基于Internet的轴承运行状态远程监测系统设计
滚动轴承是现代机械中重要的零部件之一,它在机械运行过程中起到支撑机械旋转体、减小摩擦系数、加强旋转精度等作用。滚动轴承也是机械设备运行过程中磨损最严重零部件之一,据统计,有30%的旋转机械故障是由于轴承引起的[1]。所以在工业生产中滚动轴承的监测是至关重要的一个环节。目前滚动轴承故障诊断方法主要是采用振动分析法,通过安装在轴承箱表面的传感器收集到振动信号来监测轴承运行状态,其中小波变换[2-6]和经验模态分解(EMD)[7-11]在机械故障信号处理方面得到了广泛的运用。但这些方法都需要再进一步完善,如EMD的端点效应和模态混叠问题[12-13],小波分析中小波基和滤波阀值的选取问题。而变分模态分解(Variational Mode Decomposition, VMD)[14]通过迭代搜寻变分模型的最优解,得到各模态和相对应的中心频率,自适应滤波使其有着良好的噪声鲁棒性,可以实现信号频域内各分量的自适应剖分,有效解决EMD方法在分解过程中存在模态混叠和伪分量的问题,避免了小波分析中出现的滤波阀值选取以及信号重构问题。又随着工业生产自动化水平的提升,无人值守成为一种趋势,如何远程监测生产设备的运行状态就成为亟需解决的问题。
因此本文提出一种基于Internet的轴承运行状态远程监测系统设计方案,系统采用加速度传感器MPU6050来采集振动信号,采集到的数字信号传输到微处理器STM32上,实现对振动数据的采集。然后通过Internet远程传输现场数据并实时对数据进行VMD分析和故障监测,使系统更加全面、有效、精准地监测出滚动轴承的故障,提前进行保养和维护,对工业生产设备维护具有重要意义。
1 远程监测系统总方案设计
轴承运行状态远程监测系统主要分为3大部分:由微处理器STM32组建的信号采集模块、传输层的数字远程传输模块、分析层的振动信号处理模块。轴承运行状态远程监测系统结构如图1所示。信号采集模块作为下位机,主要功能是采集滚动轴承的振动信号。数字远程传输部分是下位机和上位机的通讯环节,采用的方式是下位机把数据传输到以太网,上位机通过以太网实时接收数据,并进行数据处理、故障诊断。3个部分协同合作,实现了对滚动轴承运行状态的远程监测任务。对轴承出现故障时能及时发现维护,相关管理人员只需要要在远端就可以采集到现场数据。
![width=325,height=236,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/e08f8f25293170e6adbb9782040ce7d5.png)
图1 轴承运行状态远程监测系统结构图
2 系统硬件设计
2.1 远程监测系统系统硬件设计
下位机信号采集模块是以32位STM32F103CBT6作为主控芯片,这是一款RISC 内核的增强型芯片[15],具备I2C总线接口和3路串行SPI接口。
加速度传感器测取滚动轴承的振动信号是通过I2C总线传输到微控制器STM32上。其中加速度传感器本系统选用MPU6050,其内部整合了3轴速度传感器和3个16位的模数转换器(Analog to Digital Converter,ADC),可以将其测量到的模拟量直接转化为可输出的数字量,不用额外添加模数转换模块。并且集成可程序控制,控制精度范围可为±2 g、±4 g、±8 g和±16 g,含有I2C接口,可发送和接收数据,速度一般可达400 kbit·s-1以上,满足此监测系统对信号采集范围和速度要求。其加速度传感器MPU6050与微控制器STM32主要接线图如图2所示。
![width=243,height=198,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/dd3ab14342ae898c108ea0946f403756.png)
图2 速度传感器接线图
(4)更新ωk(t)
2.2 数字远程传输模块硬件设计
数字远程传输模块主要实现的功能是把采集到的振动信号通过以太网控制器传输到以太网上,远端PC机可以实时接收处理。系统采用ENC28J60为以太网接口芯片,它符合IEEE802.3协议标准。该芯片采用10 Mbit·s-1的SPI(Serial Peripheral Interface)接口,内部具有DMA模块,可实现快速数据吞吐和硬件支持的IP 校验和计算,有利于提高系统的传输性能[16]。
ENC28J60可以通过SPI接口方便地和微处理器STM32F103CBT6连接而完成以太网通信,如图3所示。
![width=274,height=209,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/6e8f583d91a2f80a6c9750060af6a064.png)
图3 以太网模块接线图
其中SCK是时钟信号,MISO是数据输入线,MOSI是数据输出线,RET是复位信号,INT是中端信号,CS是片选信号。
3 系统软件设计
轴承运行状态远程监测系统软件部分从功能上可划分为下位机程序设计和上位机软件程序设计。下位机程序的设计主要实现传感器测取数据传输到以太网中,上位机软件包括数据的接收和VMD方法分析。
3.1 下位机软件设计
下位机信号采集系统主要功能是实现信号的采集以及传输,其程序流程图如图4所示。
![width=257,height=192,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/40f7d93ac311656a337581816b22ca9e.png)
图4 下位机程序流程图
其中微控制器STM32初始化主要分为两个部分,其一是初始化加速度传感器MPU6050,初始化MPU6050需要先初始化I2C总线、设置传感器的满量程范围、设置相关参数、配置系统时钟源并使能加速度传感器,源代码如图5所示。
![width=238,height=167,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/128a78d17dffac5edc48730e0b6dfa83.png)
图5 MPU6050初始化
其二是初始化以太网控制器ENC28J60程序,初始化ENC28J60需要使能时钟位、设置中断、初始化SPI接口、初始化MAC,源程序如图6所示。
![width=238,height=214,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/7a55eae9ea904e62d0ef8a45369e09b6.png)
图6 ENC28J60初始化
3.2 上位机软件设计
东北四省区节水增粮行动是一项系统工程,水资源论证则是这项系统工程的核心环节。经统计,已批复水资源论证的100个项目县规划实施总面积3 283万亩,总取水规模为26.5亿m3;规划地下水源井13.5万眼,其中规划新打井数为7.4万眼。通过水资源论证,核减实施方案中灌溉面积40万亩,调整地块面积520万亩;核减地下水开采量近2亿m3,核减地下水水井数4.5万眼。
![width=238,height=167,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/9547272102c9e26fdaa486c047026f19.png)
图7 上位机界面
3.3 VMD方法
变分模式分解(VMD)是建立在 Wiener滤波、希尔伯特变换、解析信号、频率混合和外差解调等概念基础上的一种新的自适应时频分析方法,具有严格的数学基础,其分解过程本质上是一个特殊变分模型的迭代求解过程[14]。通过迭代求解得到本征模态分量(Intrinsic Mode Function,IMF)的中心频率和带宽,实现信号自适应分解频域图和IMF。
VMD采用乘法算子交替的方法求取上述变分约束模型,得到最优解将信号分解成为K个窄带IMF,其实现流程如下:
uk(t)=Ak(t)cos(φk(t))
(1)
式中,Ak(t)为uk(t)的瞬时幅值,Ak(t)≥0;ωk(t)为uk(t)的瞬时频率,且ωk(t)≥0。Ak(t)和ωk(t)相对于相位Φk(t)的变化是缓慢的。在
的时间范围内uk(t)可以看作幅值为Ak(t),频率为ωk(t)的谐波信号。
在用人单位的分析结果中可以看出,用人单位认为毕业生最需要掌握的软件是基础软件Excel、Word和PPT,需掌握比率高达100%;其次是Spss和Eviews。而其他软件相差不大。因而在统计学课程的教学中,不要过分要求学生掌握所有统计分析方法,在熟练掌握基础办公软件的情况下,对Spss、Eviews、SAS、R等统计软件进行基础概念性知识运用与分析,可以提高学生的综合素质水平,增强专业实践能力,提升日后步入社会的竞争能力。
为估算每个IMF的带宽,可分3个步骤:(1)通过Hilbert变换计算与每一个模态uk(t)相关的解析信号;(2)通过加入指数项调整各自估计的中心频率,将uk(t)的频谱变换到基带上;(3)对解调信号进行H1高斯平滑,估计带宽。
PC端的分析界面使用Visual Studio 2013进行开发设计。其界面如图7所示,主窗口背景为白色,主要有数据十进制数显示,数据分析是调用Matlab软件来处理振动数据,菜单栏设有协议类型、本地IP地址、本地端口号选择和开始、关闭按钮。
根据某发动机设计要求,涡轮盘要有足够的静强度。首先分析了某涡轮盘在100%转速状态下的强度,可以满足强度要求。其次将涡轮盘的螺栓孔处作为考核点,应用修正的通用斜率公式,预测该涡轮盘疲劳寿命为19 740次,可以满足低循环疲劳寿命要求。
如果信号被VMD算法分解成K个IMF,那么它的变分约束模型为
(2)
式中,δ(t)为Dirac分布;*表示卷积;k=1,2,…,K;f为原始信号。
为得到变分约束模型的最优解,引入二次罚函数项α和Lagrange乘子λ可得
L({uk},{ωk},λ)=
(3)
信号经过 VMD 处理被分解成一系列 IMF,每个IMF都可以表示为一个调幅—调频uk(t)信号,表达式为
(5)更新λ
(2)执行循环n=n+1;
(3)对所有ω≥0,更新uk(t)
k∈{1,K}
(4)
其中SDA为串行数据线,SCL为串行时钟线,实现了数据的发送和接收。
数学学科中的青年教师大多毕业于985、211等高校,教师的专业基础扎实,但缺乏一定的教学实践经验,申请项目和发表文章的能力也有待提高。而民办院校中的学生数学基础一般较弱,理解理论知识的能力不高。在这样的前提下,要确立的共同目标就是提高数学学科青年教师教授数学知识的应用能力,将复杂问题简单化,使学生能学好数学、爱上数学,进而提高学生的整体数学素养,最终提高青年教师个人的专业素质和科研水平。
(2)学院党委高度重视,党政负责人作为双主任,牵头二级关工委的工作,组织机构健全,将老协、工会、办公室等各相关行政部门骨干力量纳入关工委队伍,形成合力,做到教职工和学生两手抓,调动一切可以利用的资源关心下一代工作。
![width=266,height=99,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/db496c2454ec46f726ebd673eb872390.png)
(5)
(1)初始化的值为0;
搭建完系统的软硬件后,需对整个系统和各个模块进行测试。首先要把信号采集模块、数字传输模块、信号分析模块连接起来,把下位机监测到的振动数据通过Internet传输到远端PC,远端PC进行接收处理振动数据。系统主要测试两个部分:首先是测试下位机监测到的振动信号经以太网传输到上位机是否正常;然后是上位机调用Matlab分析振动数据是否正常工作。本实验采用6205-2RS JEM SKF型轴承[17],根据轴承特征振动理论得到轴承内圈故障基频为156.14 Hz;外圈故障基频为103.36 Hz。
![width=296,height=32,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/c4e6067df32b06f7ec12e5290a4d2b3d.png)
(6)
(6)重复步骤(2)~步骤(5),直至满足迭代停止条件结束得到K个IMF。
猪丹毒(Swine erysipelas,SE)是一种人畜共患传染病,又称钻石皮肤病或红热病,由猪丹毒杆菌引起,该病广泛流行于世界各地。20世纪80~90年代,我国对猪丹毒实行免费免疫接种预防,所以该病在我国已很少发生。随着规模化养殖业的快速发展,近年来,猪丹毒病在黑龙江、安徽、广州、江西、武汉等地均有散发流行的报道[1],2017年马光强等[2]从贵州省黔东南某养殖场分离到一株高致病性猪丹毒杆菌。因此,为搞好猪丹毒的防控工作,现将该病的病原、流行特点、临床症状、病理变化和防治措施等介绍如下,以供广大养殖场(户)参考,以实现养猪增效、养殖者增收的目的。
3.4 诊断流程
本文通过后台调用Matlab对监测到的信号数据进行VMD方法分解得到若干个IMF,并计算工IMF的峭度值。根据峭度准则选取故障特征最明显的分量进行Hilbert包络谱分析,从而判断故障是否发生,并发出警报信号。VMD故障诊断算法流程图如图8所示。
![width=368,height=267,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/aeeeba279997211a86277ac7a08cc7b7.png)
图8 VMD故障诊断算法流程图
4 系统调试
竖井区地质围岩级分别为IV级、V级,井口段20 m为V级围岩,井身段均为IV级围岩,均为太古界中风化花岗片麻岩呈侵入接触,岩体较破碎至较完整,埋深较大以挤压破坏为主,IV级围岩,跨度5 m~10 m无自稳能力,短期内可能会导致小范围塌方事故的发生;跨度小于5 m可稳定数日至一个月。V级围岩无自稳能力,跨度小于5 m可稳定数日,该级别围岩主要分布在洞口段,中密至密实状,开挖后应及时做好衬砌,稳定周边围岩。
现有的基质填料装置种类较多,但有的填料不流畅,对基质的干湿度要求范围窄,效果不好;有的填料量不可调,只能针对部分种类的蔬菜种子;有的填料不均匀;有的无盘时仍在继续工作,造成基质的浪费。为了更好地保证基质的填充效果,笔者研究设计了凸轮式基质填料装置。
4.1 下位机采集和上位机接收测试
在测试中,首先将加速度传感器MPU6050、微处理器STM32、以太网模块ENC28J60、路由器按照上述要求连接好,然后配置好网络模式及IP地址与端口。采集系统微处理器与以太网控制器采用SPI接口连接。系统采用TCP/IP协议把数据传送Internet上,远端PC通过Internet接收振动数据。通过PC机显示振动信号时序图如图9所示。
![width=238,height=166,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/3d35dfa78403812740c2f1125a6c6720.png)
图9 采样信号测试波形图
上图显示为从下位机采集到的振动信号数据和时域波形图以及本地IP地址、协议类型、本地端口号是用来来绑定下位机。
4.2 VMD分析及显示测试
振动下回合分析采用在软件后台调用Matlab,对采集数据进行VMD分析,得到3个IMF分量,依次显示在系统的右下侧的分析窗口中,如图10所示。
陈莲曲珠家有四兄妹,二哥先于她在东竹林寺出家。她说当时自己决定出家时,因为家中贫寒,所以非常反对。只有作为僧人的二哥对她说:“再等一年吧,供你倒不难。就怕你是因为冲动才提出这些想法。”她听从二哥的话,又等了一年。到了15岁时,她再次提出这个想法后,二哥亲自送她到塔巴林尼姑寺削发为尼。
![width=238,height=166,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/1f68e07c9b6c904e1bf059fc47702855.png)
图10 VMD分析测试波形图
4.3 故障诊断
轴承出现故障会伴随着其振动频率也异常。轴承振动下回合经过对VMD方法分解得到3个模态分量并求出其峭度,根据峭度准则选取故障特征最明显的分量进行Hilbert包络谱分析,然后利用包络谱判断轴
下一步我们继续分析f1,分力f1与导体平行,电子由a到b做定向运动,这就使得导体a端的正电荷过多,而导体b端也出现过多的负电荷,则a端的电势高于b端,于是导体棒ab的两端产生电势差,相当于电源,于是出现了由a端指向b端的静电场。而f1就是使电源两极(ab)在电源内部产生并维持一定的电势差的非静电作用,简单的来说,f2充当了非静电力,而产生的电动势等于导体棒内非静电力对自由电荷做的功E=f1L/e=ev1BL/e=BLv1,然后我们可发现,该电动势等于导体在切割磁感线时所产生的动生电动势。进一步也说明洛伦兹力分力f1是动生电动势产生的重要原因。
承是否发生故障。如图11所示选取的是峭度值最大的模态分量。
![width=368,height=183,dpi=110](https://qkk.lw71.com/uploads/image/2018/05/49adf218c970e4bf7ed35a92d8b5c8c0.png)
图11 包络谱分析
从图中可以看到,峰值频率出现在152.3 Hz以及其两倍频处,与轴承内圈发生故障时特征频率理论值156.14 Hz相近,故判断出轴承内圈出现故障,并远程提醒现场施工人员进行排查。
5 结束语
本文提出的基于Internet的轴承运行状态远程监测系统,可以准确地对工业现场轴承的振动信号进行采集,振动信号数据通过Internet传输到远端服务器,服务器对振动数据进行VMD分析处理,提取振动信号的频率特征,用于判断轴承的运行状态,从而实现对轴承运行状态实时的远程监测。
参考文献
[1] 杨宇.经验模态分解(EMD)在滚动轴承 故障诊断中的应用[J].湖南大学学报:自然科学版,2004,30(5):25-28.
[2] 杨勇明.基于小波分析的蜗轮蜗杆减速器故障诊断系统[J].电子科技,2016,29(11):65-69.
[3] 李均.基于小波包分析的水电组振动故障诊断研究[J].山东工业技术,2017(1):263-264.
[4] Ruqiang Y,Robert X G.Base wavelet selection for bearing vibration signal analysis[J].International Journal of Wavelets Multiresolution & Information Processing,2009,7(4):411-426.
[5] 严如强,钱宇宁,胡世杰,等.基于小波域平稳子空间分析的风力发电机齿轮箱故障诊断[J].机械工程学报,2014,50(11):9-16.
[6] 许金基,张建宇,高立新.小波分析在故障诊断中的应用和发展[J].设备管理与维修,2016(8):79-81.
[7] 王峰,苑津莎,祖文超,等.基于EMD与加权一阶局域法变压器振动信号预测[J].电子科技,2012,25(8):62-66.
[8] 林近山.基于经验模式分解和谱峭度的滚动轴承故障诊断[J].机械传动,2012,36(9):76-79.
[9] 唐贵基,庞尔军,王晓龙.基于 EMD 的齿轮箱齿轮故障诊断的研究[J].机床与液压,2013,41(13) :188-190.
[10] 郭艳平,颜文俊,包哲静,等.基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法[J].电力系统保护与控制,2012,40(17):83-87.
[11] 乔淑云.基于EMD方法的煤矿绞车轴承故障诊断[J].工矿自动化,2016,42(4):51-54.
[12] 徐卓飞,刘凯.基于极值符号序列分析的EMD端点效应处理方法[J].振动·测试与诊断,2015,35(2):309-315.
[13] Jia R Y,Jiann S S,Norden E H. Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method[J].Advances in Adaptive Data Analysis,2011, 2(2):135-156.
[14] Dragomiretskiy K, Zosso D.Variational mode decomposition[J].IEEE Transactions on Signal Processing,2014,62(3):531-544.
[15] 彭刚,春志强.基于ARM Cortex-M3的STM32系列嵌入式微控制器应用实践[M].北京:电子工业出版社,2011.
[16] 张庆辉,马延立.STM32F103VET6和ENC28J60的嵌入式以太网接口设计[J].单片机与嵌入式系统应用,2012,12(9):23-25.
[17] Case Western Reserve University Bearing Data Center.Bearing data center fault test data[EB/OL]. (2009-10-01)[2017-05-12]www.casewestern.edu.