郭文強(qiáng)， 夏令君， 齊　璐， 劉樂樂, 張寶嶸， 彭　程

(1.陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安　710021; 2.63751部隊(duì)， 陜西 西安　710038)

?

基于DSP的紙機(jī)滾動(dòng)軸承故障診斷

郭文強(qiáng)1， 夏令君1， 齊璐1， 劉樂樂2, 張寶嶸1， 彭程1

(1.陜西科技大學(xué) 電氣與信息工程學(xué)院， 陜西 西安710021; 2.63751部隊(duì)， 陜西 西安710038)

摘要：為解決傳統(tǒng)滾動(dòng)軸承檢測(cè)方法實(shí)時(shí)性差、準(zhǔn)確率低的問題，本文提出了一種DSP與Mallat算法以及BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的紙機(jī)滾動(dòng)軸承故障診斷方法.首先用振動(dòng)傳感器采集滾動(dòng)軸承振動(dòng)信號(hào)，然后將采集到的振動(dòng)信號(hào)經(jīng)過AD轉(zhuǎn)換傳輸?shù)紻SP中，并經(jīng)過Mallat算法處理將振動(dòng)信號(hào)分解為BP神經(jīng)網(wǎng)絡(luò)所需的特征量，最后通過BP神經(jīng)網(wǎng)絡(luò)判斷出故障的類型.實(shí)驗(yàn)結(jié)果表明，基于DSP的紙機(jī)滾動(dòng)軸承故障診斷方法具有較好的實(shí)時(shí)性和準(zhǔn)確性.

關(guān)鍵詞：紙機(jī)； 軸承； 故障診斷； DSP； 神經(jīng)網(wǎng)絡(luò)

0引言

在生產(chǎn)生活中,造紙業(yè)一直占據(jù)著重要的地位.隨著科技的進(jìn)步，紙張產(chǎn)量越來越高，隨之而來紙機(jī)的造價(jià)亦越來越昂貴、結(jié)構(gòu)越來越復(fù)雜，一旦出現(xiàn)故障將會(huì)造成巨大損失.滾動(dòng)軸承是紙機(jī)中使用最多的零部件，據(jù)統(tǒng)計(jì)，一臺(tái)紙機(jī)中大概有500多個(gè)滾動(dòng)軸承[1],而且滾動(dòng)軸承工作環(huán)境惡劣，不同的軸承壽命相差很大，難以預(yù)測(cè).傳統(tǒng)的滾動(dòng)軸承檢測(cè)方法有油膜電阻法、溫度分析法、油樣分析法、噪聲分析法、頻譜分析法[2]等.以上方法均存在結(jié)果不準(zhǔn)確、成本高等缺陷.而振動(dòng)信號(hào)分析方法則存在準(zhǔn)確率高、易于分析等優(yōu)點(diǎn)，故得到了廣泛的應(yīng)用.

軸承正常運(yùn)行時(shí),振動(dòng)信號(hào)能量主要集中在低頻段，當(dāng)軸承出現(xiàn)故障時(shí),故障引起的沖擊脈沖會(huì)激發(fā)軸承的高頻振動(dòng).小波分解中的Mallat算法能夠?qū)⑿盘?hào)分解為不同頻率的信號(hào)，隨著分解層數(shù)的增加，信號(hào)的分解都能夠達(dá)到更精細(xì)的程度，能夠有效地提取出振動(dòng)信號(hào)不同頻率帶的特征信號(hào).

BP神經(jīng)網(wǎng)絡(luò)是目前使用最廣泛的算法模型之一，具有非線性映射能力、自學(xué)習(xí)自適應(yīng)能力以及較強(qiáng)的容錯(cuò)能力.經(jīng)過訓(xùn)練,能夠得到一個(gè)有效的滾動(dòng)軸承故障診斷模型.

為得到一個(gè)準(zhǔn)確性高、實(shí)時(shí)性好的滾動(dòng)軸承故障診斷模型，本文將Mallat算法和BP神經(jīng)網(wǎng)絡(luò)兩種算法相結(jié)合，并固化到DSP中，充分利用DSP信號(hào)處理的優(yōu)勢(shì)對(duì)紙機(jī)滾動(dòng)軸承狀態(tài)進(jìn)行了實(shí)時(shí)診斷.

1滾動(dòng)軸承振動(dòng)原理及故障分類

當(dāng)軸承在一定速度下運(yùn)轉(zhuǎn)時(shí)，軸承的工作條件和加工誤差以及本身的故障因素會(huì)對(duì)軸承振動(dòng)系統(tǒng)產(chǎn)生激勵(lì)，從而使軸承產(chǎn)生振動(dòng).

滾動(dòng)軸承具有相當(dāng)復(fù)雜的振動(dòng)和噪聲，有些是由軸承本身結(jié)構(gòu)特點(diǎn)引起的；有些是和制造裝配有關(guān)，如滾動(dòng)體和滾道的表面波紋、表面粗糙度以及幾何精度不夠高等，在運(yùn)轉(zhuǎn)中都會(huì)引起振動(dòng)和噪聲.

正常情況下，滾動(dòng)軸承振動(dòng)頻率較低，當(dāng)滾動(dòng)軸承出現(xiàn)故障的時(shí)候，故障部位就會(huì)產(chǎn)生周期性的高頻振動(dòng).其故障振動(dòng)信號(hào)脈沖寬度在us數(shù)量級(jí)，將激起系統(tǒng)或結(jié)構(gòu)的高頻響應(yīng)，響應(yīng)水平取決于故障的類型.不同的故障會(huì)產(chǎn)生不同的振動(dòng)頻率和振幅，因此，根據(jù)不同的振動(dòng)信號(hào)可以分辨出不同的故障類型.

按照故障原因，常見的滾動(dòng)軸承故障有磨損失效、疲勞失效、腐蝕失效、破損失效、壓痕失效、膠合失效、燒傷失效[3];按照故障發(fā)生的位置，可以分為正常、內(nèi)圈故障、外圈故障和滾動(dòng)體故障.

2系統(tǒng)組成

為了能夠快速地運(yùn)行Mallat算法和BP神經(jīng)網(wǎng)絡(luò)算法，需要處理芯片具有超高的主頻和強(qiáng)大的信號(hào)處理能力.DSPTMS320C6748為功耗最低浮點(diǎn)型DSP芯片，采用TI第三代超長(zhǎng)指令集，主頻最高700 MHz，整個(gè)系統(tǒng)由四個(gè)部分組成：(1)信號(hào)采集模塊負(fù)責(zé)紙機(jī)滾動(dòng)軸承的振動(dòng)信號(hào)采集，包括AD采樣、信號(hào)放大等功能；(2)邏輯控制模塊負(fù)責(zé)控制整個(gè)系統(tǒng)，包括控制AD采集、數(shù)據(jù)的緩存以及工作方式的切換；(3)信號(hào)處理模塊是整個(gè)系統(tǒng)的核心，負(fù)責(zé)算法的運(yùn)行和振動(dòng)信號(hào)處理以及LCD結(jié)果顯示；(4)電源模塊負(fù)責(zé)整個(gè)系統(tǒng)的供電.系統(tǒng)組成如圖1所示.

圖1　系統(tǒng)結(jié)構(gòu)圖

軟件開發(fā)采用Matlab和CCS混合編程的方式完成程序的開發(fā).常用的DSP開發(fā)語言有C語言和匯編語言.C語言結(jié)構(gòu)清晰，簡(jiǎn)單明了,更容易開發(fā);匯編語言執(zhí)行速度快但編寫難度大.本文采用匯編語言與C語言相結(jié)合的方式設(shè)計(jì)開發(fā).其中，匯編語言用于開發(fā)較為簡(jiǎn)單的Mallat算法程序，并作為子函數(shù)來調(diào)用，對(duì)于復(fù)雜度較高的BP神經(jīng)網(wǎng)絡(luò)程序則采用C語言開發(fā).

3振動(dòng)信號(hào)的Mallat算法分解

3.1　Mallat算法原理

Mallat算法能夠?qū)⑿盘?hào)多級(jí)分解，從而獲得更精確的信號(hào)分量，如圖2所示.在圖2中,a0為原始信號(hào)、d(n)為第n層的高頻分量、a(n)為低頻分量.

圖2　Mallat算法的三級(jí)分解圖

在信號(hào)分解的過程中，原信號(hào)a(n-1)通過分別與高通濾波器和低通濾波器卷積，然后經(jīng)過下抽樣每隔一個(gè)元素抽取一個(gè)元素組成一個(gè)新的序列，即可得到低頻信號(hào)a(n)和高頻信號(hào)d(n)，如圖3所示，其信號(hào)分解過程可用公式(1)~(2)實(shí)現(xiàn)[4].

dj+1(n)=aj(n)*H_d(n)=

aj+1(n)=aj(n)*G_d(n)=

圖3　Mallat算法的分解原理圖

利用Matlab的wfilters(‘wave name’)可以獲取4個(gè)濾波器系數(shù)，具體命令如下：

[Lo_D,Hi_D,Lo_R,Hi_R]=wfilters(′db1′)

3.2　Mallat算法的DSP實(shí)現(xiàn)

Mallat算法又被稱為快速小波變換，這從空間概念上形象地說明了小波的多分辨率特性.隨著變換尺度的變化,可以觀察到信號(hào)不同頻率下的特征.

Mallat算法的DSP實(shí)現(xiàn)過程使用了大量的積分運(yùn)算，普通的尋址方式會(huì)增加處理的運(yùn)算強(qiáng)度，從而降低運(yùn)算速度.這里采用DSP獨(dú)特的循環(huán)尋址方式，循環(huán)尋址是寄存器尋址的方式之一，其原理如圖4所示.

圖4　循環(huán)尋址原理圖

循環(huán)尋址涉及到一個(gè)循環(huán)緩沖區(qū)，其緩沖區(qū)的數(shù)據(jù)x(n)由指針定位，數(shù)據(jù)的第一次寫入從x(n)開始，按順時(shí)針方向連續(xù)寫入，新數(shù)據(jù)會(huì)被寫到x(n)，數(shù)據(jù)會(huì)以此類推到x(n-N),數(shù)據(jù)的總長(zhǎng)度為N.在計(jì)算的時(shí)候，指針從x(n)開始指向下一個(gè)數(shù)據(jù)的位置，直到x(n-N).當(dāng)有新的數(shù)據(jù)要寫入時(shí)，指針會(huì)沿逆時(shí)針方向指向x(n-N)，周而復(fù)始直到整個(gè)計(jì)算完成[5].

Mallat算法主要是在兩個(gè)循環(huán)中完成的.其中，內(nèi)循環(huán)通過系數(shù)與輸入數(shù)值的相乘累加得到一個(gè)尺度值；外循環(huán)則是保證每次內(nèi)循環(huán)執(zhí)行完成后指針正確的平移.DSP中對(duì)應(yīng)核心代碼如下：

RPTS @L UPPER//循環(huán)次數(shù)

MPYF*AR0++%,*AR2，R0//輸入序列與小波系數(shù)運(yùn)算

||ADDF R0,R2//并行執(zhí)行ADDFR0,R2

特征量太少會(huì)影響B(tài)P神經(jīng)網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確度，太多則會(huì)加大運(yùn)算量，造成運(yùn)算速度過慢.實(shí)驗(yàn)中發(fā)現(xiàn)，為了達(dá)到較好的訓(xùn)練效果，本文采用四個(gè)特征量來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，Mallat算法每次只對(duì)低頻進(jìn)行分解，需要進(jìn)行三級(jí)分解方可得到四個(gè)特征量.

圖5(a)為滾動(dòng)軸承內(nèi)圈故障3點(diǎn)方向振動(dòng)信號(hào)波形圖，采樣率為12 k/s；圖5(b)為振動(dòng)信號(hào)經(jīng)過Mallat一次分解后的高低頻兩個(gè)分量，兩個(gè)分量的信號(hào)波形差異很大，低頻分量反應(yīng)了原始波形的大致走向，高頻分量則包含了故障信號(hào)；圖5(c)為一次分解后的低頻分量；經(jīng)過二次分解后的高低頻分量;圖5(d)為二次分解后的低頻分量三次分解后的高頻分量和低頻分量.從圖5可以看出，隨著分解次數(shù)的增加，分解的高頻分量越來越小，不同頻率的振動(dòng)信號(hào)分量振幅和頻率都不相同.

(a)內(nèi)圈故障振動(dòng)信號(hào)波形圖

(b)一次分解后的高低分量波形圖

(c)二次分解后的高低頻信號(hào)波形

(d)三級(jí)分解后的高低頻分量圖5　Mallat分解前后振動(dòng)信號(hào)波形圖

4BP神經(jīng)網(wǎng)絡(luò)的DSP實(shí)現(xiàn)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一.

BP神經(jīng)網(wǎng)絡(luò)的DSP實(shí)現(xiàn)包括兩個(gè)部分：神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和滾動(dòng)軸承故障推理.

4.1　模型訓(xùn)練

Kolmogorov定理[6]表明任何連續(xù)函數(shù)f(x)能被三層前饋神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，其中,隱層結(jié)點(diǎn)數(shù)s=2n+1(n為輸入層結(jié)點(diǎn)數(shù)).圖6為滾動(dòng)軸承振動(dòng)信號(hào)處理的BP神經(jīng)網(wǎng)絡(luò)模型，該模型包括輸入層、輸出層、隱含層.其中，輸入層包含四個(gè)節(jié)點(diǎn)，分別為I(1)、I(2)、I(3)、I(4)；隱含層為1層，共包含9個(gè)節(jié)點(diǎn)，分別為Y(1)、Y(2)、Y(3)、Y(4)、Y(5)、Y(6)、Y(7)、Y(8)、Y(9)；輸出層包含兩個(gè)節(jié)點(diǎn)，分別為O(1)和O(2).BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，從而使網(wǎng)絡(luò)的誤差平方和最小.

圖6　BP神經(jīng)網(wǎng)絡(luò)模型

本文采用Altera公司的DSP開發(fā)平臺(tái)CCS集成開發(fā)環(huán)境開發(fā)DSP程序，編程語言為C語言，程序開發(fā)完成編譯無誤后通過仿真器下載到DSP的Flash rom中.

DSP中BP神經(jīng)網(wǎng)絡(luò)的具體構(gòu)建過程如下：

(1)第一步：定義訓(xùn)練實(shí)例x(n)和y(n)，網(wǎng)絡(luò)模型為NET.

網(wǎng)絡(luò)結(jié)構(gòu)定義DSP對(duì)應(yīng)程序代碼如下：

typedef struct //網(wǎng)絡(luò)定義

{

LAYER **Layer; //隱含層

LAYER *Inputlayer; //輸入層

LAYER *Outputlayer; //輸出層

float Error; //允許誤差

float Eta; //學(xué)習(xí)率

}NET;

該段代碼定義了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中包括隱含層Layer、輸入層Inputlayer、輸出層Outputlayer、允許誤差Error、學(xué)習(xí)率Eta.

(2)第二步：初始化權(quán)值，權(quán)值初始化通過Randomreal語句產(chǎn)生0~1之間的隨機(jī)數(shù)來完成，代碼如下：

void RandomWeights(NET *Net)

{

int l,i,j;

for(l=1;l

for(i=1;i <= Net->Layer[l]->Units;i++)

for(j=0;j <= Net->Layer[l-1]->

Units;j++)

Net->Layer[l]->Weight[i][j]=

RandomReal();

return;

}

(3)第三步：網(wǎng)絡(luò)正向傳播，依次求出各層節(jié)點(diǎn)輸出值.

(3)

正向傳播主要代碼如下：

Void PropagateLayer (NET*Net,LAYER

*Lower,LAYER *Upper//層間順傳播

{

int i,j; float sum;

for(i=1;i <=Upper->Units;i++)

{

sum= 0;

for(j=1;j<=Lower->Units;j++)

sum+= (Upper->Weight[i][j] *

Lower->Output[j]);

Upper->Output[i]=(float)(1/(1+

exp(-sum)));//輸出結(jié)果傳遞

}

return;

}

正向傳播的過程是在兩個(gè)循環(huán)內(nèi)完成的.其中,外循環(huán)i在層間循環(huán)，內(nèi)循環(huán)j在節(jié)點(diǎn)之間循環(huán).利用公式(3)計(jì)算出每個(gè)節(jié)點(diǎn)的輸出Output[i].

(4)第四步：網(wǎng)絡(luò)反向傳播，計(jì)算傳播誤差，修正權(quán)值.

(4)

反向傳播過程的主要代碼如下：

void BackpropagateLayer(NET *Net,LAYER

*Upper,LAYER *Lower)

{

int i,j;

float Out,Err;

for(i=1;i<=Lower->Units;i++)

{

Out=Lower->Output[i];

Err= 0;

for(j=1;j<=Upper->Units;j++)

Err+=(Upper->Weight[j][i]*

Upper->Error[j]);

Lower->Error[i] = Out*(1-Out)*Err;

}

return;

}

反向傳播的過程和正向傳播的過程類似，也是在兩個(gè)循環(huán)中完成.其中,外循環(huán)i用于層間循環(huán)，j用于節(jié)點(diǎn)間循環(huán)，不同的地方是傳播方向以及輸出值，反向傳播通過公式(4)實(shí)現(xiàn)，輸出值為各層誤差值Error[i].

權(quán)值調(diào)整部分代碼如下：

void AdjustWeights(NET *Net)

{

int l,i,j;

float Out,Err;

for(l=1;l

for(i=1;i<=Net->Layer[l]->Units;i++)

for(j=0;j<=Net->Layer[l-1]->

Units; j++)

{

Out=Net->Layer[l-1]->Output[j];

Err=Net->Layer[l]->Error[i];//節(jié)點(diǎn)誤差

Net->Layer[l]->Weight[i][j]+=

(Net->Eta*Err*Out);

}

return;

}

權(quán)值調(diào)整過程包括三個(gè)循環(huán)，最外層的循環(huán)l在層間循環(huán)，中間層循環(huán)i在Upper層節(jié)點(diǎn)間循環(huán)，內(nèi)層循環(huán)j在Lower層節(jié)點(diǎn)間循環(huán)，通過層間誤差Error與節(jié)點(diǎn)輸出Output、權(quán)值weight[i][j]相乘，并與原來權(quán)值相加得到新的權(quán)值.

(5)第五步：進(jìn)入下一次傳播，檢測(cè)誤差

|target(i)-outlayer(i)->out|

若誤差值大于預(yù)設(shè)值則轉(zhuǎn)到第四步.

(6)第六步：滾動(dòng)軸承故障診斷模型存儲(chǔ).

4.2　滾動(dòng)軸承故障推理

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后,即可用于滾動(dòng)軸承的故障推理，其推理過程和模型正向傳播過程相同.模式切換時(shí)通過按鍵來控制，當(dāng)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差小于最小誤差時(shí)，程序會(huì)停止訓(xùn)練，并驅(qū)動(dòng)相應(yīng)的LED閃爍，通過相應(yīng)的按鍵選擇進(jìn)入推理模式.推理數(shù)據(jù)來源于Mallat算法三級(jí)分解后四個(gè)頻帶的特征量，用于訓(xùn)練和診斷推理的數(shù)據(jù)不能重復(fù).

當(dāng)有振動(dòng)信號(hào)輸入DSP時(shí)，利用Mallat算法將振動(dòng)信號(hào)分解為四個(gè)特征量，然后將特征量送進(jìn)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過推理輸出層的兩個(gè)節(jié)點(diǎn)輸出，經(jīng)過預(yù)設(shè)診斷閾值θ對(duì)比分析滾動(dòng)軸承的故障類型.以下為內(nèi)圈故障診斷DSP主要代碼：

for(i=1;i<=Net->Outputlayer->Units;i++)

{

if(fabs(Net->Outputlayer->Output[i]-0)<=Theta)

&&(fabs(Net->Outputlayer->Output[i+1]-1)<=(1-Theta))

printf(“內(nèi)圈故障”);

}

診斷過程主要是對(duì)輸出層兩個(gè)節(jié)點(diǎn)值進(jìn)行判斷，該段代碼是對(duì)滾動(dòng)軸承內(nèi)圈故障診斷結(jié)果進(jìn)行判斷，Theta(θ)是診斷閾值，內(nèi)圈故障設(shè)為(01).

5實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)部分采用的是Case Western Reserve大學(xué)實(shí)驗(yàn)室采集的滾動(dòng)軸承振動(dòng)信號(hào)[7].在采集振動(dòng)信號(hào)時(shí)分別在滾動(dòng)軸承3點(diǎn)、6點(diǎn)和12點(diǎn)方向放置了3個(gè)振動(dòng)傳感器，采集的數(shù)據(jù)包括滾動(dòng)軸承正常、內(nèi)圈故障、外圈故障和滾動(dòng)體故障四種狀態(tài)；采

樣率分別為12 k/s、24 k/s、48 k/s；實(shí)驗(yàn)中滾動(dòng)軸承破損點(diǎn)直徑分別為0.007 mils、0.014 mils、0.021 mils、0.028 mils，本文選用0.007 mils 對(duì)應(yīng)數(shù)據(jù).

應(yīng)用本文提出的DSP診斷方法進(jìn)行軸承狀態(tài)診斷實(shí)驗(yàn).實(shí)驗(yàn)中取BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差Err=0.01，診斷閾值θ取為0.618.具體實(shí)驗(yàn)結(jié)果見表1~2所示.

表1　軸承內(nèi)圈故障振動(dòng)原始信號(hào)和

表2　基于DSP的滾動(dòng)軸承診斷結(jié)果(推理診斷閾值θ=0.618)

表1為滾動(dòng)軸承內(nèi)圈故障原始振動(dòng)信號(hào)數(shù)據(jù)和Mallat算法三級(jí)分解后的四個(gè)特征量數(shù)據(jù)，共5 000組，其中采樣率為12 k/s.實(shí)驗(yàn)中樣本訓(xùn)練數(shù)據(jù)為4 000組，測(cè)試數(shù)據(jù)為1 000組.

表2中的數(shù)據(jù)為DSP利用訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)模型故障診斷情況.其中，四個(gè)特征量分別為Mallat算法三級(jí)分解后的四個(gè)頻帶的振動(dòng)信號(hào)分量： a(3) 、d(3)、 d(2) 、d(1)，診斷結(jié)果包括滾動(dòng)軸承的四種狀態(tài)：正常狀態(tài)、內(nèi)圈故障、滾動(dòng)體故障和外圈故障.

實(shí)驗(yàn)結(jié)果為：

(1)1 000組樣本數(shù)據(jù)，滾動(dòng)軸承正常情況下診斷準(zhǔn)確率為100%，內(nèi)圈故障情況下診斷準(zhǔn)確率為98.82%，滾動(dòng)體故障診斷準(zhǔn)確率為98.64%，外圈故障診斷準(zhǔn)確率為97.25%；平均故障診斷正確率為98.68%，高于文獻(xiàn)[8]的95.28%.

(2)BP神經(jīng)網(wǎng)絡(luò)平均訓(xùn)練時(shí)間為3~5秒(4 000組樣本數(shù)據(jù))；診斷推理時(shí)間為1.786微秒，低于文獻(xiàn)[8]時(shí)域診斷法所需的6.280~7.200毫秒診斷耗時(shí).

(3)根據(jù)Case Western Reserve大學(xué)公布的數(shù)據(jù)顯示，最大采樣率為48 k/s，實(shí)驗(yàn)用數(shù)據(jù)涉及滾動(dòng)軸承破損直徑為0.007 mils.由于軸承破損直徑是0.007~0.028 mils中最小值，類似于滾動(dòng)軸承早期故障，可見該方案能同時(shí)滿足滾動(dòng)軸承故障診斷的實(shí)時(shí)性和準(zhǔn)確性要求.

6結(jié)論

本文提出了一種基于DSP的紙機(jī)滾動(dòng)軸承故障診斷方法，實(shí)現(xiàn)了Mallat算法和BP神經(jīng)網(wǎng)絡(luò)在DSP中的運(yùn)行.經(jīng)過大量實(shí)驗(yàn)驗(yàn)證,該方案對(duì)于紙機(jī)滾動(dòng)軸承的故障類型判斷準(zhǔn)確率高，甚至能夠檢測(cè)出滾動(dòng)軸承早期故障，并且克服了以往紙機(jī)滾動(dòng)軸承故障診斷設(shè)備實(shí)時(shí)性差的缺點(diǎn).

參考文獻(xiàn)

[1] 肖方煜.改進(jìn)的小波閾值去噪算法及其在紙機(jī)滾動(dòng)軸承故障振動(dòng)信號(hào)預(yù)處理中的應(yīng)用[D].西安：陜西科技大學(xué)，2013.

[2] 楊云云.造紙機(jī)干燥部滾動(dòng)軸承的故障診斷研究[D].西安：陜西科技大學(xué)，2012.

[3] 萬猛.基于貝葉斯網(wǎng)的軸承失效分析應(yīng)用研究[D].鄭州：河南科技大學(xué),2013.

[4] 吳多，程多福.基于DSP的快速小波分解和重構(gòu)[J].吉林大學(xué)學(xué)報(bào),2004,22(3):214-218.

[5] 李仁剛，李少青，范小飛.DSP處理器循環(huán)尋址方式的設(shè)計(jì)與實(shí)現(xiàn)[C]//第十一屆計(jì)算機(jī)工程與工藝學(xué)術(shù)會(huì)議.安徽黃山：中國(guó)計(jì)算機(jī)學(xué)會(huì)計(jì)算機(jī)工程與工藝專業(yè)委員會(huì)，2007：199-201.

[6] 黃麗.BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及其應(yīng)用研究[D].重慶：重慶師范大學(xué),2008.

[7] Bearing Data Center.Seeded fault test data[DB/OL].http://csegroups.case.edu/bearingdatacenter/,2015-05-24.

[8] 沈長(zhǎng)青.旋轉(zhuǎn)機(jī)械設(shè)備關(guān)鍵部件故障診斷與預(yù)測(cè)方法研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2014.

【責(zé)任編輯：晏如松】

DSP based fault diagnosis of rolling bearing

for paper-making machine

GUO Wen-qiang1, XIA Ling-jun1, QI Lu1, LIU Le-le2,

ZHANG Bao-rong1， PENG Cheng1

(1.College of Electrical and Information Engineering, Shaanxi University of Science & Techndogy, Xi′an 710021, China; 2.63751 Troops, Xi′an 710038, China)

Abstract:In order 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 paper-making machine 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 paper machine rolling bearing has good real-time performance and accuracy.

Key words:paper-making machine; bearing; fault diagnosis; DSP; neural network

中圖分類號(hào)：TH133.3;TP216

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1000-5811(2016)01-0148-06

作者簡(jiǎn)介:郭文強(qiáng)(1971-)，男，陜西咸陽人，副教授，博士,研究方向：智能決策、故障診斷、無線傳感器網(wǎng)絡(luò)

基金項(xiàng)目：陜西省教育廳專項(xiàng)科研計(jì)劃項(xiàng)目 (2013JK1114); 陜西科技大學(xué)博士科研啟動(dòng) (BJ12-03)

收稿日期:*2015-10-13