基于Labview的某型船用泵电机轴承状态监测系统

雷威，潘永军，韩宗真

（武汉第二船舶设计研究所，湖北 武汉 430064）

中小型感应电机以其结构简单、运行可靠、效率较高、制造容易等优点在生产生活中应用广泛。在船舶上，各类泵、风机等设备均采用异步电机作为原动机，因此，电动机的运行状态直接关系到船舶的运行状态。然而，轴承作为船用电机的关键部件，同时，也是最容易损坏的部件。数据表明，轴承故障导致的船用电机故障比例占船用电机故障的40%以上。如果船用电机轴承出现故障，轻则停机检修，影响使用；重则机毁人亡，造成恶劣影响及难以估计的损失。因此，采用有效的状态监测手段，准确地监测船用电机轴承的状态，及时发现隐患，可以提前准备备件，对存在隐患部位进行重点检修，不仅能够节省时间和费用，而且能够有效地避免事故的发生。因此，开展船用电机轴承状态监测研究，对于提高设备运行可靠性以及避免事故发生具有重大的意义。

由于船舶上泵用电机轴承运行环境苛刻，采集到的状态信号中常常包含大量的噪声，使得轴承的状态监测尤为困难。为了解决某型船用泵电机轴承早期故障难以识别、状态监测自动化程度低等问题，本文针对船舶上典型的泵用电机轴承，设计了一种基于Labview的船用电机轴承状态监测系统。

1 特征提取

船舶上泵用电机轴承运行工况恶劣、故障数据信噪比低，仅用单域特征不能够完整描述其运行状态，需要从多个分析域提取故障特征，进而从各个方面反映轴承的故障状态。

1.1 特征提取

（1）时域特征参数。信号的时域参数是信号的时域统计分析参数。时域参数指标主要包括有量纲参数指标和无量纲参数指标。这些时域特征参数从统计学角度出发，计算简单，物理意义明确，因而很早就被应用于滚动轴承的状态监测和故障诊断。

（2）频域特征参数。船用电机轴承的运行状态出现变化时，该信号的频谱结构也会随之发生变化，比如，主频位置、各频率能量占比等。因此，可以通过滚动轴承振动信号的频域特征反映其运行状态。

（3）时频域特征参数。小波分析具有优秀的时、频局部化的性质，克服了传统傅里叶变换不能同时进行时域、频域分析的缺点，适用于非平稳信号的分析。因此，本文提取了信号的连续小波能量谱作为时频域的特征参数。

振动信号的连续小波在尺度方向上的能量，定义如式（1）所示：

1.2 数据降维

不同的指标能够表征的故障信息是不一致的，在构造的混合域故障特征集中，包含部分非敏感特征甚至是干扰特征量，将严重影响故障识别的效果。因此，有必要对混合域故障特征集进行降维，提取出有效的特征子集。

PCA（Principal Component Analysis，PCA）是一种基于特征融合的维数约简方法，能够有效地降低高维数据的维数，并保留原数据集的大部分信息，因此，在数据降维和信息压缩中应用广泛。

2 船用电机轴承状态监测模型

2.1 隐马尔科夫模型

由于船用电机轴承在运行时处于密封状态，只能通过采集的信号推测轴承的运行状态，而HMM（Hidden Markov Model，HMM）同样是通过观测序列来推测模型的隐藏状态及其联系，因此，HMM非常适用于轴承的状态监测及故障诊断。

2.2 基于HMM的船用轴承状态监测模型

船用电机轴承在发生故障时，其外在表征会发生变化。可以用一个条件概率来表示该过程，即给定条件是外在表征，计算在该给定条件下船用电机轴承处于某种故障的概率，通过对比各个概率值，实现对船用电机轴承的状态的识别。

当船用电机轴承在正常状态运行时，其外在表征往往也服从同一分布，即在某个范围内波动；当船用电机轴承的运行状态发生变化时，其外在表征的波动范围也会脱离原来的分布。基于此，提出了基于HMM的船用电机轴承状态监测。具体方法为：训练船用电机轴承正常状态时的HMM模型，并将实时采集的船用电机轴承的信号作为待诊断信号输入正常HMM中，计算该信号是由正常HMM产生的概率。通过此概率值的变化来监测船用电机轴承的运行状态，图1是使用HMM监测船用电机轴承状态流程。

图1 基于HMM的滚动轴承状态监测流程

3 系统设计

3.1 硬件组成

基于Labview的某型船用电机轴承状态监测系统由硬件和软件两部分组成。硬件部分包括振动传感器、低通滤波器、数据采集卡和计算机等。硬件部分的主要功能是采集船用电机轴承的振动信号，对该信号进行滤波，并将其数字化，便于在计算机上显示、分析以及存储。系统硬件部分示意图如图2所示。

图2 硬件部分示意图

3.2 软件设计

根据图1所示的流程图编制的船用电机轴承状态监测系统的Labview程序框图如图3所示，将实时采集的信号经过提取信号特征、特征集降维等步骤，输入正常状态下的HMM模型中。模型给出该信号由正常状态下产生的概率，该概率值会随着船用电机轴承状态的改变而变化。当船用电机轴承处于正常状态时，模型输出的概率值服从同一分布；当船用电机轴承发生故障时，模型输出的概率值将脱离原来的分布。因此，根据法则设置阈值，当概率值超出阈值时给出警报，为了避免出现偶然误差，可以设置连续几次超出阈值时给出故障警报。

4 实验验证

滚动轴承状态监测实验使用美国Intelligent Maintenance System Center的轴承生命周期数据，实验台如图4所示。实验过程中轴承的转速为2000r/min，并对轴承施加26.6kN的径向载荷。数据采集的频率设置为20480Hz，数据采集间隔为10min，每次采集1s。直至某轴承出现失效停止实验，实验过程采集984组数据。表1为实验用轴承的几何参数。

图3 船用电机轴承状态监测系统Labview程序框图

图4滚动轴承状态监测实验台

表1 滚动轴承的参数

图5中横坐标为按照时间顺序排列的每组数据的编号。可以看到随着实验的进行，在0～700组数据时，特征值没有明显变化，在700组之后，时域指标值相比于0～700组开始出现明显变化，说明轴承开始出现故障。

图5 轴承全寿期数据归一化的部分时域特征

图6是基于Labview的船用电机轴承状态监测系统的控制界面，图中曲线表示随着轴承运行，轴承在正常状态下的似然概率值。图中直线之间的范围表示正常状态似然概率值的范围。当正常状态HMM输出的似然概率值连续5次超出阈值时，系统给出警报。选取前50组数据用于训练正常状态的HMM模型。训练完成后，将轴承全寿命周期的数据输入正常状态的HMM模型中，通过正常状态的HMM模型输出的似然概率值反应轴承的状态。从控制界面可以看出，在第540组数据时故障指示灯亮起，并给出故障警报信息。说明相比于传统的信号特征，该系统对轴承早期故障更加敏感，在状态监测的过程中能够准确地检测轴承早期故障。

图6 船用电机轴承状态监测系统的控制界面

5 结语

本文介绍了一种基于Labview的某型船用泵电机轴承状态监测系统。首先，介绍了船用泵电机轴承特征提取方法以及降维方法；然后，介绍了基于HMM的船用泵电机轴承状态监测模型，并对系统的的硬件部分以及软件部分的设计方法进行介绍；最后，对系统的使用效果进行实验验证，实验结果表明，系统对轴承早期故障敏感，能够在轴承故障早期给出警报，对船用泵的预防性维修具有重要意义，并为其状态监测的工程应用奠定了技术基础。