一种可调式中智模型轴承故障分类器及其故障分类方法

文档序号:9863130阅读:489来源:国知局
一种可调式中智模型轴承故障分类器及其故障分类方法
【技术领域】
[0001] 本发明设及轴承检测技术领域,具体讲是一种可调式中智模型轴承故障分类器及 其故障分类方法。
【背景技术】
[0002] 轴承是旋转机械设备中最重要的零件之一,它的质量往往直接影响着整台机器的 性能。要生产出性能良好的滚动轴承不仅要有严格控制的生产技术,还要有有效的检测方 法。现在国内的轴承企业大多采用轴承振动检测仪来查找缺陷产品,现有的轴承振动检测 仪通常由拾振装置和检测电路组成。拾振装置采集振动信号,通过检测电路调理放大,在屏 幕上实时显示振动值,同时通过扬声器发出声音,供员工听取判断轴承是否符合要求。该类 轴承振动检测仪在轴承生产企业中被广泛使用,存在功能简单、自动化程度低、缺乏智能识 另IJ、临界判断模糊等缺点,而且人工判断对人员的经验要求严格、误判率高。此外,生产过程 仅仅依赖"异音"一个指标进行判断,企业很难制造出真正意义上的低振动、低噪声的轴承, 产品技术水平难W提升,更不可能与国外的知名轴承厂家竞争。研究一种高效的轴承故障 检测仪器,保证轴承出厂质量显得极其重要。

【发明内容】

[0003] 本发明的目的在于克服现有技术的不足,提供一种可调式中智模型轴承故障分类 器,通过大量实验建立轴承故障特征的标准中智模型,根据检测精度实时生成被测轴承的 可调中智参数,通过计算被测轴承的可调中智参数与标准中智模型之间的关联度,实现被 测轴承的故障自动分类。
[0004] 为了实现上述目的,本发明的技术方案如下:一种可调式中智模型轴承故障分类 器,包括W下模块:
[0005] 数据预处理模块:接收来自于信号采集模块的振动信号,对振动信号进行去噪,并 提取信号故障特征。
[0006] 中智模型生成模块:用于对提取的故障特征进行分析处理后生成每一种故障类型 的中智模型。
[0007] 实时中智参数生成模块:用于实时测量被测轴承的参数,并根据所测轴承的类型 及精度要求,实时调节中智参数。
[000引故障分类模块:用于分析标准故障中智模型与实时被测中智参数之间的关联度, 按设定的规则对故障进行分类。
[0009] 此外,本发明还提供了一种故障分类方法,包括W下步骤:
[0010] (1)轴承故障中智模型的建立:通过数据预处理模块将来自于信号采集模块的振 动信号进行3层小波分解,得到8个子频段的能量信号,提取各子频段的能量信号,并进行归 一化处理,构成能量特征向量:Τ=拟,61瓜瓜点忠瓜瓜,68},其中61,...瓜,68分别代表 第1~8子频段的能量,通过大量样本获取第i频段能量特征向量的最大值Eimax和最小值 E Vn,建立轴承故障中智模型如下:
2,…,n)代表轴承η种故障类型中的第巧巾故障类型;
[0012] (2)实时生成被测轴承的可调中智参数:采集被测轴承的能量信号,构成可调中智 参数模型如下:
[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)代表被测轴承的第1个 子频段的能量信号,Μ是根据精度要求的可调参数;
[0014] (3)计算被测轴承的可调中智参数与标准中智模型之间的关联度:
[0015]
[0016] 根据关联度的大小顺序,确定故障类型的顺序;
[0017] (4)根据检测精度,调节中智参数满足实际检测要求。
[0018] 采用上述技术方案后,本发明与现有技术相比,具有W下优点:本发明所述的轴承 故障分类器,通过建立中智模型,使该分类器在处理含有不确定性故障诊断方面具有明显 的优点,能克服临界判断模糊等缺点;同时,由于采用开放式设计理念,可W满足轴承生产 企业根据不同轴承类型和精度要求调节中智参数,故障诊断采用智能算法,故障检测准确 率高,可W大大提高出厂轴承的产品合格率,从而进一步提高企业的竞争力。
【附图说明】
[0019] 图1是本发明的分类器硬件示意图。
[0020] 图2是本发明的故障分类流程框图。
[0021] 图中所示:1、电动机2、电动机控制器3、主轴4、旋转轴5、被测轴承6、加速度 传感器7、数据采集卡8、示波器9、计算机。
【具体实施方式】
[0022] 下面通过附图和实施例对本发明作进一步详细阐述。
[0023] 如图1所示:一种可调式中智模型轴承故障分类器,包括旋转驱动模块、信号采集 模块和计算机9。其中计算机9包括数据预处理模块、中智模型生成模块、实时中智参数生成 模块和故障分类模块。旋转驱动模块负责驱动被测轴承5的旋转,从而产生振动信号。旋转 驱动模块包括电动机1、电动机控制器2、主轴3和旋转轴4四部分。信号采集模块由加速度传 感器6和数据采集卡7组成,加速度传感器6用于检测振动信号,数据采集卡7将加速度传感 器6输出的信号传输到计算机9系统进行处理。数据预处理模块首先采用形态开-闭滤波算 法可W去除振动信号噪音信号,然后利用3层小波包分解将信号分解成8个频段,提取每个 频段的能量作为故障特征向量。中智模型生成模块是整个分类器的核屯、模块,中智模型的 精确度将直接影响分类效果。通过提取大量轴承故障样本的能量特征向量,确定特征向量 的区间范围,进一步生成故障类型的中智模型。实时中智参数生成模块,用于实时测量被测 振动信号的能量特征向量,并根据所测轴承的类型及精度要求,实时调节中智参数。故障分 类模块根据设定的智能模糊算法,计算标准故障中智模型与实时被测中智参数之间的关联 度,自动对轴承故障进行分类。此外,图1的标号8为示波器8。
[0024] 本发明的实现原理如下:本发明轴承故障分类器,通过大量实验采集轴承振动信 号,并对采集到的信号参数进行自动分析,建立轴承故障特征的标准中智模型,然后采集被 测轴承5的故障特征,根据检测精度要求实时生成被测轴承5的可调中智参数,最后通过计 算被测轴承5的可调中智参数与标准中智模型之间的关联度,实现被测轴承5的故障分类。 本发明采用开放式设计理念,用户可W根据不同轴承型号W及精度要求调节中智模型和参 数,可W满足轴承生产企业根据所测轴承调节中智模型参数,从而可满足客户个性化要求 及特殊场合的特殊需求。
[0025] 如图2所示:其实现具体原理阐述如下:
[0026] (υ轴承故障中智模型的建立
[0027] 通过信号采集模块采集振动信号,然后通过数据预处理模块将轴承振动信进行3 层小波分解,得到8个子频段的能量信号,提取各子频段的能量信号,并进行归一化处理,构 成能量特征向量:了=巧°也也也点点,66如点},其中61,...瓜,68分
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1