CN112525531B - 一种嵌入式智能轴承监测系统及其监测方法 - Google Patents
一种嵌入式智能轴承监测系统及其监测方法 Download PDFInfo
- Publication number
- CN112525531B CN112525531B CN202011079218.2A CN202011079218A CN112525531B CN 112525531 B CN112525531 B CN 112525531B CN 202011079218 A CN202011079218 A CN 202011079218A CN 112525531 B CN112525531 B CN 112525531B
- Authority
- CN
- China
- Prior art keywords
- bearing
- state
- monitoring system
- data
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000001133 acceleration Effects 0.000 claims description 46
- 239000003990 capacitor Substances 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 238000005096 rolling process Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/10—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors
- G01J5/12—Radiation pyrometry, e.g. infrared or optical thermometry using electric radiation detectors using thermoelectric elements, e.g. thermocouples
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种嵌入式智能轴承的监测系统，包括轴承本体、安装在轴承本体内部的传感元件、与传感元件电性相连的信号处理模块以及用以感知与决策的融合分析模块；本发明还公开了一种嵌入式智能轴承的监测系统的监测方法，具体包括以下步骤：1、信号处理模块接收来传感元件信号；2、融合分析模块提取相关特征指标，将轴承运行状态分为三个状态，并通过提取出的融合指标判断轴承的运行状态；本发明可以自感知轴承的振动与温度信号并且判断轴承故障程度，其传感元件安装于轴承内部，测得数据的精度比以往的测量方式更高，通过多特征指标融合的方式，更加全面准确判断轴承的工作状态。
Description
技术领域
本发明属于智能轴承技术领域，具体涉及一种嵌入式智能轴承的监测系统 其及其监测方法。
背景技术
滚动轴承是机械设备的重要零件之一，其主要作用是支撑机械旋转体， 保证回转精度。由于滚动轴承具有摩擦系数小，传动效率高，发热量少等优点， 滚动轴承广泛应用于航空航天、高铁等领域，对国家经济发展和国防建设有着 重大影响。但滚动轴承在运转过程中可能会由于各种原因引起损坏，如润滑不 良、过载、装配不当均可能使轴承过早损坏，一旦轴承失效导致机械设备停机， 将造成巨大财产损失甚至引发安全事故。
长期以来，对滚动轴承工作状态的实时监测以及轴承的故障诊断和寿命预 测一直是重要的研究和应用领域。目前大多数轴承使用单位仍采用人工巡检的 方式进行轴承质量监控，因巡检的频次及数据量不够，且较多的内部机械故障， 现有系统及人工定检难以及时发现早期故障，容易导致设备大故障、安全事故； 目前，针对滚动轴承的监测系统一般是将传感器安装在轴承座上或靠近轴承座 的结构上，轴承产生故障的位置距离传感器安装位置较远，信号在传输过程中 容易存在能量损耗，尤其在采集轴承振动信号时，信号需要通过轴承座或其它 零部件传递到传感器，信号在传输过程会产生衰减，导致传感器不易检测到早 期故障信号。
智能轴承是一种由经过改进的轴承本体及相关辅件、镶嵌在轴承体内或相 关辅件内的微传感器、处理传输电路(专用芯片)、采集卡、信号处理与分析 软件和轴承服役状态调控装置组成，可实现服役状态的自感知、自诊断、自适 应的轴承系统。目前的智能轴承有外挂式与嵌入式两种结构形式，外挂式智能 轴承不会破坏轴承完整性，所以不造成应力集中等问题从而不影响轴承的性能 指标，但其传感元件等要附加在轴承周围，会改变轴承的总体尺寸，且由于传 感器远离信号源，所测得的信号会受到环境噪声的影响，偏离真实值，导致测 量精度不佳。嵌入式智能轴承则是将传感器嵌入到轴承内，使得测量点更接近信号源，大大提高了测量精度，有很高的实际应用价值。但嵌入式智能轴承需 要改变轴承结构，如果集成方式不当，则会影响到轴承结构从而使轴承的使用 寿命降低，并且由于轴承的安装环境普遍较为严格，在轴承本体上集成传感器 也会产生布线困难、传感器工况恶劣等问题。
通过在轴承上集成复合传感器实现对轴承加速度、转速以及温度的测量。 例如，中国专利，专利号为CN 101354312的专利，公开的一种轴承故障诊断 系统，可以有效的提取轴承的故障信号。但还缺乏如何根据故障信号对轴承状 态进行识别的技术方法。通过安装在轴承上的耦合式监测装置，例如，中国专 利，专利号为CN 101819092 A的专利，公开的一种安装在轴承上的智能轴承 监测系统，实现了轴承多参量的同步触发采集，但其仍属于外挂式智能轴承， 没有克服其测量精度不佳以及会改变轴承使用尺寸的缺陷。通过利用电磁感应 实现为传感器供电。再如，中国专利，专利号为CN 109630542 A的专利，公 开了一种内置无线传感器且具有自供电功能的智能轴承，实现了传感器的自供 电，但其需要对内圈进行破坏，会对轴承使用寿命及功能产生较大影响。
发明内容
本发明的目的是提供一种嵌入式智能轴承的监测系统其及其监测方法，该 监测系统及监测方法，可以自感知轴承的振动与温度信号并且判断轴承故障程 度，其传感元件安装于轴承内部，测得数据的精确度比以往的测量方式更高， 并且采用区别于传统单一指标的融合指标，可以更加准确全面地评估轴承工作 状态，以解决背景技术中所提出的缺陷或问题。
为实现上述发明目的，本发明的实施例提供一种嵌入式智能轴承的监测系 统，其特征在于，包括轴承本体、安装在轴承本体内部的传感元件、与传感元 件电性相连的信号处理模块以及用以感知与决策的融合分析模块；
其中，所述轴承本体的外圈侧面沿径向开设有让位槽；
所述传感元件安装在让位槽内；所述传感元件包括红外温度传感器和加速 度传感器；
所述信号处理模块由电源、单片机、A/D转换电路和数据存储器组成，所 述电源为整个监测系统供电，所述信号处理模块与传感元件电连接，并安装在 与轴承本体临近的支撑结构上，所述信号处理模块用以接收传感元件得到的监 测数据经A/D转换电路进行A/D转换和在数据存储器内暂存；
所述融合分析模块包括与信号处理模块通信的通讯模块、对信号进行滤波 的卡尔曼滤波器、从检测信号中提取轴承工作状态的特征提取器、用以对轴承 工作状态进行判断的状态识别器以及用以发出报警的故障报警器。
进一步的，所述加速度传感器为三轴加速度传感器，所述三轴加速度传感 器外部连接去耦、降噪的第一电容器及第一电阻形成集成电路粘贴于所述位于 外圈的让位槽中。
进一步的，所述红外温度传感器与加速度传感器并列放置，所述红外温度 传感器的探头方向与轴承轴向垂直，且指向轴承的内圈。
优选的，所述红外温度传感器外接用以过滤轴承工作时产生高频噪声的第 二电容、第二电阻。
进一步的，所述融合分析模块与信号处理模块采用串口通信，并控制信号 采集开始与停止。
进一步的，所述卡尔曼滤波器，根据上一时刻的观测数据，求出当前时刻 观测数据的最优估计值。
本发明的实施例还提供一种嵌入式智能轴承的监测系统的监测方法，其特 征在于，包括以下过程：
S1、信号处理模块接收来自红外温度传感器及加速度传感器的信号，并对 所接受到的信号进行A/D转换处理和保存，并将数据传输至融合处理模块；
S2、融合处理模块通过接收到信号处理模块的轴承监测信号，首先通过卡 尔曼滤波器对测量数据进行滤波，即假设k时刻的估计值与k-1时刻的最优估 计值和k时刻的测量值有关：
式中，Qk为k时刻的系统噪声，服从高斯分布，K为卡尔曼增益，yk为k 时刻的测量值；
其中，k时刻的卡尔曼增益K为：
Kk＝PkHT(HPkHT+R)-1
式中，H测量系统参数，R为测量噪声；
通过卡尔曼滤波，可以有效排除监测数据中包括系统中的噪声和干扰的影 响。
S3、特征提取器提取出加速度信号的均方根、标准差、峭度以及温度信号 相关特征指标；特征参数总数为m；
通过比对过往数据的融合指标将轴承工作过程分为三个工作状态，即正常 状态、早期退化状态以及故障状态，并确定设备早期故障点P和功能故障点F；
S4、建立轴承工作的HMM模型λ，已知观测序列O，利用 Expectation-Maximum算法求概率参数模型的最大似然估计，即定义t时刻位 于隐藏状态Si的概率变量为：
γt(i)＝p(qt＝Si|O，λ)
则t时刻位于隐藏状态Si及t+1时刻位于隐藏状态Sj的概率变量为：
ξt(i，j)＝p(qt＝Si，qt+1＝Sj|O，λ)；
定义前向变量与后向变量，通过迭代计算完整数据的对数似然函数L(x；λ) 的期望来估算不完整数据的对数似然函数，反复对模型参数的初始值重新估计， 最终得到模型参数λ的最优估计。
S5、利用已经训练好的各状态HMM参数λ＝(A，B，π)，基于Viterbi算法 分别对当前待测序列进行识别，分别计算对应各个状态HMM的似然概率， 似然概率最大值判断为所处的状态；
S6、当状态识别器所识别结果落在早期故障点P以内时，轴承处于正常工 作状态，监测系统不做响应并等待接收下一批监测数据。
当状态识别器所识别结果落在早期故障点P与功能故障点F之间时，轴承 处于早期退化状态。
当状态识别器所识别结果落在功能故障点F以外时，轴承处于故障状态， 监测系统的故障报警器发出报警。
在进一步的实施例中，在步骤S1中，加速度传感器可以分别测量x、y、 z三个方向的加速度，并分别由outx、outy与outz这三端口电压输出，所述第 一电容器安装在靠近三轴加速度传感器的位置；所述第一电容、第一电阻形成 外部滤波器，实现低通滤波降噪，外部滤波器的截止频率Ft的公式为：
其中，Rout为传感器内部滤波电阻阻值，Cload为所连接的电容器电容；
所述加速度传感器所得示数为：
Xout(x，y，z)＝A(Vout(x，y，z)-VDD/2)
式中，A为转换系数，Vout为加速度传感器引脚输出电压，VDD为电源 电压。
在进一步的实施例中，所述红外温度传感器内部包含有若干个串联的热电 偶，热电偶的冷接头置于芯片衬底上，热接头置于薄膜上；薄膜通过吸收或是 辐射红外线使自身加热或冷却；
热电偶的输出信号为：
Vir(Ta，To)＝A(To 4-Ta 4)；
其中，Ta为传感器温度，To为被测轴承内圈温度。
在进一步的实施例中，根据轴承常见工况，设定红外温度传感器的测量范 围Tomax与Tomin，则红外传感器分辨率为：
实际温度To为K×输出电压Vir；
红外温度传感器每隔时间t采集一次数据，采集频率为f；所得数据依次 发送到上位机中进行轴承状态异常检测。
本发明的上述技术方案的有益效果如下：
(1)本发明的一种嵌入式智能轴承的监测系统及检测方法，该智能轴承 采用径向开槽的方式，将传感元件安装在轴承的外圈中，传感元件中的加速度 传感器可测量轴承工作的振动与加速度信号，其中，三轴振动传感器传出三路 信号，传感元件中的红外温度传感器可检测内圈的温度，红外温度传感器传出 一路信号；传感元件所测量信号经单片机及其核心板进行模数转换并由数据存 储器进行数据存储，单片机通过串口连接至融合分析模块，并设有检测程序可 分析轴承的故障信号，当轴承性能退化超过阈值时可自动报警。
(2)本发明的一种嵌入式智能轴承的监测系统及检测方法，可以自感知 轴承的振动与温度信号并且判断轴承故障程度，其传感元件安装于轴承内部， 测得数据的精确度比以往的测量方式更高。
(3)本发明的智能轴承的监控系统，在轴承上集成了多个传感器，可采 集轴承工作的多维信号，并可对采集到的信号进行融合分析，使轴承具备了自 感知、自决策能力，可以更加准确判断轴承性能指标的退化情况。
附图说明
图1为本发明中监控系统的结构示意图；
图2为本发明中监控系统的工作流程图；
图3为本发明中融合分析模块工作流程图；
图4为本发明中智能轴承的结构示意图；
图5为图4的纵向剖视图。
附图标记说明：1、轴承本体；11、外圈；12、让位槽；13、滚动体；14、 内圈；15、保持架；2、红外无线传感器；3、加速度传感器；4、信息处理模 块；5、融合分析模块。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附 图及具体实施例进行详细描述。
在本发明的描述中，需要说明的是，术语“中心”、“上”“下”、“左”、“右”、 “竖直”、“水平”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于附 图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示 或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因 此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描 述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安 装”、“相连”、“连接”应作为广义理解，例如，可以是固定连接，也可以是可 拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相 连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域 的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1、图4和图5所示，一种嵌入式智能轴承的监测系统，包括轴承本 体1、安装在轴承本体1内部的传感元件、与传感元件电性相连的信号处理模 块4以及用以感知与决策的融合分析模块5；
其中，所述轴承本体1包括外圈11、内圈14、安装于外圈11与内圈14 之间的滚动体13、以及设置在外圈11与内圈14之间且用于支撑和保护滚动 体13的保持架15；所述外圈11的侧面沿径向开设有让位槽12；
所述传感元件安装在让位槽12内；所述传感元件包括红外温度传感器2 和加速度传感器3；
所述信号处理模块4由电源、单片机、A/D转换电路和数据存储器组成， 所述电源为整个监测系统供电，所述信号处理模块4与传感元件电连接，并安 装在与轴承本体1临近的支撑结构上，所述信号处理模块4用以接收传感元件 得到的监测数据经A/D转换电路进行A/D转换和在数据存储器内暂存；
所述融合分析模块5包括与信号处理模块4通信的通讯模块、对信号进行 滤波的卡尔曼滤波器、从检测信号中提取轴承工作状态的特征提取器、用以对 轴承工作状态进行判断的状态识别器以及用以发出报警的故障报警器。
在进一步的实施例中，由于轴承工作环境包含大量的高频噪声，需在传感 器引脚连接电容，以实现抗混叠和低通滤波降噪，所述加速度传感器为三轴加 速度传感器，所述三轴加速度传感器外部连接去耦、降噪的第一电容器及第一 电阻形成集成电路粘贴于所述位于外圈的让位槽中。
在进一步的实施例中，所述红外温度传感器2与加速度传感器3并列放置， 所述红外温度传感器的探头方向与轴承轴向垂直，且指向轴承的内圈。
优选的，为过滤轴承工作时产生的高频噪声，所述红外温度传感器外接用 以过滤轴承工作时产生高频噪声的第二电容、第二电阻。
在进一步的实施例中，所述融合分析模块5与信号处理模块4采用串口通 信，并控制信号采集开始与停止。
在进一步的实施例中，所述卡尔曼滤波器，根据上一时刻的观测数据，求 出当前时刻观测数据的最优估计值。
由于环境噪声、测量误差等诸多因素的影响，传感器采集到的轴承信号无 法表征轴承的全部状态信息。因此，为达到智能轴承自感知工作状态以及性能 退化程度，需要对多传感器所测数据做融合分析。为达上述目的，监测系统设 有融合分析模块。融合分析模块工作流程图，如图3所示。融合分析模块包含 卡尔曼滤波器，根据上一时刻的观测数据，求出当前时刻观测数据的最优估计 值，可以提高滤波后数据的稳健性。
本发明中的传感元件包括红外温度传感器2和加速度传感器3，针对目前 的单一传感器无法表征轴承的全部状态信息，并对所采集的信号进行融合分析。 使用隐马尔可夫模型从监测信号中提取轴承的状态信息。隐马尔科夫模型具有 状态隐含、观测序列可见的双重随机属性，很好地描述了设备运行过程中的衰 退状态与观测到的征兆信号之间的随机关系。
本发明的实施例还提供一种嵌入式智能轴承的监测系统的监测方法，包括 以下过程：
S1、信号处理模块4接收来自红外温度传感器2及加速度传感器3的信号， 并对所接受到的信号进行A/D转换处理和保存，并将数据传输至融合处理模 块5。
其中，加速度传感器3可以分别测量x、y、z三个方向的加速度，并分别 由outx、outy与outz这三端口电压输出，所述第一电容器安装在靠近三轴加 速度传感器的位置；所述第一电容、第一电阻形成外部滤波器，实现低通滤波 降噪，外部滤波器的截至频率(Ft)的公式为：
其中，Rout为传感器内部滤波电阻阻值，Cload为所连接的电容器电容；
所述加速度传感器3所得示数为：
Xout(x，y，z)＝A(Vout(x，y，z)-VDD/2)
式中，A为转换系数，Vout为加速度传感器引脚输出电压，VDD为电源 电压。
其中，所述红外温度传感器2内部包含有若干个串联的热电偶，热电偶的 冷接头置于芯片衬底上，热接头置于薄膜上；薄膜通过吸收或是辐射红外线使 自身加热或冷却；
热电堆的输出信号为：
Vir(Ta，To)＝A(To 4-Ta 4)
其中，Ta为传感器温度，To为被测轴承内圈温度。
根据轴承常见工况，设定红外温度传感器的测量范围Tomax与Tomax，则红 外传感器分辨率为：
实际温度To为K×输出电压Vir；
红外温度传感器2每隔时间t采集一次数据，每次数据采集时间为一秒， 采集频率为f；所得数据依次发送到上位机中进行轴承状态异常检测。
S2、融合处理模块5通过接收到信号处理模块4的轴承监测信号，首先通 过卡尔曼滤波器对测量数据进行滤波，即假设k时刻的估计值与k-1时刻的最 优估计值和k时刻的测量值有关：
式中，Qk为k时刻的系统噪声，服从高斯分布，K为卡尔曼增益，yk为k 时刻的测量值；
其中，k时刻的卡尔曼增益K为：
Kk＝PkHT(HPkHT+R)-1
式中，H测量系统参数，R为测量噪声；
通过卡尔曼滤波，可以有效排除监测数据中包括系统中的噪声和干扰的影 响；
S3、特征提取器提取出加速度信号的均方根、标准差、峭度以及温度信号 相关特征指标；特征参数总数为m；
通过比对过往数据的融合指标将轴承工作过程分为三个工作状态，即正常 状态、早期退化状态以及故障状态，并确定设备早期故障点P和功能故障点F；
S4、建立轴承工作的HMM模型λ，已知观测序列O，利用 Expectation-Maximum算法求概率参数模型的最大似然估计，即定义t时刻位 于隐藏状态Si的概率变量为：
γt(i)＝p(qt＝Si|0，λ)
则t时刻位于隐藏状态Si及t+1时刻位于隐藏状态Sj的概率变量为：
ξt(i，j)＝p(qt＝Si，qt+1＝Sj|0，λ)
定义前向变量与后向变量，通过迭代计算完整数据的对数似然函数 Lc(X；Θ)的期望来估算不完整数据的对数似然函数，反复对模型参数的初始值 重新估计，最终得到模型参数λ的最优估计；
S5、利用已经训练好的各状态HMM参数λ＝(A，B，π)，基于Viterbi算法 分别对当前待测序列进行识别，分别计算对应各个状态HMM的似然概率， 似然概率最大值判断为所处的状态；
S6、当状态识别器所识别结果落在早期故障点P以内时，轴承处于正常工 作状态，监测系统不做响应并等待接收下一批监测数据；
当状态识别器所识别结果落在早期故障点P与功能故障点F之间时，轴承 处于早期退化状态；
当状态识别器所识别结果落在功能故障点F以外时，轴承处于故障状态， 监测系统的故障报警器发出报警。
本发明的嵌入式智能轴承的监测系统及监测方法，对开轴向开槽轴承、径 向开槽轴承、轴向径向同时开槽轴承及未开槽的普通轴承，采用嵌入式智能轴 承的监测系统及其监测方法进行监测实验并采用实际对比实验，获取轴承的实 际失效时间，实际对比实验的试验转速n＝1500r/min，径向载荷Fr＝50KN； 以上监测实验及实际对比实验的结果如表1中所示：
表1本发明的监测系统及实际对比实验的对比结果
| 序号 | 编号 | 早期故障点(h) | 功能故障点(h) | 实际失效时间(h) |
| 1 | 轴向开槽 | 10 | 20 | 22 |
| 2 | 同时开槽 | 11 | 20 | 22 |
| 3 | 径向开槽 | 38 | 54 | 55 |
| 4 | 未开槽 | 36 | 52 | 55 |
如表1所示，(1)本发明监测系统及监测方法计算所得轴向开槽轴承的早期故 障点的时间为10小时，功能故障点为20小时，将该轴向开槽轴承在实际应用 中，实际失效时间为22小时；(2)本发明监测系统及监测方法计算所得同时 开槽轴承的早期故障点的时间为11小时，功能故障点为20小时，将该同时开 槽轴承在实际应用中，实际失效时间为22小时；(3)本发明监测系统及监测 方法计算所得径向开槽轴承的早期故障点的时间为38小时，功能故障点为54 小时，将该径向开槽轴承在实际应用中，实际失效时间为55小时；(4)本发 明监测系统及监测方法计算所得未开槽普通轴承的早期故障点的时间为36小 时，功能故障点为52小时，将该同时开槽轴承在实际应用中，实际失效时间 为55小时。
以上(1)-(4)的结果，证实了本发明的嵌入式智能轴承的监测系统及 监测方法所识别出的功能故障点与轴承实际使用过程中实际使用时间基本吻 合，能够通过采集轴承工作的多维信号，并可对采集到的信号进行融合分析， 使轴承具备了自感知、自决策能力，可以更加准确判断轴承性能指标的退化情 况。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技 术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰， 这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种嵌入式智能轴承的监测系统，其特征在于，包括轴承本体、安装在轴承本体内部的传感元件、与传感元件电性相连的信号处理模块以及用以感知与决策的融合分析模块；
其中，所述轴承本体的外圈侧面沿径向开设有让位槽；
所述传感元件安装在让位槽内；所述传感元件包括红外温度传感器和加速度传感器；
所述信号处理模块由电源、单片机、A/D转换电路和数据存储器组成，所述电源为整个监测系统供电，所述信号处理模块与传感元件电连接，并安装在与轴承本体临近的支撑结构上，所述信号处理模块用以接收传感元件得到的监测数据经A/D转换电路进行A/D转换和在数据存储器内暂存；
所述融合分析模块包括与信号处理模块通信的通讯模块、对信号进行滤波的卡尔曼滤波器、从检测信号中提取轴承工作状态的特征提取器、用以对轴承工作状态进行判断的状态识别器以及用以发出报警的故障报警器；
所述红外温度传感器与加速度传感器并列放置，所述红外温度传感器的探头方向与轴承轴向垂直，且指向轴承的内圈。
2.根据权利要求1所述的一种嵌入式智能轴承的监测系统，其特征在于，所述加速度传感器为三轴加速度传感器，所述三轴加速度传感器外部连接去耦、降噪的第一电容器及第一电阻形成集成电路粘贴于所述位于外圈的让位槽中。
3.根据权利要求1所述的一种嵌入式智能轴承的监测系统，其特征在于，所述红外温度传感器外接用以过滤轴承工作时产生高频噪声的第二电容、第二电阻。
4.根据权利要求1所述的一种嵌入式智能轴承的监测系统，其特征在于，所述融合分析模块与信号处理模块采用串口通信，并控制信号采集开始与停止。
5.根据权利要求1所述的一种嵌入式智能轴承的监测系统，其特征在于，所述卡尔曼滤波器，根据上一时刻的观测数据，求出当前时刻观测数据的最优估计值。
6.一种根据权利要求1所述的嵌入式智能轴承的监测系统的监测方法，其特征在于，包括以下过程：
S1、信号处理模块接收来自红外温度传感器及加速度传感器的信号，并对所接受到的信号进行A/D转换处理和保存，并将数据传输至融合处理模块；
S2、融合处理模块通过接收到信号处理模块的轴承监测信号，首先通过卡尔曼滤波器对测量数据进行滤波，即假设k时刻的估计值与k-1时刻的最优估计值和k时刻的测量值有关：
式中，Qk为k时刻的系统噪声，服从高斯分布，K为卡尔曼增益，yk为k时刻的测量值；
其中，k时刻的卡尔曼增益K为：
Kk＝PkHT(HPkHT+R)-1
式中，H为测量系统参数，R为测量噪声；
通过卡尔曼滤波，可以有效排除监测数据中包括系统中的噪声和干扰的影响；
S3、特征提取器提取出加速度信号的均方根、标准差、峭度以及温度信号相关特征指标；特征参数总数为m；
通过比对过往数据的融合指标将轴承工作过程分为三个工作状态，即正常状态、早期退化状态以及故障状态，并确定设备早期故障点P和功能故障点F；
S4、建立轴承工作的HMM模型λ，已知观测序列O，利用Expectation-Maximum算法求概率参数模型的最大似然估计，即定义t时刻位于隐藏状态Si的概率变量为：
γt(i)＝p(qt＝Si|O,λ)
则t时刻位于隐藏状态Si及t+1时刻位于隐藏状态Sj的概率变量为：
ξt(i,j)＝p(qt＝Si,qt+1＝Sj|O,λ)；
定义前向变量与后向变量，通过迭代计算完整数据的对数似然函数L(x；λ)的期望来估算不完整数据的对数似然函数，反复对模型参数的初始值重新估计，最终得到模型参数λ的最优估计；
S5、利用已经训练好的各状态HMM参数λ＝(A,B,π)，基于Viterbi算法分别对当前待测序列进行识别，分别计算对应各个状态HMM的似然概率，似然概率最大值判断为所处的状态；
S6、当状态识别器所识别结果落在早期故障点P以内时，轴承处于正常工作状态，监测系统不做响应并等待接收下一批监测数据；
当状态识别器所识别结果落在早期故障点P与功能故障点F之间时，轴承处于早期退化状态；
当状态识别器所识别结果落在功能故障点F以外时，轴承处于故障状态，监测系统的故障报警器发出报警。
7.根据权利要求6所述的一种嵌入式智能轴承的监测系统的监测方法，其特征在于，在步骤S1中，加速度传感器为三轴加速度传感器，所述三轴加速度传感器外部连接去耦、降噪的第一电容器及第一电阻形成集成电路粘贴于所述位于外圈的让位槽中；加速度传感器可以分别测量x、y、z三个方向的加速度，并分别由outx、outy与outz这三端口电压输出，所述第一电容器安装在靠近三轴加速度传感器的位置；所述第一电容、第一电阻形成外部滤波器，实现低通滤波降噪，外部滤波器的截止频率(Ft)的公式为：
其中，Rout为传感器内部滤波电阻阻值，Cload为所连接的电容器电容；
所述加速度传感器所得示数为：
Xout(x,y,z)＝A(Vout(x,y,z)-VDD/2)
式中，A为转换系数，Vout为加速度传感器引脚输出电压，VDD为电源电压。
8.根据权利要求6所述的一种嵌入式智能轴承的监测系统的监测方法，其特征在于，根据轴承常见工况，设定红外温度传感器的测量范围Tomax与Tomin，则红外传感器分辨率为：
而实际温度To为K×输出电压(Vir)；
红外温度传感器每隔时间t采集一次数据；所得数据依次发送到信息处理模块中进行轴承运行状态监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011079218.2A CN112525531B (zh) | 2020-10-10 | 2020-10-10 | 一种嵌入式智能轴承监测系统及其监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011079218.2A CN112525531B (zh) | 2020-10-10 | 2020-10-10 | 一种嵌入式智能轴承监测系统及其监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112525531A CN112525531A (zh) | 2021-03-19 |
| CN112525531B true CN112525531B (zh) | 2021-11-19 |
Family
ID=74978908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011079218.2A Active CN112525531B (zh) | 2020-10-10 | 2020-10-10 | 一种嵌入式智能轴承监测系统及其监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112525531B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113281046B (zh) * | 2021-05-27 | 2024-01-09 | 陕西科技大学 | 一种基于大数据的纸机轴承监测装置及方法 |
| CN113358355A (zh) * | 2021-07-05 | 2021-09-07 | 山东智控达科技有限公司 | 一种游梁式抽油机轴承故障监测装置 |
| CN114136613B (zh) * | 2021-10-20 | 2023-06-09 | 中国航发四川燃气涡轮研究院 | 一种用于发动机轴承工作状态的监测系统及在线监测方法 |
| CN114152443A (zh) * | 2021-12-28 | 2022-03-08 | 重庆大学 | 一种嵌入式声学智能轴承及其监测诊断方法 |
| CN114738389B (zh) * | 2022-03-29 | 2023-03-28 | 南京航空航天大学 | 一种面向打滑诊断的智能轴承系统及打滑诊断预测方法 |
| CN114896559B (zh) * | 2022-04-29 | 2023-03-07 | 盐城工学院 | 一种基于排列熵的自适应噪声完备集合经验模式分解方法 |
| CN114993674A (zh) * | 2022-05-25 | 2022-09-02 | 西安交通大学 | 一种智能锁紧螺母及其在卡车车桥轴承检测上的应用 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105765361A (zh) * | 2013-11-25 | 2016-07-13 | 斯凯孚公司 | 轴承监测装置和方法 |
| CN107167318A (zh) * | 2017-06-19 | 2017-09-15 | 北京时代龙城科技有限责任公司 | 一种轴承智能快捷故障诊断仪及诊断方法 |
| CN110645266A (zh) * | 2019-06-26 | 2020-01-03 | 扬州市舜意机械有限公司 | 一种传感一体化的关节轴承及其使用方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011066927A1 (en) * | 2009-12-04 | 2011-06-09 | Aktiebolaget Skf (Publ) | Bearing monitoring using a fiber bragg grating |
-
2020
- 2020-10-10 CN CN202011079218.2A patent/CN112525531B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105765361A (zh) * | 2013-11-25 | 2016-07-13 | 斯凯孚公司 | 轴承监测装置和方法 |
| CN107167318A (zh) * | 2017-06-19 | 2017-09-15 | 北京时代龙城科技有限责任公司 | 一种轴承智能快捷故障诊断仪及诊断方法 |
| CN110645266A (zh) * | 2019-06-26 | 2020-01-03 | 扬州市舜意机械有限公司 | 一种传感一体化的关节轴承及其使用方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于EMD-HMM的转盘轴承故障诊断方法;孙炎平等;《轴承》;20170105(第01期);41-45 * |
| 基于谱相关密度-连续HMM的滚动轴承故障诊断;周徐宁等;《矿山机械》;20110910;第39卷(第09期);102-106 * |
| 滚动轴承故障程度诊断的HMM方法研究;李力等;《轴承》;20120605(第06期);42-45 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112525531A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112525531B (zh) | 一种嵌入式智能轴承监测系统及其监测方法 | |
| CN112613186A (zh) | 一种基于统计分布特征的航空发动机气路故障融合诊断方法 | |
| CN110333078A (zh) | 一种滚动轴承退化状态阶段确定方法 | |
| CN113404655A (zh) | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 | |
| CN106597160A (zh) | 一种电子设备故障检测方法和装置 | |
| CN110455476B (zh) | 一种基于mcd异常点检验算法的多维动力指纹损伤识别方法 | |
| CN115327386A (zh) | 一种基于电热耦合模型的电池组多故障诊断方法 | |
| CN116720150B (zh) | 一种机械制冷系统故障诊断方法及系统 | |
| CN107702919A (zh) | 基于声发射的滑动轴承润滑状态监测方法 | |
| CN111173687B (zh) | 一种风电风机叶片裂纹损伤在线监测装置及方法 | |
| CN102778632A (zh) | 对变压器绕组故障类型直接预报和识别的双规识别法 | |
| CN104111157A (zh) | 一种检查风洞测量设备初读数的方法 | |
| CN114137636B (zh) | 一种环形压力传感器的区域气象监测管理方法及系统 | |
| CN110907015B (zh) | 室内环境下的基于rfid的液位监测方法 | |
| CN113984114A (zh) | 一种海洋浮式平台水下结构异常诊断方法 | |
| CN117093947B (zh) | 一种发电柴油机运行异常监测方法及系统 | |
| CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
| CN112649732A (zh) | 无接触式电机定子铁心片间短路故障检测系统和方法 | |
| CN108613695B (zh) | 基于ica-sprt的冗余传感器故障检测方法 | |
| CN106154356A (zh) | 自动气象站在线故障检测系统和检测方法 | |
| CN117433591B (zh) | 基于多传感器数据的自动化设备监测系统 | |
| CN111753876A (zh) | 一种基于深度神经网络的产品质量检测方法 | |
| CN113029242B (zh) | 结构健康监测系统中光纤光栅传感器异常诊断方法 | |
| CN113108837A (zh) | 一种基于光纤传感器的电气设备故障检测方法 | |
| CN109284785A (zh) | 基于最小二乘拟合的传感器数据质量评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |