张贞秀 葛迁 刘欣

摘要：本文以树莓派为开发平台，选用MPU9250加速度传感器获取机械设备的振动信号，设计一种机械设备的实时振动检测方法。设备旋转部件的故障表现为旋转频率的谐波成分，利用傅里叶分析将信号从时域信号分解为频域信号，构建信号的频谱图，从中鉴别出信号是否包含故障信号的频率成分。利用Python语言和QT图形GUI模块，实现软件系统。

关键词：振动信号;树莓派;MPU9250;服务器

中图分类号：TP311    文献标识码：A

文章编号：1009-3044（2021）27-0145-02

1  引言

轴承等机械部件常在重负荷、高速和强冲击的工作环境下运转 ，其零部件（内圈、外圈、滚珠等）容易出现损伤[1]，如不及时发现，极有可能引发生产安全事故，甚至造成生产停滞，人员伤亡，带来负面的社会影响和巨大经济损失。因此，利用物联网及人工智能技术对这种重要大型设备运行健康状态实时检测、评估及预测，发现其故障，消除安全 隐患，具有重要的社会、工程和理论价值。

20世纪80年代以来，国内外学者开始利用振动信号分析手段，对诊断轴承故障展开研究。故障的预报与诊断研究从简单的信号分解，直到现在的信号包络分析方法。

轴承振动信号的突变通常预示轴承发生某种故障。在轴承体周围安装加速度传感器，获取轴承振动信号，计算振动特征，如傅里叶变换（FT）、小波变换（WT）等信号处理方法[2-4]，进而发现故障特征信号。然而，这种简单的信号分析方法很难识别从振动频谱中识别出故障特征频率。

针对振动信号的非平稳、非线性特征，国内外研究人员提出了多种时频结合的振动信号分析方法，进而发现信号在高频域的频率细节，提供全面、详细的时频特征，如小波包变换（WPT）[5]，短时傅里叶变换（STFT）[6]，希尔伯特-黄（HHT）[7]等方法。

2  整体方案设计

系统主要由树莓派和MPU9250和云服务器构成。其中树莓派负责采集MPU9250的原始数据，并将采集的数据传输给PC端，并将数据绘制成频谱图。并且MPU9250的原始数据会通过树莓派上的MQTT协议发送到云服务器。服务器接收到数据通过数据库属性关联实现数据库本地存储，此环节包括数据库环境配置以及VNC连接等。

3 系统模块设计

3.1 振动信号监测终端设计

监测终端的结构如图1所示，主要包括 模拟信号采集，AD转化，4G通信等模块。首先，获取利用振动传感器获取设备运行数据，其次，由传感器数据采集模块感知数据，再将数据处理后通过通信系统传输到控制中心，最后，云服务中心并发接收数据，对其进行分析处理，为决策和控制提供依据。

3.2 振动信号分析

信息采集终端具有边缘计算能力，对采集到的振动信号初步分析，预判是否存在疑似信号采集终端一旦获取数据后，利用信号分析，对数据进行分析处理，实现减速器初步故障预判。主要工作包括：信号获取、信号去噪、信号分解及特征值计算等，处理流程如图2所示。

对于信号处理方式，本系统采用自适应滤波相抵消（Self-adaptive noise cancellation）方法，去除噪声信号。因为机械振动信号通常具有相关性，信号与噪声具有独立性，将参考输入到自适应滤波器，将主输入中噪声分量逼近参考输入，并相減，从而消除误差信号。适应滤波相抵消是一个迭代过程，其过程如图3所示，利用最小均方求解其参数。

3.3  数据传输模块设计

数据传输应用协议基于TCP协议实现，通信过程如图4所示，主要包括三部分内容：

第一，通信保持协议，包括连接保持、链路初始化、终端与主机时间校对等。当没有数据传输时，由定时器设定固定周期，启动测试过程。当一方发起链路测试请求报文时，另一方必定在规定时间内对该测试请求做出响应。否则发起方会关闭链路，断开连接，重新初始化链路。

第二，异步数据传输机制，包括特征数据传输及原始信号传输，如图5所示。云主机收到信号采集终端数据分组后，等待定时器超时或者需要确认的数据帧达到一定数目时，对终端进行确认。

第三，防止报文重复和报文丢失协议。本系统采用序列号和确认机制保证数据传输的可靠性。若接收端接收到的报文序列号不连续，将主动断开链路重新建立连接。否则，向对方发送确认报文。若收到重复序号的报文则丢弃该报文。

4  结论

本文以树莓派为开发平台，利用MPU9250加速度传感器获取机械设备的振动信号，设计一种机械设备的实时振动检测方法，本设计抗干扰能力强，可以针对这种复杂的信号中去伪存真，分析发现故障信息。

参考文献：

[1] Nandi S，Toliyat H A，Li X.Condition monitoring and fault diagnosis of electrical motors—A review[J].IEEE Transactions on Energy Conversion，2005，20（4）：719-729.

[2] Rai V K，Mohanty A R.Bearing fault diagnosis using FFT of intrinsic mode functions in Hilbert-Huang transform[J].Mechanical Systems and Signal Processing，2007，21（6）：2607-2615.

[3] Randall R B，Antoni J.Rolling element bearing diagnostics—A tutorial[J].Mechanical Systems and Signal Processing，2011，25（2）：485-520.

[4] Tandon N，Choudhury A.A review of vibration and acoustic measurement methods for the detection of defects in rolling element bearings[J].Tribology International，1999，32（8）：469-480.

[5] Yang Y，Dong X J，Peng Z K，et al.Vibration signal analysis using parameterized time-frequency method for features extraction of varying-speed rotary machinery[J].Journal of Sound and Vibration，2015，335：350-366.

[6] Qiu H，Lee J，Lin J，et al.Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics[J].Journal of Sound and Vibration，2006，289（4/5）：1066-1090.

[7] Huang N E，Shen Z，Long S R，et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society of London Series A：Mathematical，Physical and Engineering Sciences，1998，454（1971）：903-995.

【通联编辑：梁书】