基于Labview的某型船用泵電機(jī)軸承狀態(tài)監(jiān)測(cè)系統(tǒng)

雷威，潘永軍，韓宗真

（武漢第二船舶設(shè)計(jì)研究所，湖北 武漢 430064）

中小型感應(yīng)電機(jī)以其結(jié)構(gòu)簡(jiǎn)單、運(yùn)行可靠、效率較高、制造容易等優(yōu)點(diǎn)在生產(chǎn)生活中應(yīng)用廣泛。在船舶上，各類(lèi)泵、風(fēng)機(jī)等設(shè)備均采用異步電機(jī)作為原動(dòng)機(jī)，因此，電動(dòng)機(jī)的運(yùn)行狀態(tài)直接關(guān)系到船舶的運(yùn)行狀態(tài)。然而，軸承作為船用電機(jī)的關(guān)鍵部件，同時(shí)，也是最容易損壞的部件。數(shù)據(jù)表明，軸承故障導(dǎo)致的船用電機(jī)故障比例占船用電機(jī)故障的40%以上。如果船用電機(jī)軸承出現(xiàn)故障，輕則停機(jī)檢修，影響使用；重則機(jī)毀人亡，造成惡劣影響及難以估計(jì)的損失。因此，采用有效的狀態(tài)監(jiān)測(cè)手段，準(zhǔn)確地監(jiān)測(cè)船用電機(jī)軸承的狀態(tài)，及時(shí)發(fā)現(xiàn)隱患，可以提前準(zhǔn)備備件，對(duì)存在隱患部位進(jìn)行重點(diǎn)檢修，不僅能夠節(jié)省時(shí)間和費(fèi)用，而且能夠有效地避免事故的發(fā)生。因此，開(kāi)展船用電機(jī)軸承狀態(tài)監(jiān)測(cè)研究，對(duì)于提高設(shè)備運(yùn)行可靠性以及避免事故發(fā)生具有重大的意義。

由于船舶上泵用電機(jī)軸承運(yùn)行環(huán)境苛刻，采集到的狀態(tài)信號(hào)中常常包含大量的噪聲，使得軸承的狀態(tài)監(jiān)測(cè)尤為困難。為了解決某型船用泵電機(jī)軸承早期故障難以識(shí)別、狀態(tài)監(jiān)測(cè)自動(dòng)化程度低等問(wèn)題，本文針對(duì)船舶上典型的泵用電機(jī)軸承，設(shè)計(jì)了一種基于Labview的船用電機(jī)軸承狀態(tài)監(jiān)測(cè)系統(tǒng)。

1 特征提取

船舶上泵用電機(jī)軸承運(yùn)行工況惡劣、故障數(shù)據(jù)信噪比低，僅用單域特征不能夠完整描述其運(yùn)行狀態(tài)，需要從多個(gè)分析域提取故障特征，進(jìn)而從各個(gè)方面反映軸承的故障狀態(tài)。

1.1 特征提取

（1）時(shí)域特征參數(shù)。信號(hào)的時(shí)域參數(shù)是信號(hào)的時(shí)域統(tǒng)計(jì)分析參數(shù)。時(shí)域參數(shù)指標(biāo)主要包括有量綱參數(shù)指標(biāo)和無(wú)量綱參數(shù)指標(biāo)。這些時(shí)域特征參數(shù)從統(tǒng)計(jì)學(xué)角度出發(fā)，計(jì)算簡(jiǎn)單，物理意義明確，因而很早就被應(yīng)用于滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)和故障診斷。

（2）頻域特征參數(shù)。船用電機(jī)軸承的運(yùn)行狀態(tài)出現(xiàn)變化時(shí)，該信號(hào)的頻譜結(jié)構(gòu)也會(huì)隨之發(fā)生變化，比如，主頻位置、各頻率能量占比等。因此，可以通過(guò)滾動(dòng)軸承振動(dòng)信號(hào)的頻域特征反映其運(yùn)行狀態(tài)。

（3）時(shí)頻域特征參數(shù)。小波分析具有優(yōu)秀的時(shí)、頻局部化的性質(zhì)，克服了傳統(tǒng)傅里葉變換不能同時(shí)進(jìn)行時(shí)域、頻域分析的缺點(diǎn)，適用于非平穩(wěn)信號(hào)的分析。因此，本文提取了信號(hào)的連續(xù)小波能量譜作為時(shí)頻域的特征參數(shù)。

振動(dòng)信號(hào)的連續(xù)小波在尺度方向上的能量，定義如式（1）所示：

1.2 數(shù)據(jù)降維

不同的指標(biāo)能夠表征的故障信息是不一致的，在構(gòu)造的混合域故障特征集中，包含部分非敏感特征甚至是干擾特征量，將嚴(yán)重影響故障識(shí)別的效果。因此，有必要對(duì)混合域故障特征集進(jìn)行降維，提取出有效的特征子集。

PCA（Principal Component Analysis，PCA）是一種基于特征融合的維數(shù)約簡(jiǎn)方法，能夠有效地降低高維數(shù)據(jù)的維數(shù)，并保留原數(shù)據(jù)集的大部分信息，因此，在數(shù)據(jù)降維和信息壓縮中應(yīng)用廣泛。

2 船用電機(jī)軸承狀態(tài)監(jiān)測(cè)模型

2.1 隱馬爾科夫模型

由于船用電機(jī)軸承在運(yùn)行時(shí)處于密封狀態(tài)，只能通過(guò)采集的信號(hào)推測(cè)軸承的運(yùn)行狀態(tài)，而HMM（Hidden Markov Model，HMM）同樣是通過(guò)觀測(cè)序列來(lái)推測(cè)模型的隱藏狀態(tài)及其聯(lián)系，因此，HMM非常適用于軸承的狀態(tài)監(jiān)測(cè)及故障診斷。

2.2 基于HMM的船用軸承狀態(tài)監(jiān)測(cè)模型

船用電機(jī)軸承在發(fā)生故障時(shí)，其外在表征會(huì)發(fā)生變化?？梢杂靡粋€(gè)條件概率來(lái)表示該過(guò)程，即給定條件是外在表征，計(jì)算在該給定條件下船用電機(jī)軸承處于某種故障的概率，通過(guò)對(duì)比各個(gè)概率值，實(shí)現(xiàn)對(duì)船用電機(jī)軸承的狀態(tài)的識(shí)別。

當(dāng)船用電機(jī)軸承在正常狀態(tài)運(yùn)行時(shí)，其外在表征往往也服從同一分布，即在某個(gè)范圍內(nèi)波動(dòng)；當(dāng)船用電機(jī)軸承的運(yùn)行狀態(tài)發(fā)生變化時(shí)，其外在表征的波動(dòng)范圍也會(huì)脫離原來(lái)的分布?；诖?，提出了基于HMM的船用電機(jī)軸承狀態(tài)監(jiān)測(cè)。具體方法為：訓(xùn)練船用電機(jī)軸承正常狀態(tài)時(shí)的HMM模型，并將實(shí)時(shí)采集的船用電機(jī)軸承的信號(hào)作為待診斷信號(hào)輸入正常HMM中，計(jì)算該信號(hào)是由正常HMM產(chǎn)生的概率。通過(guò)此概率值的變化來(lái)監(jiān)測(cè)船用電機(jī)軸承的運(yùn)行狀態(tài)，圖1是使用HMM監(jiān)測(cè)船用電機(jī)軸承狀態(tài)流程。

圖1 基于HMM的滾動(dòng)軸承狀態(tài)監(jiān)測(cè)流程

3 系統(tǒng)設(shè)計(jì)

3.1 硬件組成

基于Labview的某型船用電機(jī)軸承狀態(tài)監(jiān)測(cè)系統(tǒng)由硬件和軟件兩部分組成。硬件部分包括振動(dòng)傳感器、低通濾波器、數(shù)據(jù)采集卡和計(jì)算機(jī)等。硬件部分的主要功能是采集船用電機(jī)軸承的振動(dòng)信號(hào)，對(duì)該信號(hào)進(jìn)行濾波，并將其數(shù)字化，便于在計(jì)算機(jī)上顯示、分析以及存儲(chǔ)。系統(tǒng)硬件部分示意圖如圖2所示。

圖2 硬件部分示意圖

3.2 軟件設(shè)計(jì)

根據(jù)圖1所示的流程圖編制的船用電機(jī)軸承狀態(tài)監(jiān)測(cè)系統(tǒng)的Labview程序框圖如圖3所示，將實(shí)時(shí)采集的信號(hào)經(jīng)過(guò)提取信號(hào)特征、特征集降維等步驟，輸入正常狀態(tài)下的HMM模型中。模型給出該信號(hào)由正常狀態(tài)下產(chǎn)生的概率，該概率值會(huì)隨著船用電機(jī)軸承狀態(tài)的改變而變化。當(dāng)船用電機(jī)軸承處于正常狀態(tài)時(shí)，模型輸出的概率值服從同一分布；當(dāng)船用電機(jī)軸承發(fā)生故障時(shí)，模型輸出的概率值將脫離原來(lái)的分布。因此，根據(jù)法則設(shè)置閾值，當(dāng)概率值超出閾值時(shí)給出警報(bào)，為了避免出現(xiàn)偶然誤差，可以設(shè)置連續(xù)幾次超出閾值時(shí)給出故障警報(bào)。

4 實(shí)驗(yàn)驗(yàn)證

滾動(dòng)軸承狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)使用美國(guó)Intelligent Maintenance System Center的軸承生命周期數(shù)據(jù)，實(shí)驗(yàn)臺(tái)如圖4所示。實(shí)驗(yàn)過(guò)程中軸承的轉(zhuǎn)速為2000r/min，并對(duì)軸承施加26.6kN的徑向載荷。數(shù)據(jù)采集的頻率設(shè)置為20480Hz，數(shù)據(jù)采集間隔為10min，每次采集1s。直至某軸承出現(xiàn)失效停止實(shí)驗(yàn)，實(shí)驗(yàn)過(guò)程采集984組數(shù)據(jù)。表1為實(shí)驗(yàn)用軸承的幾何參數(shù)。

圖3 船用電機(jī)軸承狀態(tài)監(jiān)測(cè)系統(tǒng)Labview程序框圖

圖4滾動(dòng)軸承狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)臺(tái)

表1 滾動(dòng)軸承的參數(shù)

圖5中橫坐標(biāo)為按照時(shí)間順序排列的每組數(shù)據(jù)的編號(hào)?？梢钥吹诫S著實(shí)驗(yàn)的進(jìn)行，在0～700組數(shù)據(jù)時(shí)，特征值沒(méi)有明顯變化，在700組之后，時(shí)域指標(biāo)值相比于0～700組開(kāi)始出現(xiàn)明顯變化，說(shuō)明軸承開(kāi)始出現(xiàn)故障。

圖5 軸承全壽期數(shù)據(jù)歸一化的部分時(shí)域特征

圖6是基于Labview的船用電機(jī)軸承狀態(tài)監(jiān)測(cè)系統(tǒng)的控制界面，圖中曲線表示隨著軸承運(yùn)行，軸承在正常狀態(tài)下的似然概率值。圖中直線之間的范圍表示正常狀態(tài)似然概率值的范圍。當(dāng)正常狀態(tài)HMM輸出的似然概率值連續(xù)5次超出閾值時(shí)，系統(tǒng)給出警報(bào)。選取前50組數(shù)據(jù)用于訓(xùn)練正常狀態(tài)的HMM模型。訓(xùn)練完成后，將軸承全壽命周期的數(shù)據(jù)輸入正常狀態(tài)的HMM模型中，通過(guò)正常狀態(tài)的HMM模型輸出的似然概率值反應(yīng)軸承的狀態(tài)。從控制界面可以看出，在第540組數(shù)據(jù)時(shí)故障指示燈亮起，并給出故障警報(bào)信息。說(shuō)明相比于傳統(tǒng)的信號(hào)特征，該系統(tǒng)對(duì)軸承早期故障更加敏感，在狀態(tài)監(jiān)測(cè)的過(guò)程中能夠準(zhǔn)確地檢測(cè)軸承早期故障。

圖6 船用電機(jī)軸承狀態(tài)監(jiān)測(cè)系統(tǒng)的控制界面

5 結(jié)語(yǔ)

本文介紹了一種基于Labview的某型船用泵電機(jī)軸承狀態(tài)監(jiān)測(cè)系統(tǒng)。首先，介紹了船用泵電機(jī)軸承特征提取方法以及降維方法；然后，介紹了基于HMM的船用泵電機(jī)軸承狀態(tài)監(jiān)測(cè)模型，并對(duì)系統(tǒng)的的硬件部分以及軟件部分的設(shè)計(jì)方法進(jìn)行介紹；最后，對(duì)系統(tǒng)的使用效果進(jìn)行實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，系統(tǒng)對(duì)軸承早期故障敏感，能夠在軸承故障早期給出警報(bào)，對(duì)船用泵的預(yù)防性維修具有重要意義，并為其狀態(tài)監(jiān)測(cè)的工程應(yīng)用奠定了技術(shù)基礎(chǔ)。