一種可調(diào)式中智模型軸承故障分類器及其故障分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及軸承檢測(cè)技術(shù)領(lǐng)域，具體講是一種可調(diào)式中智模型軸承故障分類器及 其故障分類方法。
【背景技術(shù)】
[0002] 軸承是旋轉(zhuǎn)機(jī)械設(shè)備中最重要的零件之一，它的質(zhì)量往往直接影響著整臺(tái)機(jī)器的 性能。要生產(chǎn)出性能良好的滾動(dòng)軸承不僅要有嚴(yán)格控制的生產(chǎn)技術(shù)，還要有有效的檢測(cè)方 法?，F(xiàn)在國(guó)內(nèi)的軸承企業(yè)大多采用軸承振動(dòng)檢測(cè)儀來(lái)查找缺陷產(chǎn)品，現(xiàn)有的軸承振動(dòng)檢測(cè) 儀通常由拾振裝置和檢測(cè)電路組成。拾振裝置采集振動(dòng)信號(hào)，通過(guò)檢測(cè)電路調(diào)理放大，在屏 幕上實(shí)時(shí)顯示振動(dòng)值，同時(shí)通過(guò)揚(yáng)聲器發(fā)出聲音，供員工聽(tīng)取判斷軸承是否符合要求。該類 軸承振動(dòng)檢測(cè)儀在軸承生產(chǎn)企業(yè)中被廣泛使用，存在功能簡(jiǎn)單、自動(dòng)化程度低、缺乏智能識(shí) 另IJ、臨界判斷模糊等缺點(diǎn)，而且人工判斷對(duì)人員的經(jīng)驗(yàn)要求嚴(yán)格、誤判率高。此外，生產(chǎn)過(guò)程 僅僅依賴"異音"一個(gè)指標(biāo)進(jìn)行判斷，企業(yè)很難制造出真正意義上的低振動(dòng)、低噪聲的軸承， 產(chǎn)品技術(shù)水平難W提升，更不可能與國(guó)外的知名軸承廠家競(jìng)爭(zhēng)。研究一種高效的軸承故障 檢測(cè)儀器，保證軸承出廠質(zhì)量顯得極其重要。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種可調(diào)式中智模型軸承故障分類 器，通過(guò)大量實(shí)驗(yàn)建立軸承故障特征的標(biāo)準(zhǔn)中智模型，根據(jù)檢測(cè)精度實(shí)時(shí)生成被測(cè)軸承的 可調(diào)中智參數(shù)，通過(guò)計(jì)算被測(cè)軸承的可調(diào)中智參數(shù)與標(biāo)準(zhǔn)中智模型之間的關(guān)聯(lián)度，實(shí)現(xiàn)被 測(cè)軸承的故障自動(dòng)分類。
[0004] 為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：一種可調(diào)式中智模型軸承故障分類 器，包括W下模塊：
[0005] 數(shù)據(jù)預(yù)處理模塊:接收來(lái)自于信號(hào)采集模塊的振動(dòng)信號(hào)，對(duì)振動(dòng)信號(hào)進(jìn)行去噪，并 提取信號(hào)故障特征。
[0006] 中智模型生成模塊:用于對(duì)提取的故障特征進(jìn)行分析處理后生成每一種故障類型 的中智模型。
[0007] 實(shí)時(shí)中智參數(shù)生成模塊：用于實(shí)時(shí)測(cè)量被測(cè)軸承的參數(shù)，并根據(jù)所測(cè)軸承的類型 及精度要求，實(shí)時(shí)調(diào)節(jié)中智參數(shù)。
[000引故障分類模塊：用于分析標(biāo)準(zhǔn)故障中智模型與實(shí)時(shí)被測(cè)中智參數(shù)之間的關(guān)聯(lián)度， 按設(shè)定的規(guī)則對(duì)故障進(jìn)行分類。
[0009] 此外，本發(fā)明還提供了一種故障分類方法，包括W下步驟：
[0010] (1)軸承故障中智模型的建立:通過(guò)數(shù)據(jù)預(yù)處理模塊將來(lái)自于信號(hào)采集模塊的振 動(dòng)信號(hào)進(jìn)行3層小波分解，得到8個(gè)子頻段的能量信號(hào)，提取各子頻段的能量信號(hào)，并進(jìn)行歸 一化處理，構(gòu)成能量特征向量:Τ=擬，61瓜瓜點(diǎn)忠瓜瓜，68}，其中61，...瓜，68分別代表 第1~8子頻段的能量，通過(guò)大量樣本獲取第i頻段能量特征向量的最大值Eimax和最小值 E Vn，建立軸承故障中智模型如下：
2，…，n)代表軸承η種故障類型中的第巧巾故障類型；
[0012] (2)實(shí)時(shí)生成被測(cè)軸承的可調(diào)中智參數(shù):采集被測(cè)軸承的能量信號(hào)，構(gòu)成可調(diào)中智 參數(shù)模型如下：
[0013] Τ*={<Ε*ι，Μ，1-Ε*ι〉，<Ε*2，Μ，1-Ε*2〉，<Ε*3，Μ，1-Ε*3〉，<Ε*4，Μ，1-Ε*4〉ΧΕ*5，Μ，1-Ε*5〉， 瓜6此1寸*6〉，化*7，1，1斗八，瓜8此1斗*8〉}，其中6/。= 1，2，...，8)代表被測(cè)軸承的第1個(gè) 子頻段的能量信號(hào)，Μ是根據(jù)精度要求的可調(diào)參數(shù)；
[0014] (3)計(jì)算被測(cè)軸承的可調(diào)中智參數(shù)與標(biāo)準(zhǔn)中智模型之間的關(guān)聯(lián)度：
[0015]
[0016] 根據(jù)關(guān)聯(lián)度的大小順序，確定故障類型的順序；
[0017] (4)根據(jù)檢測(cè)精度，調(diào)節(jié)中智參數(shù)滿足實(shí)際檢測(cè)要求。
[0018] 采用上述技術(shù)方案后，本發(fā)明與現(xiàn)有技術(shù)相比，具有W下優(yōu)點(diǎn):本發(fā)明所述的軸承 故障分類器，通過(guò)建立中智模型，使該分類器在處理含有不確定性故障診斷方面具有明顯 的優(yōu)點(diǎn)，能克服臨界判斷模糊等缺點(diǎn)；同時(shí)，由于采用開(kāi)放式設(shè)計(jì)理念，可W滿足軸承生產(chǎn) 企業(yè)根據(jù)不同軸承類型和精度要求調(diào)節(jié)中智參數(shù)，故障診斷采用智能算法，故障檢測(cè)準(zhǔn)確 率高，可W大大提高出廠軸承的產(chǎn)品合格率，從而進(jìn)一步提高企業(yè)的競(jìng)爭(zhēng)力。
【附圖說(shuō)明】
[0019] 圖1是本發(fā)明的分類器硬件示意圖。
[0020] 圖2是本發(fā)明的故障分類流程框圖。
[0021] 圖中所示：1、電動(dòng)機(jī)2、電動(dòng)機(jī)控制器3、主軸4、旋轉(zhuǎn)軸5、被測(cè)軸承6、加速度 傳感器7、數(shù)據(jù)采集卡8、示波器9、計(jì)算機(jī)。
【具體實(shí)施方式】
[0022] 下面通過(guò)附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)闡述。
[0023] 如圖1所示:一種可調(diào)式中智模型軸承故障分類器，包括旋轉(zhuǎn)驅(qū)動(dòng)模塊、信號(hào)采集 模塊和計(jì)算機(jī)9。其中計(jì)算機(jī)9包括數(shù)據(jù)預(yù)處理模塊、中智模型生成模塊、實(shí)時(shí)中智參數(shù)生成 模塊和故障分類模塊。旋轉(zhuǎn)驅(qū)動(dòng)模塊負(fù)責(zé)驅(qū)動(dòng)被測(cè)軸承5的旋轉(zhuǎn)，從而產(chǎn)生振動(dòng)信號(hào)。旋轉(zhuǎn) 驅(qū)動(dòng)模塊包括電動(dòng)機(jī)1、電動(dòng)機(jī)控制器2、主軸3和旋轉(zhuǎn)軸4四部分。信號(hào)采集模塊由加速度傳 感器6和數(shù)據(jù)采集卡7組成，加速度傳感器6用于檢測(cè)振動(dòng)信號(hào)，數(shù)據(jù)采集卡7將加速度傳感 器6輸出的信號(hào)傳輸?shù)接?jì)算機(jī)9系統(tǒng)進(jìn)行處理。數(shù)據(jù)預(yù)處理模塊首先采用形態(tài)開(kāi)-閉濾波算 法可W去除振動(dòng)信號(hào)噪音信號(hào)，然后利用3層小波包分解將信號(hào)分解成8個(gè)頻段，提取每個(gè) 頻段的能量作為故障特征向量。中智模型生成模塊是整個(gè)分類器的核屯、模塊，中智模型的 精確度將直接影響分類效果。通過(guò)提取大量軸承故障樣本的能量特征向量，確定特征向量 的區(qū)間范圍，進(jìn)一步生成故障類型的中智模型。實(shí)時(shí)中智參數(shù)生成模塊，用于實(shí)時(shí)測(cè)量被測(cè) 振動(dòng)信號(hào)的能量特征向量，并根據(jù)所測(cè)軸承的類型及精度要求，實(shí)時(shí)調(diào)節(jié)中智參數(shù)。故障分 類模塊根據(jù)設(shè)定的智能模糊算法，計(jì)算標(biāo)準(zhǔn)故障中智模型與實(shí)時(shí)被測(cè)中智參數(shù)之間的關(guān)聯(lián) 度，自動(dòng)對(duì)軸承故障進(jìn)行分類。此外，圖1的標(biāo)號(hào)8為示波器8。
[0024] 本發(fā)明的實(shí)現(xiàn)原理如下：本發(fā)明軸承故障分類器，通過(guò)大量實(shí)驗(yàn)采集軸承振動(dòng)信 號(hào)，并對(duì)采集到的信號(hào)參數(shù)進(jìn)行自動(dòng)分析，建立軸承故障特征的標(biāo)準(zhǔn)中智模型，然后采集被 測(cè)軸承5的故障特征，根據(jù)檢測(cè)精度要求實(shí)時(shí)生成被測(cè)軸承5的可調(diào)中智參數(shù)，最后通過(guò)計(jì) 算被測(cè)軸承5的可調(diào)中智參數(shù)與標(biāo)準(zhǔn)中智模型之間的關(guān)聯(lián)度，實(shí)現(xiàn)被測(cè)軸承5的故障分類。 本發(fā)明采用開(kāi)放式設(shè)計(jì)理念，用戶可W根據(jù)不同軸承型號(hào)W及精度要求調(diào)節(jié)中智模型和參 數(shù)，可W滿足軸承生產(chǎn)企業(yè)根據(jù)所測(cè)軸承調(diào)節(jié)中智模型參數(shù)，從而可滿足客戶個(gè)性化要求 及特殊場(chǎng)合的特殊需求。
[0025] 如圖2所示:其實(shí)現(xiàn)具體原理闡述如下：
[0026] (υ軸承故障中智模型的建立
[0027] 通過(guò)信號(hào)采集模塊采集振動(dòng)信號(hào)，然后通過(guò)數(shù)據(jù)預(yù)處理模塊將軸承振動(dòng)信進(jìn)行3 層小波分解，得到8個(gè)子頻段的能量信號(hào)，提取各子頻段的能量信號(hào)，并進(jìn)行歸一化處理，構(gòu) 成能量特征向量:了=巧°也也也點(diǎn)點(diǎn)，66如點(diǎn)}，其中61，...瓜，68分