激光位测距传感器检测轴承故障自动诊断
激光位测距传感器检测轴承故障自动诊断
作者:张晓冬
1引言
随着机械轴承的广泛应用,对轴承的工况稳定性提出了更高的要求,需要对轴承进行全天候的状态监测和故障诊断分析,提高轴承工作的稳定性,研究轴承故障的智能诊断方法在机械状态监测中具有很好的应用价值[1]。采用激光测距传感器进行轴承碰 摩故障诊断是未来轴承故障诊断应用的主要方向,采用激光位测距传感器检测技术,进行轴承故障检测, 确保轴承的稳定可靠运转,相关的关键技术设计方法 研究受到人们的极大关注。
研究激光位测距传感器轴承的故障诊断技术,通过提取激光位测距传感器轴承碰摩传感信号模型,结合振动信号分析和频谱特征提取方法进行激光位测 距传感器轴承故障检诊断提高轴承运转的稳定可靠性[2]。传统方法中,对轴承故障的检测诊断方法主要有时频特征分析方法、关联规则检测方法、相关性检 测方法和传感检测方法等,文献[3]中对激光位测距 传感器轴承故障的检测建立在故障数据分析和融合 处理基础上,采用传感器基阵提取激光位测距传感器 轴承信号特征量,实现故障检测,但该方法检测的自 适应性不好。文献[4]中提出基于时频特征分解的轴 承故障诊断方法,根据特征提取结果进行激光位测距 传感器轴承传感信息分析,采用人工智能诊断技术, 实现激光位测距传感器轴承碰摩故障诊断,但该方法进行轴承故障诊断的抗干扰性不好[5]。
针对上述问题,提出一种基于激光位测距传感器检测的轴承故障诊断方法。运用激光位测距传感器获取轴承的振动信息,来完成对轴承部件故障的自动检测,最后进行仿真实验,验证本文方法的有效性。
轴承构件的振动传感信息采集和大数据分析
2. 1轴承构件的振动传感信息采集
为了实现激光位测距传感器检测轴承故障方法优化,结合大数据采样和特征分类技术,进行轴承故障特征检测[6],利用模糊粗糙集聚类方法构建激光位测距传感器轴承故障分布大数据库模型,进行轴承构件的振动传感信息采集,在扰动作用下,设置流延迟控制器进行轴承构件的振动传感采集的过程控制,计算轴承构件的振动传感信息的初始状态分布集 J( 得到激光位测距传感器轴承故障检测统计量为采用联合相关性的状态融合和特征提取技术进行轴承故障特征的预测[7], 得到激光位测距传感信息采样的初始模值 RN 与 XN 存在关联映射关系利用模糊特征分解方法,构建激光位测距传感器检测轴承故障的样本负载,为提取激光位测距传感器轴承故障数据特征分布梯度图,结合样本统计平均分析方法进行轴承故障诊断的模糊控制,输出样本集{ xi ,i = 1,2,…,N} ,当 Neff<Nth时,统计故障数据的嵌入状态,采用层次聚类方法对激光位测距传感器轴承故障大数据进行随机化处理[得到输出大数据样本为{ xi } N,从而得到激光位测距传感器轴承故障检测的原始信息采样值为:结合多元线性融合方法进行激光位测距传感器轴承故障检测的模糊调度 在数据调度中心得到激光位测距传感器轴承故障特征数据的状态分布量化集,采用线性规划和模糊控制方法,进行轴承故障自动诊断和检测
2.2轴承故障特征分析
引入激光位测距传感器轴承故障大数据的故障
发生概率和故障数据聚类频次分布概念[10],用它来表示元素 t 在激光位测距传感器轴承故障大数据库中出现不同频次的概率,记为 supt( D) ,则激光位测距传感器轴承故障大数距离的阈值函数为:其中 numt( D) 为激光位测距传感器轴承故障分布原始信息在时间窗口 t 内的样本统计特征集,计算频繁项概率分布,对于 supt( D) 的计算,采用模糊分区调度方法进行故障挖掘。
3轴承故障诊断优化
3.1 轴承故障的激光位测距大数据挖掘
在上述采用激光位测距传感器进行轴承构件的振动传感信息采集和预处理的基础上,进行激光位测距传感器检测的轴承故障诊断优化设计,使用一个四元组结构来描述激光位测距传感器轴承故障大数据numt( D)的关联特征:
其中: K = 1 /xi -xi ,将激光位测距传感器轴承LS
故障大数据的特征提取结果输入到机器学习器中进行数据分类,结合大数据融合聚类方法实现激光位测距传感器轴承故障大数据分类,根据分类结果进行轴承故障的激光位测距大数据挖掘[14]
3. 2 故障诊断检测
用替代数据法进行激光位测距传感器轴承故障统计数据的振荡随机化处理,故障荷载信息的特征量为{ λi: 1≤i≤S} ,采用模糊控制技术进行激光位测距传感器轴承故障特征点的自主检测[15],构建激光位测距传感器轴承故障的传感异常分布模型,匹配滤波检测器描述。
根据激光位测距传感器轴承故障因子分析结果, 对提取的轴承故障特征量进行高维相空间重组,对采 样的故障数据采用异常谱特征提取方法进行故障样 本聚类处理,计算故障分布节点 Nk( k>2) ) 的权值:
根据激光位测距传感器轴承均衡匹配结果,结合图谱分析方法进行异常谱特征提取,得到激光位测距传感器轴承故障检测输出结果为。
综上分析,结合相关性图谱检测方法,实现对轴承故障的激光位测距传感器检测,检测算法的实现流程如图 1 所示
4仿真实验分析
为了测试本文方法在实现激光位测距传感器检测轴承故障中的应用性能,进行仿真实验,对测距传感器采集的轴承振动数据样本为 2 400,采样时间间隔为 0. 23 s,激光位测距传感器轴承故障数据采集的端口数量为 12 个,传输带为 50 Mb / s,频率覆盖范围 9 kHz ~ 6 GHz,扫描速度为12 Frame / s,接收信号强度 ( RSSI) 为 26 dB,干扰信噪比为-10dB,根据上述仿真环境和参数设定,采用激光位测距传感器检测轴承故障,得到原始样本数据如图 2 所示。
以图 2 采集的轴承振动样本数据为测试对象,提取激光位测距传感轴承故障的统计特征量,采用关联规则挖掘方法进行轴承故障的激光位测距大数据挖掘,实现故障特征检测,得到检测结果如图 3 所示。
分析图 3 得知,采用本文方法能有效实现对轴承故障的激光位测距传感器检测,对故障部位和故障发生时间的定位准确性较好。
测试不同方法进行故障检测的准确性,得到对比结果见表 1。
分析表 1 可知,在迭代次数为 200 次时,本文方法的诊断准确性为 0. 910,K-means 与PSO 方法的诊断准确性为0. 823 与0. 873; 在迭代次数为800 次时,本文方法的诊断准确性为 0. 996,K-means 法的诊断准确性为0. 902,PSO 法的诊断准确性为 0. 946,说明随着迭代次数的增多,本文方法进行轴承故障诊断的准确性始终高于其他两种方法,本文方法的精度较高。
5结语
对轴承进行全天候的状态监测和故障诊断分析, 提高轴承工作的稳定性,本文提出一种基于激光位测 距传感器检测的轴承故障诊断方法。
( 1) 使用激光位测距法对轴承内的震动数据进行采集,并通过传感器获取相关信息。然后运用多模线性融合技术对获取的相关进行融合处理,获取激光位测距传感轴承故障的统计特征量。
( 2) 运用关联规则挖掘法对轴承故障进行大数据挖掘,并对获得的故障信息进行高维相空间重组,
( 3) 使用异常谱特征提取法对采样数据进行故障样本聚类处理,最后结合相关性图谱检测法,实现对轴承故障的激光位测距传感器检测。
最后通过研究得知,本文方法进行轴承故障诊断的准确性较高。
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除