智能化滚动轴承监测
基于matlab的滚动轴承智能监测应用实例分析
滚动轴承广泛用于各类旋转机械ｎ 。据统计 ， 旋
转 机 械 中约 ３ ０ ％的故 障是 由滚 动 轴 承 损 坏 引起 ［ ２ １ ， 因
ｅ ｒ ＝ Ｇ ２ ０ １ ５ 一 （ ｓ ｕ ｍ （ Ｇ ２ ０ １ ５ ） ／ ｎ ） ； ％零均值化
ｓ ｕ ｂ ｐ ｌ ｏ ｔ （ ２ ， １ ， １ ） ；
能： 时域 分 析 、 频域分析 、 提 取 有 效 特 征 向 量 。使 用 ｍ ａ ｔ ｌ ａ ｂ 分 析 处理 的过程 为 ： 将 采 集 的数 据 导人 ｍａ ｔ ｌ ａ ｂ ，
】 ｌ Ｉ Ｊ Ｉ ＿ ｌ Ｊ ｌ ｌ ｌ Ｉ ｌ １ ． １ ＿ ｌ Ｊ Ｉ Ｉ ｌ １ Ｊ “ Ｊ １ １ Ｊ － Ｊ 川Ｉ ＿ ｌ ｌ Ｊ ｊ Ｉ ＿ Ⅲ１ Ｉ １ ” Ｉ 『 １ Ｉ １ ｉ 『 ｆ ｆ ” ¨ ｉ ｆ ｉ １ １ １ Ｉ
户（ ０ ： ｎ 一 １ ） ＊ ｆ ｓ ／ ｎ ； ％ 横坐标频率的表达式
ｓ ｕ ｂ ｐ ｌ ｏ ｔ （ ２ ， １ ， ２ ） ；
ｐ ｌ ｏ ｔ （ ｆ ， ｙ ） ； ％作频谱 图
ａ ｘ ｉ ｓ （ ［ Ｏ ５ ０ ０ ０ ０ ２ ５ ０ ０ １ ）
验、 仪器监测等。监测效率最高 、 且精确的是用仪器监 测滚动轴承运行状态。本文采用振动传感器和仪器对
第３ 期（ 总第 １ ３ ３ 期）
Ｎ ｏ ． ３ （ Ｓ Ｕ Ｍ Ｎ ｏ ． １ ３ ３ ）
机 械 管 理 开 发
ＭＥＣ ＨＡＮＩ Ｃ ＡＬ ＭＡＮＡＧＥ ＭＥＮ Ｔ ＡＮＤ ＤＥ ＶＥ Ｌ ＯＰ ＭＥＮ Ｔ
２ ０ １ ３ 年 ６月
Ｊ ｕ ｎ ． ２ ０１ ３
基于 ｍａ ｔ ｌ ａ ｂ 的滚动轴承智能监测应用实例分析
滚动轴承故障的智能诊断方法研究
• 26•针对滚动轴承故障声发射信号的智能识别与诊断问题，提出了一种基于卷积神经网络（Convolutional Neural Networ ks ，CNN ）智能化故障诊断方法。
该方法充分利用声发射信号参数中包含的时域和频域特征信息，构建CNN 模型充分挖掘出滚动轴承处于不同运行状态下的声发射信号特征，并给出故障诊断结果。
实验结果表明，CNN 模型方法对滚动轴承正常、外圈及内圈故障识别准确率可达97.2%以上，证明了该方法的准确性和实际工程价值。
1.引言旋转机械被广泛的应用在生产制造中，滚动轴承是旋转机械的重要组成部件，同时也是最容易损坏与失效的机械零件之一（喻洋洋，周凤星，严保康，基于LabVIEW 的滚动轴承故障诊断系统：仪表技术与传感器，2016）。
声发射检测技术是一种动态无损检测方能诊断学与工程学法，可实现缺陷萌生及扩展过程的在线检测。
将声发射检测技术应用于滚动轴承故障的诊断任务中，不仅可以检测出早期微弱故障及故障类型（郝如江，卢文秀，褚福嘉，等.声发射检测技术用于滚动轴承故障诊断的研究综述：振动与冲击，2008），还可以判断出故障损伤程度。
目前基于声发射检测技术的旋转机械设备故障诊断分析技术，如参数分析、波形分析等方法已经无法满足当前旋转机械连续生产工作中的故障监测任务（沈功田，耿荣生，刘时风，声发射信号的参数分析方法：无损检测，2002）。
赵元喜等人（赵元喜，胥永刚，高立新，等.基于谐波小波包和BP 神经网络的滚动轴承声发射故障模式识别技术：振动与冲击，2010）采用谐波小波包将故障滚动轴承的声发射信号分解到多个频率段并求取各频段的能量，作为特征向量输入BP 神经网络，通过BP 网络模型判别滚动轴承的故障类型。
杨杰等（杨杰，张鹏林，刘志涛，等.基于CEEMD 能量熵与SVM 的低速轴承故障声发射诊断：无损检测，2017）提出了一种采用CEEMD 能量熵提取特征后再利用支持向量机神经网络进行诊断的方法。
滚动轴承检测方法及先进设备
目录第一章国外滚动轴承部件的检测方法一、滚动轴承套圈沟道表面质量的检查方法 (1)二、轴承套圈内表面伤痕的检查方法 (2)三、用频谱分析法评定滚动表面的波纹度 (4)四、用干涉仪测量球轴承滚道表面轮廓 (8)五、陶瓷球超声波探伤法 (11)六、采用振动测量技术确定球与滚子的柔量 (12)七、电机轴承部件的使用故障 (15)第二章滚动轴承异常的检测方法一、用电测法检查滚动轴承缺陷 (18)二、几种诊断滚动轴承疲劳剥落的发生位置 (19)三、用振动标定滚动轴承异常的方法 (22)四、用声发射法诊断滚动轴承的异常 (24)五、用声传感器监视滚动轴承的损伤 (27)六、用应变仪检测故障的方法 (28)七、用复合传感器检测轴承的异常 (29)八、利用振动分析检测 (33)九、滚动接触亚表面疲劳裂纹的AE检测技术 (34)十、FAG应用信号处理和频率分析技术检测轴承 (36)十一、用手提式润滑脂铁粉浓度计测量轴承磨损状态 (38)十二、借助振动和声发射诊断滚动轴承的失效 (40)十三、模式识别在线检测轴承局部缺陷 (43)十四、轴承异常的逐次模糊诊断 (50)十五、近几年普遍应用的检测滚动轴承异常的方法 (50)十六、燃气涡轮发动机转子支承轴承的诊断 (53)第三章滚动轴承其它方面检测方法一、径向负荷下轴承力矩的测量方法 (55)二、滚动轴承非重复性旋转精度的动态测量 (57)三、测量轴承负荷的方法 (60)四、滚动轴承主轴径向旋转精度评定方法 (62)五、滚动轴承工业状态的振动与噪音监测技术对比 (65)六、超声波测试硬度的方法 (70)第四章国外滚动轴承检测的先进设备一、国外几种轴承振动测量仪简介 (70)二、前苏联研制的几种测量装置 (73)三、球轴承用径向游隙测量机 (76)四、瑞典SKF公司研制的检测设备 (77)五、飞机发动机轴承钢球的检测设备 (78)六、表面粗糙度测量仪 (78)七、大型轴承测量装置 (78)八、其它几种轴承检测仪器及装置 (79)、八、-前言近年来，人们对各种零件性能的要求，尤其是对滚动轴承性能的要求有了很大的提高。
滚动轴承故障智能诊断系统及故障测试实验
（） ２多传感器信息融合功能
信息融合是将来 自某 一 目标 的多源信 息加 以智能化合并 ， 产生 比单一信源更精确更完全的估 计和判决 。轴承故障诊断实 际上是典型的信 息融合过程 ， 如图 ２所示 ， 系统信息融合采用 该 五级 ， 第一个层次为检测 、 判决融合 ， 采用树状结构 ， 融合从树枝 传来的局部判决 和 自己的检测 ， 出全局判决 ； 做 第二个层次为位 置融合 ， 采用分布式融合 ， 中心根据各节点 的故障趋势数据完成 故障趋势关联 和故 障趋势融合 ， 形成全局估计 ； 第三个层次为 目 标识别 （ 属性 ） 信息融合 ， 采用数据层属性融合 ， 以获取更高的精 度 ； 四个层次为态势 评估 ， 五个层次为威胁估计 ， 四和 五 第 第 第
峭度特 征 、 裕度 因子 、 冲因子等 ６类 特 脉 征作为基本辨识框架 中的元素 ＿ 引 。振动信 图 １ 滚动轴承故 障智能诊断 系统原理框 图 号 和声音信号各有特点 ， 同一特征用于识 别 机 器 的声 音 和 加 速 度 信 号 时 “ 子 损 滚
——
墼
设 管 与 值 ２２ ７ 备 理 维 ０ № 固 １
系统 可以量化 故障 ，并 通过 逻辑 推理 的方式智能地判断 出故 障
发 生 的部 位 。
２滚动轴承故 障智能诊断系统构成 ．
（ ） 本 构 成 １基
故 障智能诊 断系统硬 件构成 如图 １ 示 ，１ 所 ６个监测传 感
器分布在轴承或轴承系各监测点 ，振动加速度传感器采用了 内
装微 型 Ｉ一 ｃ 集成 电路放 大器的压 电式传感器 ，它将传统 的传 感 器与 电荷放大器集于一体 ， 简化 了测试 系统 ， 提高了测试 精度和 可靠性 ， 由于滚动轴 承一旦失效 ， 温度将 急剧上升 ， 因此 温度 监
滚动轴承运行状态智能化监测
［ ３ 】 汪耕， 李希 明等． 大型汽轮发 电机设 计、 制造 与运行 【 Ｍ． 上 海， 上海科学技 术 出版社， ２ ０ ０ ０ ， ２ ７ ４ — ３ ５ ０ ．
３
交 流 阻 抗 机 组 处于 非正 常状 态， 对 阻抗 下 降 ８ ％， 损 耗上 无 法 确 定 和 功 率 损 较严 重故 障做 出判 新， 但 升 １ ０ ％可 能存在 故障 故障槽
４ 总 结
交流阻抗法 成品转予各工序 阻抗差小于较大值 ３
３
探测线 圈法 仅 在转 速达到 额 同号线 圈 电压 之差与较 定转速时用 大值之 比不大于 ５ ％
３ ． ３ 并网带负荷状态的检测方法 在实 际的生产过程 中 ， 因为 限制运输单位 重量或者其他原 因． 分体发送的方式通常被大型汽轮发电机所采用 。 依 照规定标 准． 在 厂内 ． 只有 首台产品应 当进行 整机形式 的试 验 ． 在批量生 产成型产品过后 ， 都不需要进行整机试验。所以 ， 本节所介绍 的 方法应 用场景是在现场整机装机后 的检验过后 。这些方法是 为 了铺垫诊断转子短路故障的功能。 表 ３表示了在运行状态下 ， 检 验转子匝间短路故障 的特点以及方法。 表 ３ 并 网带负荷状态下转子 匝间短路故障的检验方法
作 状 态
［ ２ ］ － ／ Ｊ ， 、 帆． 基 于混沌与 改进 Ｂ Ｐ神 经网络的电价预测［ Ｄ 】 ． 华中 科技 大学 ． ２ ０ ０ ７ ．
（ 上接 第 ８ ５页）
上图是 电梯 Ｐ Ｌ Ｃ控制 系统 图。
７ 结 束 语
参考文献 ：
［ １ ］ 史信 芳 、 陈英 、 毛 宗源． 电梯 技 术 ［ Ｍ］ ． 电子 工业 出版社 ，
ｌ
关于滚动轴承故障检测的改进包络分析
关于滚动轴承故障检测的改进包络分析
滚动轴承是机械设备中常见且重要的部件之一，其运转状态的监测和故障检测对于保障机械设备的正常运行和预防故障具有重要意义。
目前，滚动轴承故障检测中的一种常用方法是包络分析。
包络分析方法通过提取振动信号中的包络谱，能够有效地诊断出滚动轴承的故障类型和程度。
传统的包络分析方法在某些情况下存在着一些问题，为了进一步提高滚动轴承故障检测的准确性和可靠性，一些改进的包络分析方法被提出和研究。
一种改进的方法是基于小波变换的包络分析。
传统的包络分析方法是通过在时域中提取信号的包络，并进行频谱分析。
当滚动轴承受到复杂载荷或多种故障影响时，信号的包络在时域中可能变得模糊，导致包络分析结果不准确。
小波变换能够提供更好的时频分析能力，能够准确地提取信号的包络，从而改善了滚动轴承故障检测的准确性。
另一种改进的方法是基于多尺度包络谱的包络分析。
传统的包络分析方法只能提取信号的一个包络谱，无法同时获得不同尺度下的包络谱信息。
在滚动轴承故障检测中，不同故障类型对应的特征频率可能存在不同的尺度。
基于多尺度包络谱的包络分析方法能够同时获得不同尺度下的包络谱信息，从而更好地识别出不同故障类型。
一种改进的方法是基于自适应包络分析的包络分析。
传统的包络分析方法是通过提前设定好的包络线来判断信号的包络，滚动轴承在运行过程中受到多种因素的影响，其振动信号的包络可能在不同工况下有所不同。
基于自适应包络分析的包络分析方法能够根据实际信号的特点自动调整包络线，从而更具适应性和准确性。
多参数监测智能轴承的设计与研究
多参数监测智能轴承的设计与研究作者：张凯梁波高昕星袁峰来源：《科技资讯》2023年第21期轴承是支撑机械旋转体的重要零件。
大量事实证明许多由轴承损坏引起的机器故障是在轴承预期寿命之前就出现的。
对轴承的运行状态进行有效监测，是避免因轴承故障造成灾难性后果的有效手段。
传感器测点选择是轴承状态监测首要解决的问题[1]。
一般情况下，对轴承的监测是通过在轴承座或箱体上安装振动传感器获取轴承的工作状态信号，通过这种方法采集到的信号除去轴承本身的工作信息外，还包含设备中其他运动部件产生的噪声信号，对轴承故障的监测非常不利[2]。
因此，提供一种高精度轴承监测方法成为必要。
随着软件、硬件技术的不断更新迭代，轴承监测诊断正朝着自动化、智能化、集成化的方向发展[3]。
本文研发了一种多参数监测智能轴承，用以监测轴承运转过程中的振动加速度、温度和转速。
智能轴承是指在传统轴承的基础上集成不同用途的传感器，使其结合成为一体而形成独特的结构单元，再通过计算机进行信息处理，达到实时在线监测的目的。
国外智能轴承产品主要有SKF集团研发的SKFInsight系列外挂式智能轴承和舍弗勒集团生产的FAG-VarioSence智能轴承系统[4]。
与国外相比，国内技术差距明显。
国内同时掌握轴承生产与传感器开发技术的企业为数不多，智能轴承停留在研究阶段，并未有产品进入市场。
本研究的技术路线主要包括智能轴承总体结构设计、振动加速度的测量、转速的测量、温度的测量、智能轴承测试，重点研究了轴承振动加速度的测量方式，通过对轴承工况下振动特性的研究与轴承内部结构的分析，选择采用三轴振动加速度计作为研究基础进行测量；通过对轴承内圈结构得的改造，采用霍尔传感器与磁编码体相结合的方式测量轴承转速；采用温度传感器测量轴承内圈的温度。
经过测试，智能轴承具有良好的监测功能，监测精度较传统轴承座监测系统有很大提升。
本研究研发的智能轴承为轴承故障预警提供了良好的技术基础，为工业生产提供了更好的安全保障，使轴承行业在智能化、高端化道路上迈出坚实的一步。
滚动轴承的状态监测与故障判断
滚动轴承的状态监测与故障判断滚动轴承是工业中常见的重要零部件，它承载着旋转机械中的轴承负荷，保证了机械设备的正常运转。
由于滚动轴承长期在高速高温、重负荷等恶劣环境下工作，容易出现磨损和故障。
对滚动轴承的状态进行监测和故障判断对于机械设备的正常运转和安全生产至关重要。
一、滚动轴承的状态监测方法1. 振动和声音监测：通过监测轴承在运转过程中的振动和声音变化，可以判断轴承是否存在异常。
当轴承损坏或磨损时，会产生异常的振动和噪音，通过监测振动和声音可以及时发现轴承的故障。
2. 温度监测：轴承在工作时会产生摩擦热，因此轴承的温度是一个重要的监测指标。
通过监测轴承的温度变化，可以判断轴承是否存在异常情况，及时进行维护和检修。
3. 润滑状态监测：滚动轴承的正常运转需要良好的润滑状态，因此监测轴承的润滑状态对于预防轴承故障至关重要。
可以通过监测润滑油的清洁度、油液中的杂质、油液的粘度等参数来判断轴承的润滑状态。
4. 裂纹监测：轴承在工作时受到很大的载荷和振动，容易产生裂纹和损伤。
通过检测轴承表面的裂纹和损伤情况，可以及时发现轴承的故障。
4. 观察表面损伤：通过观察轴承表面的磨损和裂纹情况，可以判断轴承的故障程度。
当轴承表面出现严重的磨损和裂纹时，需要及时更换轴承以避免设备的故障和事故。
滚动轴承的状态监测和故障判断对于机械设备的正常运转和安全生产至关重要。
通过采用多种监测方法和故障判断方法，可以及时发现轴承的故障，避免设备的停机和事故，提高设备的运行可靠性和安全性。
企业在实际生产中应加强滚动轴承的状态监测和故障判断，建立健全的轴承维护管理制度，确保设备的正常运转和安全生产。
智能轴承关键技术及发展趋势
智能轴承关键技术及发展趋势摘要：我国高度重视高端滚动轴承的发展，推出了一系列支持政策，如《国家中长期科学技术发展规划纲要（2006—2020年）》、《装备制造业调整与振兴规划》、《智能制造“十二五”专项规划》及《工业强基专项行动》等，特别是2015年国务院发布的制造强国战略行动纲领《中国制造2025》，重点强调要强化高性能滚动轴承等工业基础件研发能力。
关键词：智能轴承；传感器轴承；状态监测；状态调控引言轴承的运行状态关系着机械设备的工作性能和运行安全，现代工业对高端轴承的需求使得智能轴承成为必然发展方向。
智能轴承具备自感知、自决策、自调控功能，是国外轴承企业高端轴承发展的主要方向之一。
1、滚动轴承的机械结构滚动轴承是机械设备常用的一种部件，主要用于固定转轴，其结构包括内圈、外圈、滚动体和保持架四个部分。
其中内圈紧套在转轴表面，跟随转轴一起旋转；随后套在内圈外面的是保持架，用来固定滚动体并防止错位，如果滚动体直接分布在内圈和外圈之间，在旋转过程中滚动体与滚动体之间会产生摩擦，并且容易造成滚动体错位；滚动体均匀分布在内圈和外圈之间，在保持架的凹槽内滚动，起减小摩擦的作用，使转轴能够正常旋转；外圈固定在轴承座上，起支撑固定的作用。
其实物图和结构图如图1和图2所示，其中D表示轴承节径，d表示滚动体直径，α表示接触角。
2、滚动轴承故障诊断2.1滚动轴承故障特征频率计算滚动轴承故障诊断方法主要包括油样分析法、温度分析法和振动分析法。
油样分析法首先从轴承上获取油样，并采用光谱法或铁谱法对油样中金属颗粒的含量、大小和形状进行分析，完成对滚动轴承状态的诊断。
但油样分析法仅适用于油润滑轴承，且易受到非轴承损坏掉下的颗粒影响，具有很大的局限性。
温度分析法通过监测轴承座是否因某种异常（例如润滑不良等）产生局部过热来判断轴承是否正常，但是其对滚动轴承局部类损伤不敏感，该类故障通常不会引起轴承温度升高，因此温度分析法不适合对早期故障进行诊断。
滚动轴承检测方法
1
x d
t
xt 1
t
Xh(t)可以看成是x(t)通过滤波器的输出，该滤波器的单位冲击响应为：
ht 1
t x(t)的解析信号为：
gt xt jxh t
解析信号g(t)的幅值A(t)和相位Φ(t)的表达式为：
式中：
g t At e j t
绿色： 黄色： 红色：
0≤dBn≤20 dB 20≤dBn≤35 dB 35≤dBn≤60 dB
正常状态 注意；轴承有初期损伤 警告；轴承已有明显损伤
包络解调分析法
隆启科技
5.包络解调分析法
当轴承局部存在损伤或缺陷时，在运行过程中产生突变的衰减冲 击脉冲力，激起轴承的高频固有振动，这种高频固有振动作为轴承 振动的载波，使轴承的最终振动波形表现为复杂的幅值调制波。调 制波的频率成分中含有与缺陷对应的故障频率，通过解调技术，能 将轴承的缺陷信息从复杂的调幅振动的信号中分离出来。
滚动轴承生命周期
滚动轴承生命周期
冲击 脉冲 信号 水平 峰值
疲劳
隆启科技
典型
滚动轴承故障的检测方法
隆启科技
滚动轴承是泵、电机和风机的易损件，轴承的故障会导 致设备剧烈振动和噪声，甚至会引起部件损坏。
滚动轴承在运转过程中引起损坏的故障原因：装配不当、 润滑不良（水分和异物侵入、腐蚀），振动大和过载。
报警1 0.3 0.4 0.5 0.9 1.5 2.2
报警2 1.8 2.6 3.5 6.0 13 22
PeakVue 峰值分析法
隆启科技
7. PeakVue峰值分析法 (CSI专利技术-艾默生)
PeakVue是捕捉给定时间间隔里时域波形峰值的振动信号分析方 法。当金属与金属的撞击时，会产生短暂的（<10ms）应力波, 其频带约在1～50kHz，齿轮和轴承表面缺陷、摩擦磨损、冲击 和早期的疲劳剥落等都会产生应力波，应力波的频率会随着冲 击状态的变化而变化，当缺陷发展,应力波的频率会降低。 PeakVue正是采集和监测这些短暂的应力波，获得峰值及频率， 并转换为“PeakVue时域波形和频谱”进行分析，关注早期故障 和发展。
滚动轴承的测量和检验的原则及方法(一讲)
总结滚动轴承的测量和检验的原则及方法
测量和检验的重要性
滚动轴承的测量和检验是确保其性能 和质量的关键环节，通过精确测量和 全面检验，可以评估滚动轴承的各项 性能指标，如旋转精度、摩擦阻力、 振动等。
测量和检验的原则
在滚动轴承的测量和检验中，应遵循 以下几个原则，即准确性、可靠性、 重复性和一致性。准确性是指测量和 检验的结果应与实际值相符，可靠性 则要求测量和检验的结果应稳定可靠 ，重复性和一致性则要求测量和检验 的方法和过程应保持一致，以确保结 果的准确性和可靠性。
声音检验法
总结词
通过听取轴承运转时的声音，判断其是否正常。
详细描述
声音检验法是通过听取滚动轴承运转时的声音来判断其质量状况。经验丰富的检验员可以通过听声音 来判断轴承是否存在异常，如不正常的噪音、振动或其他异响。这种方法需要检验员具备丰富的实践 经验和听力辨别能力。
振动分析法
总结词
通过分析轴承运转时的振动信号，判断 其是否存在故障或异常。
比较测量法
将待测滚动轴承与标准样 品进行比较，通过对比得 出测量结果。
间接测量法
通过测量与滚动轴承相关 联的其他参数，间接推算 出滚动轴承的某些参数值。量设备的选择通用测量设备
适用于大多数滚动轴承的测量， 如卡尺、千分尺等。
专业测量设备
针对特定类型或规格的滚动轴承 ，需要使用专业的测量设备进行 精确测量。
对于大型或特殊结构的轴承，应采用相应的专用检验设备和方法进行测量和检验。
在选择检验方法时，应充分考虑其准确性和可靠性，同时还应考虑其操作简便性和 经济性。
检验设备的选择
根据确定的检验方法， 选择合适的检验设备。
对于大型或特殊结构 的轴承，应选择专用 的检验设备进行测量 和检验。
滚动轴承运行状态智能化监测
李克斯
摘 要
常文龙
胡
朋
６ ｌ ｌ ７ ５ ６）
（ 西 南交通 大学 四川 ・ 成都
随着科技的迅速发展 ， 轴承 系统在工业生产 中广泛应用 ， 使得常规故障诊断技术越来越难 以满足人们对轴承
监 测 智 能 诊 断 轴承 系 统 人 工 神 经 网络
系统的可靠性要求 ， 而人工神经 网络的智能诊 断技术越来越 受到青睐 ， 并成为轴承 系统故障诊断发展 的重点方 向。
２ ． ２ Ｂ Ｐ神 经 网络
在故障诊断领域 中常用的是 Ｂ Ｐ神经网络 。标准 Ｂ Ｐ网
包 含输 入层 、 隐含层、 输 出层 。同一层 的提 取 、 Ｂ Ｐ 神 经 网络 的建 立 、 网 络 的学 习 、 故 障识 别 几 个过 程 。 络 由三层神经元组成 ， 神 经 元 互 不相 连 ， 不 同神 经 元 层 之 间相 互 相 连 。Ｂ Ｐ网络 的算 ２人工 神 经 网 络 的 智 能识 别
三层 Ｂ Ｐ 神 经 网 络 的 结构 如 下 所 示 ， 每 个 神 经元 用 一 个节
网络由输入层 、 隐层和输 出层节点组成。前层节点与 经过 简化 的神经元结构， 它具有 ｒ 个输入分量 ， 其输入分 点表示， 后层节 点通过权值连接 ， 层与层的节 点之间相互连接， 同一层 量ｐ （ ｊ ＝ ｌ ， ２ …， ｒ ） ， 通过与它相乘的权值分量 Ｗ ， （ － ｊ ＝ ｌ ， ２ ， …， ｒ ） 相
法、 振动法、 声 发 射法 。
（ １ ） 阀值型激活函数
阀值 型 函 数 可 以将 任 意 的输 入 转 化 为 ０或 ｌ的输 出 ．
（ ２ ） 在（ ． １ ， １ ） 或（ Ｏ ， １ ） 内连续取值 的单调可微函数常用单极
一种基于机器视觉的滚动轴承质量检测方法
一种基于机器视觉的滚动轴承质量检测方法摘要本文介绍了一种基于机器视觉对滚动轴承的质量进行检测的方法。
将采集到的轴承图像进行预处理后,对图像进行边缘检测、选定所需轮廓、中心检测、半径测量、判断内外圈是否有缺口,以便检测轴承是否合格。
关键词机器视觉;边缘检测;轮廓选取;半径测量0 引言滚动轴承在旋转机械中应用极为广泛,其运行状态往往直接影响到整台机器的精度、可靠性及寿命。
据统计,由于滚动轴承损坏而引起的机械故障约占总故障的70%,所以对轴承的质量进行检测是至关重要的。
机器视觉又称计算机视觉,是用计算机来实现人的视觉功能,也就是用机器代替人眼来做测量和判断,通过机器视觉代替传统的人工目测法检测滚动轴承,可以较大的提高轴承检测的效率和轴承使用的可靠性。
本文提出一种通过机器视觉检测滚动轴承质量的方法,用于测量滚动轴承的内外圈直径及滚动体直径和判断轴承内圈是否有缺陷。
1 滚动轴承质量的检测质量检测的流程如下图所示:1.1 边缘检测传统的边缘检测算法一般利用梯度极大值或二阶导数过零点值来检测边缘,对噪声比较敏感,在处理含有噪声的图像时,易造成检测出的边缘模糊,效果不太理想。
Canny边缘检测算子,采用与Gaussion函数的一阶导数相似的滤波函数,性能优于一般的边缘检测算子。
canny算法是通过寻找图像梯度的局部极大值,用高斯函数的一阶微分来计算梯度。
算法中具体通过 2 个阈值来分析检测强边缘和弱边缘,当弱边与强边缘连接时,弱边缘才被输出,所以,Canny算子不容易受噪声影响,能够在噪声和边缘检测间取得较好的平衡,能检测出真正的弱边缘。
Canny边缘检测算子步骤如下:1)用高斯滤波器平滑图像;2)用一阶偏导的有限差分来计算梯度的幅值和方向;3)对梯度幅值进行非极大值抑制;4)用双阈值算法检测和连接边缘。
用I[ i,j ]表示图像。
使用可分离滤波方法求图像与高斯平滑滤波器卷积,得到结果是一个平滑数据表达式S [i,j] = G[i,j:σ] I{i,j}(2-1)其中σ是高斯函数的散布参数,控制着平滑程度系数。
基于可靠性的滚动轴承寿命预测技术研究
基于可靠性的滚动轴承寿命预测技术研究滚动轴承作为机械设备中最常见、最重要的部件之一，承担着支撑和减摩的重要任务。
然而，在高速、高负荷、长时间运转的情况下，滚动轴承往往会出现损耗、磨损、变形等问题，从而影响机械设备的稳定性和持续运转能力。
因此，掌握并应用可靠的滚动轴承寿命预测技术，对于提高机械设备的运转效率和性能具有十分重要的意义。
一、滚动轴承寿命预测的必要性滚动轴承作为机械设备的关键部件之一，其使用寿命的长短直接影响到机械设备的正常运转和使用寿命。
一旦滚动轴承出现故障或损耗，就会对设备的运转效率和生产率造成严重影响，甚至需要进行设备更换和维修，不仅浪费时间和资金，还会给生产带来严重影响。
因此，掌握滚动轴承寿命预测技术，可以在滚动轴承出现故障之前提前发现并进行维修或更换，从而提高设备的使用寿命和稳定性。
二、基于可靠性的滚动轴承寿命预测技术在滚动轴承寿命预测技术中，基于可靠性的技术应用非常广泛。
该技术主要通过对滚动轴承运行状态的监测和分析，确定其失效时隙和失效概率，从而判断滚动轴承的可靠性和寿命。
具体来说，基于可靠性的滚动轴承寿命预测技术包括以下几个方面的内容：1、滚动轴承负荷分析滚动轴承使用寿命的长短与其受力情况有着密切的关系。
因此，在进行滚动轴承寿命预测时，需要对轴承的载荷进行分析，从而了解其受力情况。
一般来说，滚动轴承的载荷主要包括径向载荷和轴向载荷，而载荷的变化可能会导致滚动轴承的损耗和磨损，对其寿命造成不利影响。
2、滚动轴承振动分析滚动轴承受力时，会发生振动现象，而振动的幅度和频率也会对轴承寿命产生重要影响。
因此，在进行滚动轴承寿命预测时，需要对该轴承进行振动分析，确定其振动频率和振幅，对其寿命进行评估和预测。
3、滚动轴承温度分析滚动轴承在工作时会发生摩擦，从而产生热量，使其温度不断升高，因此，滚动轴承的寿命也会随温度的升高而减短。
因此，通过对轴承温度的监测和分析，可以判断轴承的寿命和可靠性。
基于C8051F340单片机的智能化轴承故障诊断仪
过实验的方式验证 了共振解调原理与本诊 断仪 的正确性和 实用性 。 关键词 ： 轴承故 障诊 断； 共振 解调 ； 频谱 分析 中图分 类号 ：Ｐ ７ Ｔ２４ 文献标识码 ： Ａ 文章编号 ：０ ２～１４ （ ００ ０ ０４ ０ １０ ８ １ ２ １ ） ３— ０ ４— ３
Ｄｅ ｅｏ ｍ ｅ ｔｏ ｎ ｅｌ ｅ ａ ｉ ｕ ｔＤｉ ｇ ｏ ｉ ｎｓｒ ｍ ｅ ｔＢａ ｅ ｏ ０ ４ ｖ ｌｐ ｎ ｆＩ ｔ ｌｉ ｎｔＢｅ ｒｎｇ Ｆａ ｌ ａ ｎ ｓｓＩ ｔ ｕ ｇ ｎ ｓ ｄ ｎ Ｃ８ ５１ Ｆ３ ０
２ ０正 ０１
仪 表 技 术 与 传 感 器
Ｉ ｓｒ ｍｅ ｔ Ｔｅ ｈ ｉ ｕ ａ ｄ Ｓ ｎ ｏ ｎ ｔｕ ｎ ｃ ｎｑ ｅ ｎ ｅ ｓｒ
２Ｏｌ Ｏ
第 ３期
Ｎｏ ３ ．
基 于 Ｃ ０ １ ３ ０单 片机 的 智 能化 轴 承故 障诊 断仪 ８５ Ｆ ４
马鸣鹤 ， 亚 军 任
（ 宁 装 备 制 造 职 业 技 术 学 院 自动 控 制 系 ， 宁 沈 阳 辽 辽 １０ ６ ） １ １１
摘要 ： 以滚动轴承故 障诊 断的共振 解调 原理为基础 ， 提供 了一种 以 Ｃ ０ １３ ０单片机 为核 心的 智能化轴 承故障诊 断 ８５Ｆ４
仪 的研 制 方 案 。 由模 拟硬 件 电路 获 得 所 需的 轴 承 振 动 信 号 之 后 ， 过 Ｕ Ｂ接 口和 Ｖ ． 通 Ｓ Ｂ６ ０程 序 实现 与 Ｐ Ｃ机 联 机 的 ９通 道数 据 采 集 电路 ， 模 拟 信 号 传 送 至上 位 机 并使 用 上 位机 程 序 进 行 后 续 频 谱 分 析 及 处理 ， 断 轴 承 的 运 行 状 况 ； 后 ， 将 判 最 通
Ｍ ｎ —ｅ Ｒ Ｎ Ｙ － ｎ Ａ Ｍｉｇｈ ， Ｅ ａｊ ｕ
智能化滚动轴承状态监测
智能化滚动轴承状态监测1 绪论1.1 滚动轴承状态检测的意义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，它们在旋转机械中起着关键的作用，旋转机械的故障30%是由滚动轴承故障引起的，其运行状态的正常与否直接影响到整台机器的性能(包括精度、可靠性及寿命等)[1]。
据统计，仅有10-20%的轴承达到他们的设计寿命。
大量实验证明，滚动轴承的疲劳寿命是非常离散。
在相同的实验条件下，结构设计、材质、加工方法相同的同一批轴承，其最长与最短的寿命可能相差数十倍甚至上百倍。
由于轴承的这个特点，在实际使用中就出现这样一种情况，即有的轴承己大大超过设计寿命而依然完好地工作，而有的轴承远未达到设计寿命就出现各种故障。
所以，如果按照设计寿命对轴承进行定期维修，一方面，会对超过设计寿命而完好工作的轴承拆下来作为报废处理，造成浪费;另一方面，未达到设计寿命而出现故障的轴承或者坚持到定期维修时拆下来报废，使得机器在轴承出现故障后和拆下前这段时间内工作精度下降，或者未到维修时间就出现严重故障，导致整个机器出现严重事故[2]。
由此看来，对重要用途的轴承来说定时维修是很不科学的，要进行工况监视与故障诊断，改传统的定时维修为视情维修或预知维修，这不但可以防止机械工作精度下降，减少或杜绝事故发生，而且可以最大限度地发挥轴承的工作潜力，节约开支，具有重要意义。
1.2 滚动轴承诊断技术的发展与现状1.2.1 国外轴承诊断技术的发展早期人们对滚动轴承的故障诊断是依靠听觉来加以判断，虽然熟练的技术员工能觉察到轴承刚发生的疲劳剥落与损伤部位，但受主观因素的影响较大。
真正意义上的滚动轴承的监测与诊断开始于20世纪60年代[3]，人们用振动位移、速度或加速度的均方根值或峰值来判断轴承有无故障，这样减少了对人为经验的依赖。
几十年来，故障诊断技术不断吸收各门科学技术发展的新成果，诊断的理论与应用有了很大的发展和进步，它涉及系统论、控制论、信息论、检测与估计理论、计算机科学等多方面的内容，成为集许多相关专业学科于一体的新兴交叉学科。
滚动轴承健康智能监测和故障诊断机制研究综述
滚动轴承健康智能监测和故障诊断机制研究综述王婧;许志伟;刘文静;王永生;刘利民【期刊名称】《计算机科学与探索》【年(卷),期】2024(18)4【摘要】轴承作为工业设备机械系统中最关键并且最容易发生故障的零件之一,长期处在高负荷的运行状态。
当其发生故障时或者不可逆的磨损时,可能带来事故甚至造成巨大经济损失。
因此,对其进行有效的健康监测和故障诊断,对于保障工业设备安全稳定运行有着重要的意义。
为进一步促进轴承健康监测和故障诊断技术的发展,对当前现有的模型及方法进行分析与总结,并对现有技术进行划分、对比。
从使用的振动信号数据分布出发,首先,对数据分布均匀下的相关方法进行整理,主要按照基于信号分析和基于数据驱动两方面进行研究现状的分类、分析与总结,对该情况下故障检测方法所存在的不足与缺陷进行概述。
其次,考虑实际工况下数据采集通常具有不均衡特性的问题,对处理该类情况下的检测方法进行总结,并将现有研究中对该问题的不同处理技术根据其侧重点不同分为数据处理方法、特征提取方法、模型改进方法,并对所存在的问题进行分析。
最后,对现有工业设备中轴承故障检测存在的挑战及未来发展方向进行了总结与展望。
【总页数】21页(P878-898)【作者】王婧;许志伟;刘文静;王永生;刘利民【作者单位】内蒙古工业大学数据科学与应用学院;中国科学院计算技术研究所【正文语种】中文【中图分类】TP391【相关文献】1.风电装备故障诊断与健康监测研究综述2.智能滚动轴承监测方法与技术研究现状综述3.高速列车轴箱轴承健康监测与故障诊断研究综述4.滚动轴承故障诊断分析方法研究综述5.基于振动信号的滚动轴承复合故障诊断研究综述因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
智能化滚动轴承监测
刘逸，西南交通大学
【摘要】滚动轴承是机械中的易损部件。
在使用滚动轴承的旋转机械中，大约有30%的机械故障由轴承而引起［1］。
因此智能化滚动轴承状态监测具有重要研究意义。
滚动轴承故障诊断的方法很多，其中以建立人工神经网络，通过对信号的傅里叶分析来监测滚动轴承的工况最为简单。
【关键词】轴承；故障诊断；人工神经网络；傅里叶分析
在工业化程度越来越高的情况下，各种机械的结构越发细致，自动化程度也越来越高，人们对工业中机械的要求也越来越严格。
机械的自动化加工过程中，安全性，连续性都是影响工业产品生产从而影响企业效益的重要因素。
滚动轴承在工作过程中可能由于各种原因引起故障，比如腐蚀，疲劳，过载等都会在成轴承的损坏。
神经网络以其独特的联想、记忆和学习功能在机械故障诊断领域中受到广泛关注。
其中BP算法可以有效缩短网络在训练过程中滞留于局部极小区域的时间,大大提高网络的学习速度［7］。
1 振动信号数据处理及特征提取
本实验中，轴承共有两种状态，即正常（Z）和故障（G）。
且变频器在频率为20Hz、25Hz，30Hz的工况条件下，两种状态各采集10组数据。
共60组数据。
选用采样频率10KHz，采样点数为20000，故采样时间为2s。
对信号进行零均值化预处理，再进行FFT分析其波形会比原来的波形更好。
其时域特征值进行提取，包括均值、方差、均方根、峰值、峰值因子，峭度系数、波形因子、脉冲因子，裕度因子，其中故障轴承和正常轴承在峰值、峰值因子、裕度因子、脉冲因子差别较为明显，而在均值、方差、均方根值、峭度系数和波形因子差别不明显，提取其中的明显特征值。
故障轴承数据随机抽取G252FFT、G255FFT、G257FFT、G259FFT数据对比图形，并对正常轴承数据随机抽取Z252FFT、Z255FFT、Z257FFT、Z259FFT数据对比图形后，可以得到频域特征值：
表1频域特征值
状态 样本
FFT频域特征值
（400，1）（700:850,1） (1550:1750,1) （3600,1） （3900:4100,1）
故障轴承 G252 617.449 214.753 193.33 263.963 177.865 G255 573.651 234.72 222.344 217.658 201.862 G257 573.453 226.439 236.842 259.763 210.278 G259 566.988 244.832 230.687 257.643 174.875
正常轴承 Z252 578.352 236.485 186.339 42.775 214.749 Z255 512.379 256.539 225.533 31.975 519.654
从上表可以看出，故障轴承和正常轴承功率谱的特征值重复性和差异性都是比较良好的。
最后实现特征值归一化。
2.神经网络
首先将已进行归一化的特征值作为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。
在经过1000次的训练后，隐层神经元为的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30。
网络训练的训练误差为0.000954464，训练步数为 98步。
测试结果为：
0.0314 0.9962 0.9999
0.9992
期望结果为：
0 1 正常轴承 1
1
故障轴承 由上面测试：数据的分类完全正确。
也就是说前面建立起来的网络对轴承状态的识别系统是完全正确的。
以后进行模式识别时，只要将测得的数据输入这个网络就可以根据它的输出结果正确的识别出轴承的状态。
参考文献
［1］梅宏斌著.滚动轴承振动监测与诊断.北京机械工业出版社.1995.1-56 ［2］李海波.智能化故障诊断仪的工程设计与研制.2009
［3］谢晖.基于小波阀值滤波和神经网络的滚动轴承智能化故障诊断. ［4］王成龙.基于虚拟仪器的滚动轴承智能化测试分析系统的研究.2005.3 ［5］Gustafsson OG,Tallian,T.Detection of Damage in Assembled Rolling Bearings.Trans.of ASLE.1962,5:197-205 ［6］杨天江，陈家骥，曾子平.1
12
维普分析在滚动轴承故障诊断中的应用［J］.天津大学学报,1999,32（6）:716—719
［7］仇学清，张鑫.滚动轴承故障诊断研究的国内外发展状况.煤矿机械，2007.
Z257 509.784 226.862 185.843 32.543 483.752 Z259 601.233
213.629
195.358
32.764
318.752。