轴承振动信号采集分析系统设计与实现
滚动轴承故障诊断系统设计
滚动轴承故障诊断系统设计滚动轴承是机械传动系统中常用的一种轴承结构，其故障对机械设备的运行稳定性和工作效率都有着重要影响。
为了及时发现并准确诊断滚动轴承故障，设计一个滚动轴承故障诊断系统至关重要。
本文将以滚动轴承故障诊断系统为例，对其进行详细的设计。
滚动轴承故障主要分为疲劳破裂、轴承内部损伤和润滑不良等几种情况。
为了对这些故障进行准确判断，我们可以采用振动特征和声音特征相结合的方法进行诊断。
系统的设计主要包括传感器采集、信号处理和故障诊断三个部分。
1.传感器采集传感器采集是整个系统的基础，需要采集滚动轴承运行状态下的振动信号和声音信号。
振动信号可以通过加速度传感器或振动传感器获取，而声音信号可以通过麦克风获取。
在采集信号时，需要注意信号的采样频率和分辨率，以充分获取故障特征。
2.信号处理采集到的振动信号和声音信号需要经过信号处理，提取其中的故障特征。
常用的信号处理方法包括时域分析、频域分析和小波分析。
时域分析可用于提取振动波形的均值、峰值和波形形状信息；频域分析可用于提取振动信号在不同频率上的能量分布，如功率谱密度和频率谱图；小波分析能够同时提取时域和频域特征。
3.故障诊断通过信号处理后，可以得到滚动轴承的振动特征和声音特征。
对这些特征进行分析和对比，即可进行故障诊断。
例如，如果识别到频率谱图上存在明显的功率峰，且其频率接近滚动轴承的特征频率，可以判断为疲劳破裂故障；如果声音信号中出现明显的金属碰撞声，可以判断为滚动体和内圈或外圈之间的摩擦故障。
此外，滚动轴承故障诊断系统还可以进行故障程度评估，即评估轴承故障的严重程度。
这可以通过比较故障特征与正常状态下的参考特征进行，如与正常振动信号的差异、与故障前的特征进行对比等。
以上是滚动轴承故障诊断系统的设计方案。
它可以实时监测滚动轴承的运行状态，及时发现并准确诊断故障，为机械设备提供保护。
同时，系统设计还可以根据实际情况进行扩展，如添加温度传感器用于检测滚动轴承的温度等。
高速列车轴承智能预警系统设计与实现
高速列车轴承智能预警系统设计与实现随着时代的发展，高速列车已成为人们出行中不可或缺的交通工具。
随着列车时速的不断提高，列车部件的运行安全性和可靠性需求更高，轴承的故障预警系统也变得越来越重要，因为轴承是高速列车运行中最重要的部件之一。
在高速运转过程中，轴承的负荷和速度都非常大，如果出现问题，将对列车运行的安全和稳定性带来严重后果。
因此在高速列车轴承的监测和故障诊断方面，研究智能预警系统具有非常重要的现实意义。
本文将介绍一个基于智能监测算法的高速列车轴承预警系统，该系统可以通过获取轴承工作状态的实时信息来检测轴承的故障并进行预警。
系统通过传感器实时采集轴承的振动、温度、声音等信息，然后通过预处理和特征提取对数据进行处理和分析，并运用神经网络和其他计算机智能算法来探测轴承故障，并进行预警。
系统的设计要点传感器选择为了获得轴承的实时状态信息，需要用到多个传感器。
常用的轴承健康监测传感器有加速度传感器、温度传感器和声学传感器等。
其中，振动传感器是更加常用的一种，可以对振动信号有较好的判别能力。
特征提取对于传感器数据的处理需要进行多个步骤，首先需要通过预处理方法进行滤波和去噪，然后对数据进行特征提取。
特征提取的目的是将原始数据转换为更有意义的形式，通常将数据变换为一组特征值，这些值可以反映出特征空间中轴承工作状态的差异，根据这些特征值来判断轴承的故障状态。
特征选择要选择有效的特征，需要对多个特征进行筛选。
可以使用统计方法，如方差分析和相关系数等，来确定对轴承状态最重要的特征。
在确定有效的特征之后，我们可以利用这些特征训练模型，以便自动检测轴承的健康状况。
振动信号处理对于轴承振动信号的预处理可以使用滤波和降噪技术。
通常可以采用基于小波分析的降噪方法，这种方法可以有效地抑制信号中的噪声。
神经网络算法神经网络算法可以应用于轴承故障预警系统的训练和分类工作。
通常可以使用BP 网络和 RBF 网络等不同的神经网络模型对轴承状态进行分类。
风电齿轮箱高速轴轴承振动的应用分析
风电齿轮箱高速轴轴承振动的应用分析二、风电齿轮箱高速轴轴承振动的成因1. 原因一：轴承设计不合理风电齿轮箱的高速轴轴承作为承受风机转速及载荷的重要组件，其设计合理与否直接影响着轴承的振动情况。
如果轴承在设计上存在问题，如径向间隙不合适、润滑不足、承载能力不足等，都会导致轴承在高速工况下产生过大的振动，从而影响风电齿轮箱的运行。
2. 原因二：运行过程中的损耗风电齿轮箱长期运行中，轴承会受到载荷和振动的影响，导致轴承零部件的损耗。
一旦轴承零部件损坏或磨损，会导致轴承产生振动，进而影响风电齿轮箱的运行稳定性和寿命。
3. 原因三：不良工况风电齿轮箱在运行中可能会出现异常工况，如过载、冲击负载、异常转速等，这些工况都会导致高速轴轴承振动。
尤其是在风电场运行环境复杂多变的情况下，异常工况的发生频率较高，更易导致轴承振动的出现。
三、风电齿轮箱高速轴轴承振动的应用分析1. 检测与监测技术风电齿轮箱高速轴轴承振动的检测与监测技术，可以采用传感器技术实时监测轴承的振动情况，并通过数据采集和分析系统对轴承的振动情况进行实时监测和记录。
通过这种技术手段，可以及时掌握轴承振动情况，为风电齿轮箱的故障诊断和维护提供数据支持。
2. 振动信号分析振动信号分析是对风电齿轮箱高速轴轴承振动的重要手段之一。
通过对轴承振动信号进行时域分析、频域分析和脉冲响应分析等手段，可以对轴承的振动情况和轴承零部件损伤程度进行评估，进而为风电齿轮箱的维护和故障诊断提供依据。
3. 振动控制技术振动控制技术是对风电齿轮箱高速轴轴承振动进行有效控制的手段之一。
通过合理的振动控制技术手段，可以降低轴承的振动水平，减小轴承振动对风电齿轮箱的影响，提高风电齿轮箱的运行稳定性和寿命。
4. 轴承维护保养针对风电齿轮箱高速轴轴承振动问题，加强轴承的维护保养工作，及时更换损坏的轴承零部件，加强轴承的润滑和冷却，提高轴承的运行稳定性和寿命，是解决轴承振动问题的重要手段。
动车组机械传动系统轴承振动信号分析与故障诊断探讨
动车组机械传动系统轴承振动信号分析与故障诊断探讨摘要：振动信号属于机械动力学上的重要表现形式，在机械传动系统组成中，轴承或者是齿轮等部件产生局部故障问题，振动信号会受到瞬态冲击成分影响，故障在不断发展后，波形特征也会产生相应变化。
振动信号提取后会对机械零部件的局部故障进行反映，在瞬态冲击成分提取后，可有效诊断机械故障问题。
本文通过对动车组机械传动系统轴承振动信号与故障诊断进行分析，在分析信号后，采用有效故障诊断措施，通过此种方式保证动车组机械传动系统有效运行，为动车组安全运行提供重要支持。
关键词：动车组；机械传动系统；轴承；振动信号在高速列车安全运行过程中，起着关键性影响的技术之一是轴承故障诊断技术，轴承部分属于动车中比较重要的旋转部件，同时也是重要故障源部分。
依据相应资料，动车组传动系统故障问题，占比显示为30%左右故障是滚动轴承造成中，以年为周期，占比显示为40%的动车组传动系统滚动轴承需借助下车检验方式对其运行状态进行确定，占比显示为33%左右部件需更换。
基于此，动车组滚动轴承部分开展状态监测以及故障诊断工作可对高速铁路运行管理效果进行有效提升，过程中凸显较高的经济效益。
轴承振动信号的监测、提取以及识别研究，逐渐受到相关研究人员更多重视，实现多方多次探讨。
一、信号诊断分析方式通常情况下收集信号是利用时间函数，本质内容上是借助时间以及频率因素作为变量函数，信号上的时域函数凸显幅值伴随时间变化，频域函数因素可对频率成分进行反映[1]。
基于此，时域分析以及频域分析方式是比较传统普遍的措施。
（1）时域分析方式，机械设备诊断故障过程中，需对信号时域进行直接分析，获取相应结果，此种方式属于最为直接和简单的信号分析方式，在信号中含有比较明显的简谐成分以及周期成分等效果比较明显。
在统计分析时域过程中，比较常见的统计量数值为均值以及方差等。
时域统计量可凸显表征信号中的部分特性，但借助此种时域特性因素对复杂信号分析并不充分，因此时间序列信号在本质内容上属于时间函数以及频率函数，因此会生成信号频域分析模式。
《谐波法电机轴承故障诊断技术研究》范文
《谐波法电机轴承故障诊断技术研究》篇一一、引言随着工业自动化和智能化水平的不断提高，电机作为各种机械设备的重要驱动力源，其运行状态直接关系到整个生产线的效率和安全。
其中，电机轴承的故障诊断对于预防电机故障和保证设备正常运行至关重要。
本文针对谐波法在电机轴承故障诊断领域的应用展开研究，以期提高电机轴承故障诊断的准确性和效率。
二、谐波法的基本原理谐波法是一种基于信号处理和频谱分析的故障诊断方法。
在电机轴承运行过程中，由于轴承的磨损、裂纹、异物侵入等故障，会导致电机振动信号发生变化。
这些变化可以通过安装在电机上的传感器进行捕捉和记录。
谐波法通过分析这些振动信号的频谱特征，提取出与轴承故障相关的谐波成分，从而实现对轴承故障的诊断。
三、谐波法在电机轴承故障诊断中的应用1. 信号采集与处理：首先，通过安装在电机上的传感器采集振动信号。
这些信号包含了电机轴承运行状态的各种信息。
然后，利用信号处理技术对采集到的信号进行滤波、去噪等预处理，以便更好地提取出与轴承故障相关的特征信息。
2. 频谱分析：经过预处理的信号进入频谱分析阶段。
通过快速傅里叶变换等频谱分析方法，将时域信号转换为频域信号，从而观察到信号的频率成分和能量分布。
在频谱图中，可以观察到与轴承故障相关的谐波成分，如轴承内圈故障、外圈故障、滚动体故障等对应的特征频率。
3. 故障诊断：根据频谱分析结果，结合专家知识和经验，判断电机轴承的故障类型和严重程度。
通过对比正常轴承和故障轴承的频谱图，可以准确地诊断出轴承的故障。
此外，还可以通过对比不同时期的频谱图，监测轴承故障的发展趋势，为维修决策提供依据。
四、技术研究与优化为了提高谐波法在电机轴承故障诊断中的准确性和效率，可以进行以下技术研究与优化：1. 智能诊断算法：研究基于人工智能、机器学习等算法的智能诊断方法，提高诊断系统的自学习和自适应能力，降低对专家知识的依赖。
2. 多传感器融合：将多种传感器（如振动传感器、温度传感器、声音传感器等）融合使用，从多个角度捕捉电机轴承的运行状态信息，提高诊断的准确性。
滚动轴承和齿轮振动信号分析与故障诊断方法
滚动轴承和齿轮振动信号分析与故障诊断方法目录一、内容综述 (2)二、滚动轴承振动信号分析 (3)1. 滚动轴承工作原理及结构特点 (4)2. 振动信号产生机制 (5)3. 振动信号采集与处理 (6)三、齿轮振动信号分析 (7)1. 齿轮工作原理及故障类型 (8)2. 振动信号特征提取 (10)3. 齿轮故障识别与诊断 (11)四、滚动轴承与齿轮振动信号分析方法 (12)1. 时域分析 (13)2. 频域分析 (14)3. 时频域联合分析 (16)五、故障诊断方法 (17)1. 基于振动信号特征的故障诊断 (18)2. 基于模型的故障诊断 (20)3. 基于智能算法的故障诊断 (21)六、实验与应用实例 (22)1. 实验设计 (24)2. 实验结果与分析 (25)3. 应用实例介绍 (26)七、结论与展望 (28)1. 研究结论 (29)2. 展望未来发展趋势 (29)一、内容综述本文档旨在全面阐述滚动轴承和齿轮振动信号分析与故障诊断方法的研究现状、发展趋势及其重要性。
随着工业领域的快速发展，滚动轴承和齿轮作为机械设备中的关键部件，其运行状态的正常与否直接关系到整个系统的稳定性和效率。
针对滚动轴承和齿轮的振动信号分析以及故障诊断方法的研究具有极其重要的实际意义。
滚动轴承和齿轮的故障诊断主要依赖于振动信号分析，通过对振动信号的特征提取和模式识别，实现对设备状态的实时监测和故障诊断。
随着信号处理技术和人工智能技术的不断进步，滚动轴承和齿轮振动信号分析的方法日趋成熟，为设备的故障诊断提供了有力的技术支持。
本文首先概述了滚动轴承和齿轮的基本结构、工作原理及其在机械设备中的重要地位。
然后重点介绍了振动信号分析的基本原理和方法，包括信号采集、特征提取、模式识别等关键环节。
接着详细阐述了基于振动信号的故障诊断方法，包括传统方法如频谱分析、包络分析等，以及近年来新兴的基于机器学习和深度学习的诊断方法。
对滚动轴承和齿轮振动信号分析与故障诊断方法的未来发展趋势进行了展望。
轴承振动特征分析
轴承振动特征分析轴承是机械设备中常用的关键元件之一，其质量和工作状态对设备的性能和寿命有着重要的影响。
轴承振动特征分析是评估轴承工作状态和健康状况的重要手段，可以通过振动信号的分析和处理，获取轴承正常和异常工作状态的特征参数，从而判断轴承是否存在异常故障。
1.轴承振动信号采集与分析：通过安装合适的振动传感器（如加速度计、速度计等）在轴承或设备上采集振动信号，并进行信号分析和处理。
常用的分析方法包括时域分析、频域分析和时频域分析等。
在时域分析中，可以观察到振动信号的波形特征，如振幅和频率的变化；在频域分析中，可以通过傅里叶变换将时域信号转换为频域信号，进而分析信号的频谱特征，如频率和幅值的分布；在时频域分析中，可以结合时域和频域的特点，利用小波分析等方法研究信号的瞬态特性和频率特性。
2.轴承故障诊断与判定：通过对轴承振动信号的分析，可以判断轴承是否存在故障，如内圈和外圈的裂纹、滚道的磨损、滚珠的损坏等。
常见的故障特征参数包括峰值、峰值因子、峭度、波形指标、频谱指标等。
例如，当轴承存在内圈裂纹时，振动信号会出现高频峰值，而当存在滚珠损坏时，振动信号会出现冲击信号等。
通过识别和提取这些故障特征参数，可以进行故障类型的判定和诊断。
3.轴承故障预测与预警：根据轴承振动信号的变化规律，可以对轴承的剩余寿命进行预测和评估，从而提前进行维修和更换。
常见的预测方法包括统计模型、神经网络模型、遗传算法等。
通过对大量实际运行数据的分析和建模，可以建立轴承故障预测模型，根据振动信号的变化趋势和特征参数的变化情况，预测轴承的寿命和故障时间，提前进行维修和预防措施，以降低故障风险和成本损失。
4.轴承振动特征分析的应用与发展：轴承振动特征分析已经广泛应用于各个领域，如机械制造、航空航天、电力、石油化工等，对轴承的安全运行和性能提升起到了重要的作用。
未来，随着传感技术、智能化技术等的发展，轴承振动特征分析将更加精细化和自动化，可以实时监测和分析轴承的振动信号，提前预警故障风险和进行状态评估，从而实现设备的智能化管理。
轴承震动监测系统
轴承震动监测系
统
轴承震动监测系统
轴承震动监测系统是一种用于监测和诊断机械设备轴承状况的关键设备。
它能够实时监测轴承产生的震动信号，并通过分析和处理这些信号来判断轴承的工作状态和可能存在的故障。
首先，该系统通过安装传感器来感知轴承的震动信号。
传感器通常安装在机械设备的轴承部位，能够准确地测量震动信号的振幅和频率。
这些传感器可以是加速度传感器、速度传感器或位移传感器等，根据具体的应用需求选择合适的传感器。
接着，系统将所测得的震动信号通过数据采集模块进行采集。
数据采集模块通常由模数转换器和微处理器组成，它能够将模拟信号转换为数字信号，并对信号进行预处理。
预处理包括滤波、放大和去噪等操作，以提高数据质量和减少误差。
然后，采集到的数据将传输到信号处理模块进行进一步的处理和分析。
信号处理模块通常配备有专门的算法和软件，用于提取特征参数和诊断轴承状况。
这些特征参数可以包括振动幅值、频率谱、峰值指标
等，通过与预设的阈值进行比较，系统可以判断轴承是否正常工作或存在故障。
最后，系统会根据诊断结果生成报警信号或故障预警，并将结果显示在人机界面上。
报警信号可以通过声音、光信号或通讯接口等方式进行传输，以便及时通知操作员进行相应的维修和保养。
人机界面通常具备友好的操作界面和数据显示功能，方便操作员查看和分析轴承的运行状态。
综上所述，轴承震动监测系统通过传感器感知轴承的震动信号、数据采集模块进行数据采集和预处理、信号处理模块进行特征提取和故障诊断，并通过报警信号和人机界面展示结果。
它能够提高机械设备的可靠性和可维护性，减少故障和停机时间，对于工业生产具有重要意义。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
轴承振动信号采集分析系统设计与实现李浩天;赵振刚;李英娜;许晓平;李川【摘要】Accurate acquisition of vibration signal information is the key for bearing fault diagnosis. This system comprised a sensor to obtain vibration signal data,which are transmitted to STM32 micro-controller after A/D conversion,STM32 controls Wi-Fi module to transfer these data to PC. Afterwards,Local mean decomposition (LMD) is adopted to analyze and process the vibration data to perform a remote monitoring on the running state of the rolling bearing. The experimental results show that the system is capable of collecting and analyzing vibration signals effectively of the rolling bearing,it has good transmission performance at a fast speed and can be introduced to the industry.%准确采集振动信号信息是轴承故障诊断的关键,利用传感器采集振动信号数据,经A/D转换后传输至STM32微控制器,STM32控制Wi-Fi模块将数据发送至PC,采用局部均值分解(LMD)方法对采集的振动数据进行分析处理,实现对滚动轴承运行状态的远程监控.实验结果表明:系统能够对滚动轴承振动信号进行精准采集和分析,传输性能好、速度快,适合在工业行业推广使用.【期刊名称】《传感器与微系统》【年(卷),期】2017(036)010【总页数】4页(P95-98)【关键词】STM32;振动信号;Wi-Fi;局部均值分解;故障诊断【作者】李浩天;赵振刚;李英娜;许晓平;李川【作者单位】昆明理工大学信息工程与自动化学院,云南昆明650500;昆明理工大学信息工程与自动化学院,云南昆明650500;昆明理工大学信息工程与自动化学院,云南昆明650500;昆明理工大学信息工程与自动化学院,云南昆明650500;昆明理工大学信息工程与自动化学院,云南昆明650500【正文语种】中文【中图分类】TH165.3滚动轴承是旋转机械中应用最广泛的通用机械零件。
由于运行环境恶劣,再加上机械结构复杂程度的增加,容易受损致使故障产生,引发性能失效,造成严重的经济损失,甚至导致人员伤亡[1,2]。
因此,及时地发现轴承运转的异常,准确地诊断故障部位,对设备良好运行,避免事故发生具有重要意义。
对轴承故障的诊断主要依靠人工经验判断轴承运行状态。
然而,在故障发生初期,轴承振动变化不明显,故障信息常常淹没在噪声中,不易察觉。
现阶段的监测诊断仪器和系统由于稳定性差、难以维护等局限,还不能得到很好的应用推广[3]。
另外,轴承运行时产生的高分贝噪声,使用的各种化学物质,以及飞出的切屑或工件等,均严重威胁着现场工作人员的身心健康。
因此,远程监控轴承运行成为发展主流趋势。
鉴于此,本文提出了一种轴承振动信号采集分析系统设计方案。
系统以STM32为微处理器,ADS1256为专用信号采集模块,Wi-Fi作为通信手段,实现了振动数据的采集、传输和存储。
并结合PC对数据进行局部均值分解(local mean decomposition,LMD)分析,实现对振动信号数据的准确分析和诊断,进而实现对轴承运行状态的远程监控,有效解决了上述问题。
仿真实验证明了设计方案的有效性和可行性。
轴承振动信号采集系统是具有诊断功能的嵌入式设备,本系统以STM32为MCU,ADS1256为专用信号采集模块,结合Wi-Fi通信,实现对振动信号的采集和传输。
工作原理为:由传感器采集轴承振动信号参数信息,通过ADS1256将模拟信号转换为数字信号,在STM32微处理器的控制下进行信号接收和无线通信[4]等,并结合LMD方法在PC上对信号数据分析处理。
系统的整体方案设计框图如图1所示。
由图1可知,系统采用模块化设计思想,主要包括信号采集模块和系统分析模块。
信号采集模块主要采集信号参数,A/D转换后传输至STM32微控制器[5],对接收的数据进行计算打包后,无线传输至PC。
系统分析模块主要接收信号采集模块发送的数据,并由PC显示测量结果,利用LMD方法进行分析处理。
硬件设计采用模块化设计思想,主要包括振动信号采集模块和系统分析模块。
通过配置传感器实现轴承内圈所需监测点参数数据的采集。
具体工作过程:通过传感器ADXL001采集振动信号数据,传输至ADS1256进行A/D转换,并通过SPI口传输至STM32微控制器。
STM32对接收到的数据进行计算打包,通过Wi-Fi将数据传输给PC。
信号采集模块连接框图如图2所示。
由上述分析,信号采集模块硬件电路主要由采集电路和通信电路两部分组成。
1)采集电路设计采集电路以STM32作为控制和处理核心[6],以ADS1256为模/数转换芯片。
ADS1256有8个通道,每个通道均集成了低通滤波模块、可编程增益放大器以及分辨率达24位的模/数转换器,使系统在釆集振动信号时的数据变得更加可靠,而且简化了振动信号釆集的模拟部分。
选用振动传感器ADXL001,具有±(70～500)gn的动态扩展范围,且带宽为22 kHz,保证了对振动信号故障频段的完美覆盖[7,8]。
2)通信电路设计采集模块与分析模块数据之间采用基于2.4 G频段的Wi-Fi无线通信模块。
相比其他无线通信手段,该无线通信数据传输速率较高,穿透、绕射能力强,在噪声干扰严重的工业场所确保数据稳定传输[9]。
系统分析模块主要用于接收信号采集模块处理后的数据包,实现与PC通信的功能[10]。
设计同样采用基于2.4G频段的Wi-Fi无线通信模块,保证了系统的性能和兼容性。
其工作过程为Wi-Fi模块接收数据,并传输数据至PC进行LMD分析[11]。
轴承振动信号采集系统软件从功能上可划分为下位机驱动程序和上位机软件2部分。
下位机驱动程序,包括信号采集和处理以及Wi-Fi通信的相关协议设计;上位机软件包括人机交互界面和LMD方法分析。
在整个下位机控制流程中,关键为初始化配置ADS1256。
初始化配置后,系统启动ADS1256的采集转换和转换功能,通过SPI将数字化数据传输至STM32,并由Wi-Fi模块发送,主要过程如图3所示。
整个系统初始化完成之后,开始以10 s/次的频率采集A/D转换后的数据,并判断是否超过样本设定阈值。
超过、停止采集,由STM32发出指令对数据进行打包,经Wi-Fi模块发送至PC。
PC端分析界面使用Visual Studio 2012进行开发设计。
分为数据显示和数据分析2部分,数据显示部分包括采样数据的时域波形显示和十进制数显示,数据分析部分为采样数据的LMD方法分析图。
菜单栏设计了参数设置对话框,包括串口设置、无线通信设置、数据库存储以及故障报警。
在浮动对话框中实现参数值和一些状态信息的显示,浮动对话框初始状态自动悬浮在主窗口的左边,如图4所示。
信号采集分析界面通过系统控制模块查看数据,对采集到的振动数据进行实时显示及分析。
在程序设计过程中,定义了大量的类函数:串口设置对话框类、波形速度设置对话框类、显示对话框类。
串口设置对话框主要完成串口通道、波特率、奇偶校验位的设置；数据存储主要完成采集数据的PC写入；故障报警主要完成对超出正常范围的波形发出故障报警,其工作流程如图5所示。
在系统软硬件设计工作完成后,对整个系统以及子模块进行功能测试和分析。
系统测试主要有2个部分,信号采集模块的数据Wi-Fi通信和显示,以及系统分析模块的数据分析和显示。
在实验中,首先连接硬件模块然后配置Wi-Fi模块的网络模式及服务器IP地址与端口。
采集系统单片机与Wi-Fi模块采用RS—232方式连接,PC开启无线热点,等待Wi-Fi模块连接热点。
系统通过TCP/IP将数据发送到PC,接收振动采集数据。
通过PC显示的波形信息和测量信息如图4所示。
左侧界面显示为采样信号正常状态样本时域波形,下方部分为该样本的数据幅值。
当采样结束后,通过“数据存储”按键将样本数据存入服务器数据库中。
在软件后台调用Matlab引擎,对采样数据进行LMD分析[12,13],得到3个PF分量和1个残余分量,依次显示在系统界面右侧的分析窗口中,如图4所示。
当轴承发生故障时,振动频率发生相应变化,以内圈故障为例,阐述LMD分析故障诊断过程。
对内圈故障样本进行LMD，得到3个PF分量和1个残余分量,如图6所示。
对比图4正常状态样本PF分量,可以明显观察到不同PF分量对应的波形图之间的差异。
正常状态下的PF分量整体呈周期性规律变化,且能量较低。
当故障发生时,PF分量能量有明显的突变。
由此可见,LMD分析能够直观反映轴承不同状态下的信息。
分别对正常状态和内圈故障状态下PF分量进行Hilbert变换[14,15],为了便于观察,给出PF分量的局部Hilbert包络谱,如图7和图8。
由图可知,正常状态下没有明显的冲击特性,而内圈故障可以很明显的看出有冲击。
提出了轴承振动信号采集分析系统,能够对振动信号数据进行准确采集和分析。
系统利用传感器采集振动信号数据,通过Wi-Fi模块建立轴承现场到PC的数据通信,结合PC进行LMD分析处理,实现对轴承运行状态的远程监控。
系统传输性能好、速度快,适合在工业行业推广使用。
【相关文献】[1] Rodriguez Patricia Henriquez,Alonso Jesus B,Ferrer Miguel A,et al.Application of the Teager-Kaiser energy operator in bearing fault diagnosis[J].ISA Transaction,2013,52:278-284.[2] Zhao X Z,Ye B Y,Lin Y.The singular value decomposition for modulation feature information extraction of bearing vibration signal [J].Journal of Beijing Institute of Technology,2011,31(5):572-577.[3] 卞家磊,朱春梅,蒋章雷,等.LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用[J].中国机械工程 ,2016,27(7):904-910.[4] 陆万田,王崴,刘晓卫,等.基于STM32的无线光电传感器设计[J].传感器与微系统,2014,33(9):74-76.[5] 王鹏,祁伟华,吕志刚.基于加速度传感器的打击能量无线测试系统设计[J].传感器与微系统,2015,34(5):82-84.[6] 将中俊,史铁刚,胡潇洒,等.基于STM32的嵌入式无线遥控系统设计与实现[J].科技资讯,2015(10):7-8.[7] 张毅,赵栋,许海燕,等.基于分布式全光纤传感器的电机故障诊断系统研究[J].传感器与微系统,2011,34(4):41-43.[8] 刘超,耿也,舒奎,等.基于STM32d的轴承振动测试的数据采集系统开发[J].机床与液压,2014,42(8):127-129.[9] 陈东升,王啸,李宗方.基于STM32的数据采集模块的设计与应用[J].仪器仪表学报,2009,30(10):258-262.[10] 孙小超,周文,李明涛,等.基于PSD转轴振动位移测量与分析[J].传感器与微系统,2014,33(9):135-137.[11] 王志武,孙虎儿,刘维维.形态—奇异值分解降噪与LMD结合的滚动轴承故障诊断[J].机械传动,2013,37(9):97-102.[12] 武哲,杨绍普,张建超.基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用[J].振动与冲击,2016,35(6):7-13.[13] 马文龙,吕建新,吴虎胜,等.多传感器信息融合在滚动轴承故障诊断中的应用[J].传感器与微系统,2013,32(7):132-135.[14] 张邦成,陈珉珉,伊晓静,等.基于谐波小波和Hilbert的滚动轴承故障诊断方法[J].现代制造过程,2015(6):27-30.[15] 刘继承,聂品磊,杨宏宇,等.基于形态滤波和HHT的滚动轴承故障特征提取[J].化工自动化及仪表,2014,41(5):529-531.。