基于DSP和神经网络的滚动轴承故障诊断

1、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

2、网络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 rolling bearing fault diagnosis methods. Vibration signals from rolling bearing are acquired via v

3、ibration 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 diag

4、nosis 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

5、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

6、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

7、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第三代超长指令集，主频最高700MHz,整个系统由四个部分组成:（1）信号采集模块负责纸机滚动轴承的振动信号采集，包括 AD采样、信号放大等功能；（2）逻辑控制模块负责控制整个系统

8、，包括控制AD 采集、数据的缓存以及工作方式的切换；（3）信号处理模块是整个系统的核心，负责算法的运行 和 振动信号处 理以及LCD 结果显示；（4）电源模块负责整个系统的供电。系统组成如图1所示。图1 系统结构图软件开发采用 Mallat和 CCS混合编程的方式完成程序的开发。常用的 DSP 开发语言有 语言和汇编语言。语言结构清晰，简单明了，更容易开发；汇编语言执行速度快但编写难度大。本文采用汇编语言与 语言相结合的方式设计开发。其中，汇编语言用于开发较为简单的 Mallat算法程序，并作为子函数来调用，对于复杂度较高的BP神经网络程序则采用C语言开发。3 振动信号Mallat算法分解3.

9、1 Mallat算法原理Mallat算法能够将信号多级分解，从而获得更精确的信号分量，如图 2所示。在图 2中，a0 为原始信号、d(n)为第n层的高频分量、a(n)为低频分量。图2 Mallat算法的三级分解图在信号分解的过程中，原信号a(n-1)通过分别与高通滤波器和低通滤波器卷积，然后经过下抽样每隔一个元素抽取一个元素组成一个新的序列，即可得到低频信号a(n)和高频信号 d(n)，如图3所示，其信号分解过程可用公式(1)（2）实现。dj+1n=ajn*Hdn=kzHdk*aj(2n-k) (1)aj+1n=ajn*Gdn=kzGd(k)*aj(2n-k) (2)图3 Mallat算法的分

10、解原理图利用Matlab的wfilters(wave name) 可以获取4个滤波器系数，具体命令如下Lo_D,Hi_D，Lo_R,Hi_R=wfilters(db1)3.2 Mallat算法的DSP实现Mallat算法又被称为快速小波变换，这从空间概念上形象地说明了小波的多分辨率特性。随着变换尺度的变化，可以观察到信号不同频率下的特征。Mallat算法的 DSP实现过程使用了大量的积分运算，普通的寻址方式会增加处理的运算强度，从而降低运算速度。这里采用 DSP 独特的循环寻址方式，循环寻址是寄存器寻址的方式之一，其原理如图4所示。图4 循环寻址原理图循环寻址涉及到一个循环缓冲区，其缓冲区的数

11、据x(n)由指针定位，数据的第一次写入从x(n)开始，按顺时针方向连续写入，新数据会被写到x(n),数据会以此类推到x(n-N)，数据的总长度为 。在计算的时候，指针从x(n)开始指向下一个数据的位置，直到x(n-N)。当有新的数据要写入时，指针会沿逆时针方向指向x(n-N)，周而复始直到整个计算完成。Mallat算法主要是在两个循环中完成的。其中，内循环通过系数与输入数值的相乘累加得到一个尺度值；外循环则是保证每次内循环执行完成后指针正确的平移。DSP中对应核心代码如下：RPTS L UPPER /循环次数MPYF *AR0+%，*AR2，R0 /输入序列与小波系数运算特征量太少会影响 BP

12、 神经网络的训练准确度，太多则会加大运算量，造成运算速度过慢。实验中发现，为了达到较好的训练效果，本文采用四个特征量来训练 BP神经网络，Mallat 算法每次只对低频进行分解，需要进行三级分解方可得到四个特征量。4 软件设计采用模块化的设计思想进行软件部分设计。软件部分由数据采集及处理模块、SCI 串口通信模块和人机交互界面模块组成。4.1数据采集模块数据采集通过 DSP2812 自带的 12 位 ADC 对8 路传感器进行数据采集。数据处理模块的设计是系统的核心部分。通过对采集的 8 路传感器数据依次进行初始滤波、零均值处理和时域分析，分别计算出各路传感器采集数据的时域特征参数。4.2 S

13、CI 串口通信模块设计由于组态软件需要与 DSP 进行通信，而组态软件所支持的硬件设备包括 PLC、智能仪表、智能模块和板卡与变频器，其中并没有DSP，组态王支持与单片机进行串行通信，而DSP2812也支持串行通信方式，并且DSP2812具有两个标准UART串行通信接口，因此可以采用智能模块中的通用单片机 ASCII通信协议实现组态与DSP2812的通信。组态与 DSP 通信协议在组态王软件中已经对组态王部分的通信协议进行封装，因此只需编制下位机 DSP 部分的通信协议便可实现组态王与 DSP2812 的串行通信。4.3通信流程与 DSP 通信流程如图5 所示。首先DSP 判断是否接受到一帧完

14、整的数据，当 DSP 接收到一帧完整数据后，再判断是组态王读数据请求还是写数据请求，然后 DSP 进行相应的应答处理。图5 与DSP通信流程图5 结论本文提出了一种基于 DSP的滚动轴承故障诊断方法，实现了 Mallat算法和 BP神经网络在DSP中的运行。经过大量实验验证，该方案对于纸机滚动轴承的故障类型判断准确率高，甚至能够检测出滚动轴承早期故障，并且克服了以往纸机滚动轴承故障诊断设备实时性差的缺点，不仅能准确快速的识别出故障类型，提高故障诊断效率，而且可以方便地在计算机上训练好的小波神经网络应用于 DSP 硬件平台， 扩展了 DSP 的应用范围， 对于开发基于DSP 的语音图像识别和智能控制系统时有很好的实用性，在旋转机械的故障诊断领域中一定会有广阔的应用前景。参考文献：【1】 黄丽BP神经网络算法改进及其应用研究D.重庆：重庆师范大学，2008.【2】 吴多.基于DSP的快速小波分解和重构J.吉林大学学报，