据，对其进行差分处理，计算仿真状态及实验状态下轴承差分载荷误差，采用优化计算方法对影响轴承位移的设计参数α_T进行修正；

步骤4、轴承静态位移-载荷关系模型漂移监测：建立图神经网络模型，挖掘各监测参数的关联关系；建立孤立森林模型，利用孤立森林异常判别方法，识别轴承接触状态是否发生变化；

步骤5、若步骤4监测到模型的接触状态发生变化，将轴承拆下，重新进行装配，然后重复步骤2至步骤4，对位移-载荷关系模型进行调整监测。

2.根据权利要求1所述的一种基于电涡流位移传感器的轴承载荷在线监测方法，其特征在于，

所述步骤2中，K(α)·s＝F为轴承载荷与位移关系理论模型；在此基础上，基于ANSYS仿真软件建立轴承仿真模型，在给定载荷的前提下，以轴承生产中节圆直径、沟底曲率系数、接触角设计参数的加工误差范围为控制量，利用正交试验原理，通过仿真分析获得轴承各个设计参数变动或加工误差对轴承位移的影响程度，并利用极差分析方法确定影响因素；之后，以影响因素为载荷-位移关系模型中的识别与修正的参数，形成包含轴承使用因素的轴承联合载荷与各个方向位移关系的非线性映射模型：K(α_T)·s＝F，其中：α_T为在给定载荷下对轴承静态位移有影响的设计参数，即本模型中需要识别的参数。

3.根据权利要求1所述的一种基于电涡流位移传感器的轴承载荷在线监测方法，其特征在于，

所述步骤3中，以步骤2筛选得到的理想仿真状态下对轴承位移-载荷模型有影响的设计参数α_T为基础，构建设计参数α_T的差分标定模型；然后通过加载实验台，对轴承分别施加不同载荷和不同转速，采集轴承运行载荷与静态位移数据，根据前述已建立的差分标定模型，对数据进行差分处理；最后，以轴承理论设计参数为待识别参数α_T的初始值，将差分位移数据带入差分标定模型即可得到对应的差分载荷，通过计算理论差分载荷与实际差分载荷的误差，利用粒子群优化算法对设计参数α_T进行修正。

4.根据权利要求1所述的一种基于电涡流位移传感器的轴承载荷在线监测方法，其特征在于，

所述步骤4中，利用图神经网络和孤立森林建立轴承静态位移-载荷关系模型漂移监测模型：首先以轴承转速、位移、载荷、径向振动作为图的节点，通过单层感知机学习节点之间的关联关系，形成节点-边-属性的图结构，利用实时监测数据对图结构进行训练，得到各监测参数间的内在关联；而后以所获图结构为输入，通过卷积层和单层感知机对图结构进行编码，使监测参数的特性与关联关系转换成低维向量表示；然后，引入基于孤立森林的异常判别方法，以图编码特征向量为样本集随机抽取多组输入，构造多棵差异化孤立树组成孤立森林，求解孤立森林中所有孤立树的平均深度作为轴承接触状态是否发生变化的判据；当新的运行数据输入模型，模型计算该数据在孤立森林中的深度，通过与平均深度比较，即可判断该数据与训练数据的差异性，识别轴承的实时接触状态，判断轴承载荷偏移关系是否需要重新标定。

Images