基于DSP和神经网络的滚动轴承故障诊断.docx

基于DSP和神经网络的滚动轴承故障诊断Neural Network Fault Diagnosis of Gearbox Based on DSP摘要：为解决传统滚动轴承检测方法实时性差、准确率低的问题，本文提出了一种DSP与Mallat算法以及BP神经网络相结合的纸机滚动轴承故障诊断方法。首先用振动传感器采集滚动轴承振动信号,然后将采集到的振动信号经过AD转换传输到DSP中，并经过Mallat算法处理将振动信号分解为BP神经网络所需的特征量，最后通过BP神经网络判断出故障的类型。实验结果表明，基于DSP的纸机滚动轴承故障诊断方法具有较好的实时性和准确性。关键字：轴承 故障诊断 DSP神经网络Abstract：Inorder to solve the problems of real-time and low accuracy for rolling bearing fault diagnosis, this paper presents a combination of Mallat algorithm and BP neural network based on DSP for rolling bearing fault diagnosis methods. Vibration signals from rolling bearing are acquired via vibration sensor controlled by DSP.After AD conversion, the vibration signals are decomposed as the feature vectors by Mallat algorithm and the diagnosis model is obtained based on the BP neural network coded in DSP which can determine the fault type. The experimental results show that the fault diagnosis method based on DSP for rolling bearing has good real-time performance and accuracy.Key word: rolling bearing;DSP;fault diagnosis;neural network0引言滚动轴承作为旋转机械中最基本的零件，其性能的优劣直接影响到整个系统能否正常工作。由于滚动轴承早期故障特征并不明显，人为判断滚动轴承好坏具有很高的误判率。过早更换滚动轴承势必会增加生产成本，造成不必要的浪费; 过晚更换滚动轴承可能会影响生产进度，造成经济损失，甚至可能损坏其他设备，引发安全事故。因此研究适合于滚动轴承的在线故障诊断系统具有重要的经济和社会价值。轴承正常运行时，振动信号能量主要集中在低频段，当轴承出现故障时，故障引起的冲击脉冲会激发轴承的高频振动。小波分解中的Mallat算法能够将信号分解为不同频率的信号，随着分解层数的增加，信号的分解都能够达到更精细的程度，能够有效地提取出振动信号不同频率带的特征信号。BP神经网络是目前使用最广泛的算法模型之一，具有非线性映射能力、自学习自适应能力以及较强的容错能力。经过训练，能够得到一个有效的滚动轴承故障诊断模型。为得到一个准确性高、实时性好的滚动轴承故障诊断模型，本文将Mallat算法和BP神经网络两种算法相结合，并固化到DSP中，充分利用DSP信号处理的优势对纸机滚动轴承状态进行了实时诊断。1 滚动轴承振动原理及故障分类当轴承在一定速度下运转时，轴承的工作条件和加工误差以及本身的故障因素会对轴承振动系统产生激励，从而使轴承产生振动。滚动轴承具有相当复杂的振动和噪声，有些是由轴承本身结构特点引起的；有些是和制造装配有关，如滚动体和滚道的表面波纹、表面粗糙度以及几何精度不够高等，在运转中都会引起振动和噪声。正常情况下，滚动轴承振动频率较低，当滚动轴承出现故障的时候，故障部位就会产生周期性的高频振动。其故障振动信号脉冲宽度在us数量级，将激起系统或结构的高频响应，响应水平取决于故障的类型。不同的故障会产生不同的振动频率和振幅，因此，根据不同的振动信号可以分辨出不同的故障类型。按照故障原因，常见的滚动轴承故障有磨损失效、疲劳失效、腐蚀失效、破损失效、压痕失效、胶合失效、烧伤失效；按照故障发生的位置，可以分为正常、内圈故障、外圈故障和滚动体故障。2 系统组成为了能够快速地运行Mallat算法和BP神经网络算法，需要处理芯片具有超高的主频和强大的信号处理能力。DSPTMS320C6748为功耗最低浮点型DSP芯片，采用TI第三