您当前的位置：首页百科行业正文

冲法评价滚动轴承故障修正方法

发布日期：2020-10-09 05:03:17 浏览次数：283

针对机械工业中常用的脉冲法评定滚动轴承故障，提出了一种基于神经网络的故障评估系数自校正策略。该修正系数模块已应用于工业现场滚动轴承在线监测系统中。长期运行实践表明，自校正系数模块的引入大大提高了滚动轴承运行状态判断的准确性。

简介：滚动轴承脉冲法神经网络自校正系数

0前言

滚动轴承是机械工业中大量重要的零件，其运行状态直接影响到机械设备的运行质量，因滚动轴承故障而引起机械设备事故也时有发生，滚动轴承运行状态评估的研究已引起众多机械设计和状态监测技术人员的关注。目前，评价滚动轴承运行状态最常用、最有效的方法之一是冲击脉冲法（SPM法）。然而，这种方法是基于经验曲线法的。该曲线是在非常理想的条件下得到的，即轴承载荷和转速都在设计范围内，SPM传感器的安装必须完全符合标准精度。工业场地的具体工作条件非常复杂。运行中的机械设备是多维非线性系统，不确定性因素多，难以准确描述。精确的模型很难提取。工业现场运行一段时间后，SPM法评价轴承运行状态的理想条件已无法实现，监测系统逐渐适应了目标机的复杂情况。根据这一思想，在扬子石化公司塑料厂造粒机多个滚动轴承在线监测系统的基础上，提出了一种基于人工神经网络的滚动轴承SPM在线监测方法。该系统已在现场应用，实际应用表明，该系统能自适应生成参数进行修正，提高了监测系统对滚动轴承运行状态评估的准确性。

1基于BP网络原理的自校正模块

1.1 SPM方法

在滚动轴承的运行中，如果滚动体接触到内外滚道表面的缺陷区域，会产生低频冲击效应，产生的冲击脉冲信号会引起共振SPM传感器。谐振波形一般为20khz～60khz，包括低频脉冲和随机干扰的调幅波，通过窄带滤波器和脉冲形成电路获得包含高频和低频的脉冲序列。SPM方法基于反映冲击力的脉冲序列，采用了一种新的冲击脉冲值（SV）标度dBc、DBM，用分贝表示。

DBC（carpentvalue）值：也称为地毯值或高频值。它是由滚道表面波纹随机激励引起的，与轴承的润滑状态和油膜厚度有关。频率高（1kHz以上），值小。

DBM（最大值）：又称强脉冲值或低频值，表示脉冲序列中强脉冲序列的幅度。这与滚动轴承的损坏和润滑油中的杂质有关。频率低（1kHz以下），数值大。

DBM与DBC的区别直接与轴承失效有关，两者之间的关系既与单个轴承的特性有关，又与现场复杂情况有关。摘要针对机械工业中常用的冲击脉冲法对滚动轴承故障进行评估，提出了一种基于神经网络的故障评估系数自校正策略。该修正系数模块已应用于工业现场滚动轴承状态在线监测系统中。长期运行实践表明，{hottag}自校正系数模块的引入，大大提高了滚动轴承运行状态判断的准确性。滚动轴承冲击脉冲法神经网络自校正系数

0序

滚动轴承是机械工业中数量大、范围广的重要零件。滚动轴承的运行状态直接影响机械设备的运行质量，而由滚动轴承故障引起的机械设备事故时有发生，对滚动轴承在运行中的状态评估的研究引起了众多机械设计和状态监测技术人员的关注。目前，评价滚动轴承运行状态最常用、最有效的方法之一是冲击脉冲法（SPM法）。然而，这种方法是基于经验曲线法的。该曲线是在非常理想的条件下得到的，即轴承载荷和转速都在设计范围内，SPM传感器的安装必须完全符合标准精度。工业场地的具体工作条件非常复杂。运行中的机械设备是多维非线性系统，不确定性因素多，难以准确描述。精确的模型很难提取。SPM法评价轴承运行状态的理想条件在工业现场难以实现。因此，在监控机器运行一段时间后，我们应该能够了解目标机器的具体情况，监控系统逐渐适应目标机器的复杂情况。根据这一思想，在扬子石化公司塑料厂造粒机多个滚动轴承在线监测系统的基础上，提出了一种基于人工神经网络的滚动轴承SPM在线监测方法。该系统已在现场应用，实际应用表明，该系统能自适应生成参数进行修正，提高了监测系统对滚动轴承运行状态评估的准确性。

1基于BP网络原理的自校正模块

1.1 SPM方法

在滚动轴承的运行中，如果滚动体接触到内外滚道表面的缺陷区域，会产生低频冲击效应，产生的冲击脉冲信号会引起共振SPM传感器。谐振波形一般为20khz～60khz，包括低频脉冲和随机干扰的调幅波，通过窄带滤波器和脉冲形成电路获得包含高频和低频的脉冲序列。SPM方法基于反映冲击力的脉冲序列，采用了一种新的冲击脉冲值（SV）标度dBc、DBM，用分贝表示。

DBC（carpentvalue）值：也称为地毯值或高频值。它是由滚道表面波纹随机激励引起的，与轴承的润滑状态和油膜厚度有关。频率高（1kHz以上），值小。

DBM（最大值）：又称强脉冲值或低频值，表示脉冲序列中强脉冲序列的幅度。这与滚动轴承的损坏和润滑油中的杂质有关。频率低（1kHz以下），数值大。

DBM与DBC的区别直接与轴承失效有关，两者之间的关系既与单个轴承的特性有关，又与现场复杂情况有关。

1.2自校正模块原理

为SPM方法建立的基于BP网络的自校正系数模块结构如图1所示。

图1自校正系数结构框图

轴承发生故障并更换后，现场操作人员填写轴承更换管理系统程序。程序一方面完成了轴承更换的管理功能，另一方面将轴承更换过程中的高频和低频值（DBC和DBM）传输到BP网络，同时，利用SPM的适宜性和及时性评价，对传统SPM方法的评价曲线进行了修正。人工神经网络是近年来发展起来的一门新兴科学。BP神经网络是应用最广泛的人工神经网络。它是一个具有隐藏层的多层网络。
BP模型由输入层、隐层和输出层三个神经网络单元组成。每层神经元之间没有联系。它的输入输出特性是非线性可微、非减函数，一般采用sigmoid函数来表示神经元的饱和特性。由于隐节点的引入，一个具有sigmoid神经元的三层BP网络能够以任意精度逼近任何函数。

BP网络结构为1-48-1，输入为SPM法的低频值，输出为高频值，近似于SPM法高频与低频的复杂关系。由于神经网络主要用于计算而不是分类判断，因此对精度要求较高。只有当单个样本的误差小于8×10-5时，才能不低于系统硬件的测量精度，即BP网络的误差不会成为系统误差的主要项目。为了达到如此高的精度，我们使用了大量的隐藏层节点：48个。这样做的代价是计算速度降低。但这只是在预学习阶段，预训练时间较长，在系统实际工作中，BP网络可能不需要学习，即使学习，也只是单个样本的学习，生成数永远不会超过几十次，因此不会影响系统的实时性。

在构建BP网络时，我们首先根据现场具体数据和现场人员的经验数据对BP网络进行预训练，生成一组初始权值。所谓站点特定数据，是指现场工作人员使用离线SPM仪器采集的历史数据。在没有现场具体数据的情况下，应使用现场操作员提供的经验数据。选取具有代表性的数据作为训练样本。经过预训练后，选取上述数据中未作为样本的数据作为BP网络的验证数据。如果不满足精度要求，则重复预培训过程。表

显示了预先训练的BP网络的测试结果。

表BP网络测试结果
输入262830
期望输出222326
神经网络输出22.6524.1625.73

当系统工作时，BP网络首先使用初始权值计算输入数据，以确定其是否达到预定精度。因为这些输入数据代表了轴承的具体特性，如果BP网络达到预定的精度，则表示BP网络与轴承的具体情况相一致，并且权重不被修改；如果不一致，这意味着BP网络与轴承的具体情况不是很一致，必须通过BP算法反复学习权值，直到与现场的具体情况相一致，才真正代表了机器的具体情况。将修改后的权值保存起来，作为下一步BP网络运算的基础。

根据BP网络的计算结果和轴承更换管理程序传来的更换评估，即现场轴承的具体特点和最后一次轴承更换的及时性，修改SPM法评估曲线。修正后的评价曲线可用于测量和监测系统中，以修正和弥补复杂工况对监测方法的影响。

2工业现场应用实例

SPM法对滚动轴承的运行状态进行评价。该模块加载在南京扬子石化公司塑料厂聚丙烯造粒机轴承在线监测系统分析软件中。它已经在工业领域运行了一年多。根据现场实测数据和现场操作人员多年积累的经验，采用BP神经网络对原SPM轴承故障评价曲线进行修正，使其基本符合PP造粒机轴承的实际运行情况。造粒机1号轴承为单列向心球轴承，外径360mm，内径200mm，工作转速1480r/min，根据SPM法经验曲线，低频值为86db时，表明轴承已损坏，应注意。但现场实际工作人员发现，当上述数值达到上述数值时，1号轴承已严重损坏，无法恢复工作。这充分说明了SPM法的经验曲线与具体机械对象的特性存在一定的差异。因此，我们利用BP神经网络自校正系数软件对SPM法的经验曲线进行修正。训练前BP网络的初始数据采用现场操作人员的经验数据，即1号轴承低频冲击值DBM为46db时，应予以注意。此时，高频值DBC采用BP网络计算，修正后的高频值和低频值作为1号轴承评价标准。在对不同的轴承进行预学习和逐一修正后，每个轴承都有自己的运动状态评价标准。与过去一年相比，因轴承故障造成的停机事故明显减少，保证了造粒机的长期安全运行。实践表明，用改进后的SPM方法对造粒机进行评价是非常合适的。

3结论

本文针对工业领域极为复杂的工况对机械在线监测与诊断系统的影响，尝试构建一个基于BP神经网络的自校正系数模块，用于滚动轴承的SPM监测。经过一段时间的现场学习，系统将能够代表现场工况和目标机的具体特性，自适应生成代表场目标机特性的修正系数，并修改SPM法的经验曲线来评价轴承以弥补复杂工况对SPM监测方法的影响。该系统在扬子石化公司的实际运行证明，该系统是成功可靠的。

关键词： 故障评价方法

上一篇：冲压模具-冲压名称类

下一篇：充分利用边角空间40平