孫慧芳，潘羅平，張飛，曹登峰

（中國水利水電科學研究院北京中水科水電科技開發(fā)有限公司，北京100038）

旋轉機械軸心軌跡識別方法綜述

孫慧芳，潘羅平，張飛，曹登峰

（中國水利水電科學研究院北京中水科水電科技開發(fā)有限公司，北京100038）

本文從旋轉機械故障機理、軸心軌跡提純、軸心軌跡特征提取與識別三個方面對旋轉機械軸心軌跡的研究現(xiàn)狀進行了論述，分析了目前應用較廣的幾種提純和識別方法的原理以及特點。在此基礎上，針對當前軸心軌跡識別方法研究在識別內(nèi)容的完善性、識別方法的局限性和對未知故障的識別能力上存在的問題進行了分析。最后指出，旋轉機械軸心軌跡識別方法在進動方向和穩(wěn)定性方面應進一步研究，多種方法融合的識別研究是新的發(fā)展趨勢，信號分析技術的發(fā)展也會為軸心軌跡識別提供可靠的技術支持。

旋轉機械；軸心軌跡；識別方法；故障診斷；水電機組

1 研究背景

旋轉機械如各種發(fā)電機組、航空航天發(fā)動機、離心式壓縮機等都是國家電力系統(tǒng)、航空事業(yè)、石化企業(yè)等關鍵部門的必要設備，一旦發(fā)生故障將會給國家和工廠帶來巨大的經(jīng)濟損失。因此，對旋轉機械進行狀態(tài)監(jiān)測與故障診斷具有很重要的意義。旋轉機械中的水電機組屬于低速旋轉機械，其作為水電能源建設與發(fā)展的關鍵設備，它的安全穩(wěn)定運行不僅影響到機組的效率還關乎人員生命及機組的安全?，F(xiàn)階段國內(nèi)外應用的水電機組狀態(tài)監(jiān)測集成系統(tǒng)已經(jīng)比較成熟并在電廠得到了廣泛的應用，如華科同安TN8000、創(chuàng)為實S8000、中國水利水電科學研究院自主研發(fā)的HM 9000以及一些國外機組自帶（瑞士Vibo-Meter系統(tǒng)）的監(jiān)測系統(tǒng)等，但這些狀態(tài)監(jiān)測系統(tǒng)大多不具備故障診斷功能，該技術尚處于摸索階段，理論和方法的研究相對較多，工程應用相對較少。

在旋轉機械的運行中，轉子的正常運轉決定著整個設備的工作狀態(tài)，因此轉子系統(tǒng)的故障診斷是旋轉機械故障診斷研究中的重要組成內(nèi)容，目前，由于振擺信號中提取的特征量比較直觀，對旋轉機械的故障診斷研究多針對其振動和擺度信號。軸心軌跡是轉子振動信號中的重要組成部分，其利用軸系同一截面上兩路相互垂直的振動信號合成［1］，它的動態(tài)特性和形狀含有大量故障信息，可以形象、直觀的反映設備的運行情況。因此，軸心軌跡形狀特征包含的故障特征信息可以作為軸系故障的重要依據(jù)，如：軸系不對中軸心軌跡一般呈香蕉形或外8字，尾水渦帶會引起花瓣形的軸心軌跡、轉動部件不平衡軸心軌跡為橢圓形等等。目前軸心軌跡的形狀識別作為判斷設備故障的重要依據(jù)，在旋轉機械（包括水電機組）的狀態(tài)監(jiān)測與故障診斷中得到一定應用。

2 旋轉機械軸心軌跡的研究現(xiàn)狀

傳統(tǒng)的軸心軌跡識別基于“人機”對話的方式實現(xiàn)，其大多依靠技術人員的經(jīng)驗進行主觀判斷，嚴重影響整個診斷系統(tǒng)的準確性和智能化。因此，對其正確識別進行全面深入研究很有現(xiàn)實意義。

通過識別軸心軌跡的形狀，可以進一步分析設備振動的原因，得到故障前兆，及時采取措施防止故障惡化。長期的理論和實踐研究已經(jīng)確立了典型故障模式和其轉子軸心軌跡形狀的對應關系，幾種常見的軸心軌跡圖形及其故障原因見表1。

目前國內(nèi)外對旋轉機械軸心軌跡的研究主要包括3個方面：轉子故障機理的研究、軸心軌跡的提純研究以及軸心軌跡的特征提取與特征識別的研究。

2.1 轉子故障機理研究方法轉子故障機理研究主要是運用動力學、運動學、振動學等相關基礎學科和理論，通過建立轉子故障相應的數(shù)學或物理模型，用數(shù)值分析的方法進行仿真計算和實驗，從而研究這些故障的原因和狀態(tài)效應。研究目的是了解轉子故障的內(nèi)在本質及特征，掌握其形式和發(fā)展過程。在轉子故障機理的研究中，水電機組相比于其他旋轉機械，運行狀態(tài)具有特殊性，振動機理更加復雜，不僅需要考慮機組本身的振動，還需考慮流體和動壓造成的影響以及電磁力的影響，且某些故障的產(chǎn)生機理及表現(xiàn)形式還沒有進行透徹的研究，一定程度上增加了故障診斷的難度。

2.2 軸心軌跡的提純方法軸心軌跡信號通常受到噪聲干擾，因此需要對軸心軌跡進行提純處理。目前使用較多的方法有小波變換［2］和小波包［3-4］、諧波小波［5-6］以及數(shù)學形態(tài)法［7-9］。

2.2.1 小波變換與小波包小波分析法可以對信號同時進行時頻分析，具有多分辨率的特點，能很好地用于非平穩(wěn)信號的分析［2］。利用小波變換進行軸心軌跡的提純主要是利用了其降噪的原理，其基本思想是將軸心軌跡的原始信號通過小波變換分解到不同頻帶上，得到各個頻帶上的時間波形，再選取其中要保留的幾個頻帶來重構信號，實現(xiàn)信號提純。小波包分析是在小波分析的基礎上發(fā)展起來的，可以實現(xiàn)更高頻段的頻率分解，使信號頻率分析更加精細。小波和小波包對軸心軌跡的提純在水電機組中得到了廣泛的應用，文獻［2］在傳統(tǒng)小波變化基礎上提出了一種改進的軟閾值去噪方法對水電機組的軸心軌跡進行了很好的提純，文獻［3］利用小波包變換的細化分解能力并選取較大特征熵的主要頻帶進行重構，得到了水電機組清晰的軸心軌跡形狀特征。

這種提純方法存在一定的局限性：小波變換中隔點采樣的分解方式，將使數(shù)據(jù)量減少且造成細節(jié)信號的丟失；同時，小波降噪是建立在轉子故障先驗知識的基礎上，需要提前知道哪些信號分量的頻率范圍有用，然后提取需要的特定數(shù)據(jù)點，重構信號合成軸心軌跡；小波包分解的結果也存在各頻帶間能量交疊的問題，并且降噪效果也受到閾值選取的影響。這都為得到清晰、有效的軸心軌跡帶來了很大的困難。

2.2.2 諧波小波諧波小波是一種復小波，具有明確的數(shù)學表達式，其算法簡單，通過信號的快速傅里葉變換及其逆變換實現(xiàn)。諧波小波分解可以對同一分解層的不同頻段和不同分解層的局部頻譜進行細化分析，實現(xiàn)等采樣點數(shù)任意頻帶的“細化”，并進行逆變換，提取需要頻段的軸心軌跡，重構信號，克服了小波分解中細節(jié)信息丟失的問題。此外，諧波小波具有良好的相位鎖定特性，可以滿足軸心軌跡兩路相互垂直信號分析時的相位同步要求。

其中諧波小波包分析和諧波窗分析建立在諧波小波的基礎上，它們都能實現(xiàn)更大頻率選擇范圍的提純。諧波小波包可以提取轉子振動信號中的基頻和倍頻成分，也可以很好地提取亞頻成分，直接重構信號實現(xiàn)軸心軌跡的提純。但是，如果需要提取的頻率成分處于分解層的邊界上時，諧波小波包會受到分解層數(shù)的限制，這時，可以采用不分層分析的諧波窗分解。諧波小波窗濾波后基本都能得到良好的提純效果，對于需要進行多個頻段信號提取的軸心軌跡來說，諧波小波窗可以組成完全理想的帶通濾波器組。

2.2.3 數(shù)學形態(tài)學數(shù)學形態(tài)學是一種數(shù)學方法，以集合論為數(shù)學基礎，通過集合運算中交、并、補等運算方法實現(xiàn)，在對圖像進行處理時，都必須以合理的方式轉化為集合。

數(shù)學形態(tài)學對軸心軌跡提純的實現(xiàn)是由形態(tài)學代數(shù)算子完成，最基本的有腐蝕、膨脹、開和閉4種：①腐蝕表示對圖像內(nèi)部作濾波處理，是一種收縮變換，降低圖像灰度，但對于灰度變化較大的邊界處敏感，達到邊界向內(nèi)部收縮的效果，可以把小于結構元素的物體去除；②膨脹是一種擴張變換，其作用與腐蝕相反，表示對圖像外部作濾波處理，使圖像灰度提高，同樣對灰度變化較大的邊界較敏感，使邊界點向外部擴張；③開運算能夠去除孤立的毛刺、小點和小橋（即連通兩塊區(qū)域的小點），平滑大物體邊界，同時并不明顯改變其面積；④閉運算是先膨脹后腐蝕的過程，可以連接臨近物體、填充物體內(nèi)細小的空洞、平滑其邊界，同時不明顯改變其面積，因此，開運算和閉運算可以有效去除脈沖噪聲。

形態(tài)濾波算法就是建立在數(shù)學形態(tài)學的理論基礎上的，用腐蝕、膨脹、開和閉四種運算作用于圖像并得到準確清晰的圖像邊界。最近幾年，出現(xiàn)了一種重要的非線性濾波器——形態(tài)濾波器，可以將一個復雜的軸心軌跡原始信號通過形態(tài)濾波算法分解為各個部分，并對信號的主要形態(tài)特性保持并強化。該濾波器對軸心軌跡進行提純時，通過四種運算對振動信號濾波處理后即可剔除噪聲干擾，得到提純的軸心軌跡，不需要轉子故障的先驗知識，也不用考慮信號的頻譜特征和分布。在實際應用中，由于形態(tài)濾波器算法簡單，速度快、效果好，與其他方法相比，有更好的實用價值。

2.3 軸心軌跡的特征識別方法對軸心軌跡進行識別，實質就是二維圖像的識別，主要有兩個方面：特征提取及其分類識別。特征提取是為了準確識別軸心軌跡，從提純后的軸心軌跡圖形中提取能反應原軸心軌跡本原的、重要特性的特征向量，能盡可能代表原圖形的形狀，現(xiàn)有常用的特征提取方法有傅里葉描述子［10-12］、不變性矩［12-17］等。進行分類識別的方法現(xiàn)在大多使用智能識別手段，如神經(jīng)網(wǎng)絡［10-12，15，18-20］、模糊邏輯［21］、灰色關聯(lián)度分析［22］等。

2.3.1 傅里葉描述子一個圖像可以看作是平面在空間坐標系下的點集構成的閉合曲線，就可以用周期函數(shù)來描述其外形，進行傅里葉變換，變換后的函數(shù)可由傅里葉系數(shù)來描述。傅里葉描述子就是物體形狀邊界曲線的傅里葉變換系數(shù)。傅里葉系數(shù)具有能量向低頻集中的特性，當取到足夠階次時，傅里葉系數(shù)就可以將圖像的形狀信息完全提取并恢復出來。而且，該方法的表述和故障機理有關，有很好的物理意義。在分析圖像形狀特征時，希望其在旋轉、平移及尺寸縮放變化時仍是一個不變量，根據(jù)傅里葉變換的性質，直接采用傅里葉系數(shù)并不滿足不變性，因此，需要通過歸一化方法得到對于二維圖像的旋轉、平移和比例不變性的傅里葉描述子。

但是傅里葉變換不能利用頻譜的相位信息，可能發(fā)生誤識別的情況。此外，傅里葉變換還存在計算量大、識別精度不理想等問題，主要是由于其提取的軸心軌跡特征向量一般是復雜的高維矢量，因此需要復雜的分類模型，造成計算復雜、識別效率低的結果。

2.3.2 不變性矩二維圖形的識別常采用基于統(tǒng)計特征的不變性矩進行自動識別。在1962年，Hu首先提出了連續(xù)函數(shù)矩的定義及其基本性質，隨后又具體給出了具有平移、旋轉和比例不變性的七個不變矩的定義。矩是一種線性特征，以用來對區(qū)域進行描述，將一維信號的各階矩拓展到二維空間，得到二維矩，但是這些二維空間距往往不滿足平移、旋轉和比例不變性，需要通過一系列的歸一化處理，得到只對形狀的變化十分敏感的各階矩特征量。不變性矩也存在很多應用的缺陷。Hu氏不變矩對高頻噪聲是很敏感的，因此對實際采集信號進行識別之前的濾波處理是很重要的。在識別軸心軌跡形狀時，當圖形邊界變化較小，計算所得的不變矩變化不大，仍可能給出相同的識別結果，例如當8字形狀中一個封閉區(qū)域相對較小時，可能識別為橢圓。針對這些弊端，科研人員也都進行了改進的研究，已經(jīng)提出很多方法解決，提出新的不變矩如：新曲線不變矩、仿射不變矩等，在提取方式上也有一定的改進，進行二次或多次的提取與處理，可以避免特征提取的不敏感性。

水電機組的振動信號大都是非平穩(wěn)信號，傅里葉描述子具有一些缺陷，分類不是很精確，不適用于其軸心軌跡的識別，因此，其軸心軌跡識別大多采用不變性矩進行特征提取。文獻［15］提出一種新曲線不變矩，并通過引入動量項的BP神經(jīng)網(wǎng)絡自動識別實現(xiàn)水電機組軸心軌跡識別診斷結果。

2.3.3 智能識別以圖像處理、傅里葉變換、小波分析等現(xiàn)代信號處理技術為基礎，旋轉機械軸心軌跡自動識別方法的研究取得大量成果，但通過這些方法很難建立精確地數(shù)學模型，而隨著科學技術和工業(yè)生產(chǎn)的不斷發(fā)展與進步，對于軸心軌跡識別的精準性要求也越來越高，因此，隨著智能診斷技術的發(fā)展，神經(jīng)網(wǎng)絡、模糊聚類、灰色關聯(lián)分析等各種理論也逐漸成為軸心軌跡識別的有效方法，并得到很好的應用。

（1）神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡識別克服了傳統(tǒng)識別方法結構復雜、識別效率低的問題。神經(jīng)網(wǎng)絡是可以實現(xiàn)大規(guī)模并行處理的一個非線性映射，在學習大量數(shù)據(jù)樣本的基礎上，通過調整閾值和修正權重發(fā)現(xiàn)和掌握輸入空間和輸出空間的關系。神經(jīng)網(wǎng)絡識別方法以其獨特的優(yōu)點，在軸心軌跡的特征識別方面得到了廣泛的應用。神經(jīng)網(wǎng)絡具有較強的容錯能力和抗干擾能力，對于軸心軌跡圖形數(shù)據(jù)中含有的噪聲和其他無關的近似數(shù)據(jù)，可以很好的進行處理。并且，神經(jīng)網(wǎng)絡以其獨特的自學習能力和自適應能力可以實現(xiàn)對環(huán)境變化的學習，自動從訓練樣本中獲取知識，并推廣知識處理未知情況。此外，神經(jīng)網(wǎng)絡可以實現(xiàn)大規(guī)模并行處理，具有高度的非線性映射能力，因而能以極高的效率對軸心軌跡的圖形形狀進行識別。同時，神經(jīng)網(wǎng)絡采用分布式存儲信息，可以保證故障診斷系統(tǒng)實時性的要求。

（2）模糊聚類。利用模糊理論進行識別，實質上是模糊關系矩陣和隸屬度函數(shù)的結合，從而解決征兆和故障之間的不確定關系，模糊邏輯可以克服由于設備運行本身的不確定性和噪聲帶來的困難。聚類分析作為一種分類方法被廣泛應用到模式識別、圖像處理等領域。但是傳統(tǒng)的聚類分析中，類別界限是確定的，是硬劃分方法，然而旋轉機械軸心軌跡多數(shù)沒有嚴格的類別屬性，所以單純的聚類分析很難做到軸心軌跡的識別。于是，科研人員用模糊的方法來解決聚類問題，模糊聚類分析則應運而生。模糊聚類分析可以通過隸屬度函數(shù)確定軸心軌跡各個類別的不確定程度，聚類的結果是數(shù)據(jù)對各個聚類的隸屬程度，并沒有嚴格的屬于某一個聚類。由于軸心軌跡的形狀存在模糊性和不確定性，模糊理論具有很強的優(yōu)勢，同時這種算法不需要人為干預，可以自動可靠的進行軸心軌跡的識別。文獻［21］利用模糊聚類方法很好的對水電機組多種故障的軸心軌跡進行了聚類識別，基本滿足水電機組智能診斷的需求。

（3）灰色關聯(lián)分析。機械運行時，其機理過程大部分是不確定的，既不屬于信息完全確定（白色），也不屬于信息完全不確定（黑色），該運行過程其實是一個灰色系統(tǒng)，因此，灰色理論的提出對于這種系統(tǒng)的研究具有很強的指導作用?；疑P聯(lián)分析即是灰色理論分析的一種重要方法。

軸心軌跡的識別是二維圖像的模式識別問題，灰色關聯(lián)分析可以根據(jù)各因素的內(nèi)部聯(lián)系和發(fā)展趨勢的相似程度確定因素之間的關聯(lián)程度，對于軸心軌跡的識別有很好的實際運用能力。該方法的識別原理是：提取數(shù)據(jù)的待檢模式和參考模式的特征參數(shù)，組成各自的特征向量，計算兩組特征向量之間的關聯(lián)度，關聯(lián)度的大小可以反映兩種模式之間的相似程度，通過相似程度進行模式識別。軸心軌跡模式識別的關鍵是形狀特征參數(shù)的選擇，因此提取可以很好的反應不同軸心軌跡形狀的特征參數(shù)需要深入研究。文獻［22］即用灰色關聯(lián)度分析方法對水電機組軸心軌跡的自動識別進行了分析，結果表明該方法是有效和可行的。

3 軸心軌跡識別研究尚存在的問題

目前，由于實際旋轉機械故障的復雜性和復合性，現(xiàn)有特征提取和識別方法自身的局限性，使得軸心軌跡的識別依然存在很多問題。主要體現(xiàn)在以下幾方面。

3.1 識別內(nèi)容不完善軸心軌跡的自動識別包括軸心軌跡的形狀識別、進動方向識別以及穩(wěn)定性識別三個方面，目前識別方法主要集中在形狀的識別，對軸心軌跡進動方向與穩(wěn)定性的識別有待進一步研究。在實際情況中，轉子的軸心軌跡一般是多個故障復合的結果，反映故障信息的軸心軌跡圖形不是清晰穩(wěn)定，而是不斷變化、雜亂無章的，可能由橢圓逐漸變成香蕉形、花瓣形或其他形狀，故對旋轉機械不同運行狀態(tài)下的軸心軌跡形狀進行再細分，得到更加全面、有效的形狀特征，是需要進一步考慮的問題。同時，軸心軌跡圖形與故障程度的映射關系也是缺乏的，如軸心軌跡的不變矩，圖形的變形程度不同，其不變矩值可能會差別很大，因此會導致錯誤的識別。不同的故障程度決定了不同的故障處理方式，如果能很好的確定故障程度的大小，就可以采取相應的措施，使故障的排除更加合理。

3.2 軸心軌跡識別方法的局限性在軸心軌跡的提純方面，旋轉機械的運行狀況各異，實測軸心軌跡信號也是復雜多樣的，不僅含有噪聲信號還有各頻率分量的相互耦合，現(xiàn)有的提純?yōu)V波方法都有各自的局限性，不具有很強的通用性，且都停留在理論階段，在實際應用中還沒有發(fā)展的很成熟。因此，需要加強對軸心軌跡信號的提純?yōu)V波研究。在軸心軌跡的自動識別方面，都存在識別精度不理想的問題，其中應用最廣的智能識別也有一定的局限性。神經(jīng)網(wǎng)絡訓練樣本的選擇關系到識別的效率和效果，其算法的實現(xiàn)必須在大量數(shù)據(jù)的前提下完成，且只能處理訓練過的范例，因此實現(xiàn)簡化訓練樣本的同時提高識別準確率是有待實現(xiàn)的。模糊理論不足之處在于，對于復雜的識別過程要建立正確的模糊規(guī)則和隸屬函數(shù)有些困難，一般花費的時間也比較長，因此應找到有效的建立模糊規(guī)則和隸屬函數(shù)的方法，使得模糊理論更好的應用到軸心軌跡的識別中。

3.3 對未知故障的識別能力差軸心軌跡自動識別的研究主要是基于模式識別理論，缺乏考慮旋轉機械的動力學特性。對現(xiàn)有的幾種故障類型可以用圖像處理、小波變換或神經(jīng)網(wǎng)絡等方法實現(xiàn)分類識別，但是軸心軌跡信號復雜，往往是模糊的、不完全的，存在沒有發(fā)現(xiàn)的故障類型，現(xiàn)有的方法只能對已知故障進行識別，如果結合旋轉機械的動力學特性，使識別方法的運用建立在故障機理的基礎上，則能更好的做出識別。現(xiàn)在也有很多不確性理論在實際的故障診斷系統(tǒng)中得到應用，但是對未知故障的處理仍未得到十分有效的解決，因此，對軸心軌跡不同形狀所對應的故障機理進行更加深刻的認識和研究，把新的理論研究更好的應用到實際當中，是有待于進一步發(fā)展和完善的。

4 軸心軌跡識別方法研究的發(fā)展方向

由于現(xiàn)代旋轉機械向著大型化、重載化和高自動化發(fā)展，對其狀態(tài)監(jiān)測和故障診斷技術的要求也越來越高，對于許多常見故障的機理、特征以及現(xiàn)場診斷方法也需要進一步研究。軸心軌跡作為一類反映機械運行狀態(tài)的重要信息，其識別方法也需要朝著多元化、綜合化及智能化發(fā)展。具體體現(xiàn)在以下幾方面。

4.1 軸心軌跡進動方向和穩(wěn)定性的研究已有大量的文獻針對軸心軌跡的形狀識別進行了探討與研究，但是尚缺乏在進動方向和穩(wěn)定性方面的研究成果。軸心軌跡的進動方向分為正進動和反進動，進動方向與旋轉方向相同時為正進動，相反則為反進動。傳統(tǒng)的對進動方向的識別方法主要是通過軸心軌跡上的點到原點的連線與x軸的夾角來判斷，這種方法有很大的局限性，只能針對包含坐標原點的簡單軸心軌跡進行分析，因此自動識別軸心軌跡進動方向的新方法有待進一步研究。文獻［23］提出利用軸心軌跡采樣點構成多邊形，并根據(jù)多邊形各頂點的凹凸性和多邊形在各頂點處的旋轉方向判斷進動方向的新方法，已取得較好的識別效果。

軸心軌跡的穩(wěn)定性研究主要是針對軸心軌跡的重復性來說明轉子運行的穩(wěn)定性，目前對其重復性的評價僅在直觀定性階段，因此，應找出定量化指標來分析其穩(wěn)定性。分形理論的出現(xiàn)為軸心軌跡穩(wěn)定性的定量化分析提供了一種可能。分形理論是提出一種自相似性體系，對于無規(guī)則、混亂復雜的體系，其局部和整體有著相似性，可以用分維數(shù)來表征這種自相似性。軸心軌跡的重復性越差，相應的分維數(shù)就越大，因此采用分維數(shù)可以較好地說明轉子的穩(wěn)定性。水電機組軸心軌跡圖形的局部之間同樣具有極大的相似性，分形理論亦可以很好的描述這種局部相似性，因此該理論在水電機組軸心軌跡形狀的準確描述方面具有極大的實用性。

4.2 多種方法融合識別的研究由于現(xiàn)有軸心軌跡識別方法的局限性，近年來，將多種不同的識別技術結合起來是軸心軌跡識別方法研究的一個發(fā)展趨勢。如將數(shù)學形態(tài)學與小波變換相結合形成形態(tài)小波，小波與神經(jīng)網(wǎng)絡結合形成小波神經(jīng)網(wǎng)絡，進一步引入模糊理論形成模糊小波神經(jīng)網(wǎng)絡等。形態(tài)小波是一種非線性的小波框架，其建立在數(shù)學形態(tài)學的理論上，使傳統(tǒng)的線性小波通過數(shù)學形態(tài)學算子實現(xiàn)其非線性的擴展。形態(tài)小波理論，既有數(shù)學形態(tài)學的形態(tài)特征，還兼有小波技術的多分辨率特性，這種算法只涉及到加、減、極大、極小運算，無須考慮轉子振動信號的頻譜特性，算法簡單，且具有良好的抗噪和細節(jié)保留性能，執(zhí)行高效，可以很好的應用到軸心軌跡識別中。小波神經(jīng)網(wǎng)絡則兼顧小波變換和神經(jīng)網(wǎng)絡的優(yōu)點，可以避免傳統(tǒng)神經(jīng)網(wǎng)絡等的盲目性，具有更好的學習能力，精度更高，結構簡單，收斂更快。模糊小波神經(jīng)網(wǎng)絡將模糊隸屬度結合到小波神經(jīng)網(wǎng)絡的輸入層和輸出層中，通過隸屬度函數(shù)的選擇，可以對輸入與輸出進行分類，傳統(tǒng)的反相傳播神經(jīng)網(wǎng)絡是根據(jù)輸出最大值或輸出值與規(guī)定閾值的比較進行分類，該方法提高了模糊邊界數(shù)據(jù)處理能力，可以更有效的對軸心軌跡的圖像邊界模糊數(shù)據(jù)進行分類。這些新的識別方法充分利用了各種識別方法的優(yōu)點，取長補短，可為軸心軌跡識別技術的自動化提供有力的保證，具有很好的應用前景。

4.3 信號分析技術的發(fā)展國內(nèi)外已有研究機構推出了旋轉機械現(xiàn)場信號采集與數(shù)據(jù)處理方面的相關產(chǎn)品，對于軸心軌跡信號的采集與處理也得到了實際的工程應用，但是由于現(xiàn)場實測的轉子振動信號隨時間有著不是十分規(guī)則的變化，有些可能是隨機變化的，并且由于軟件系統(tǒng)的適應性也有一定的局限性，現(xiàn)有的系統(tǒng)可能無法有效的對轉子信號進行分析處理，以至無法提取相對應的運行狀態(tài)和故障類型。傳統(tǒng)的分析方法都是對采集到的轉子振動信號進行頻譜分析，全息譜分析作為一種新型的技術可以利用一般譜分析所忽略的相位信息，可以結合軸心軌跡相互垂直的兩個信號，利用頻譜分析的結果，很好對軸心軌跡進行分解，從而使得軸心軌跡的識別結果更加可靠。新型的復值過程高階累計量譜的分析與傳統(tǒng)的二階統(tǒng)計量相比，在有效抑制噪聲的同時，也可以保留信號的相位信息，可以同時實現(xiàn)對軸心軌跡的提純和特征提取兩種功能，在軸心軌跡識別中具有很好的應用前景。信號分析技術的發(fā)展不僅對于軸心軌跡的識別有著重要的應用價值，對于轉子系統(tǒng)的故障機理研究也有著很好的現(xiàn)實意義。對軸心軌跡的兩通道信號進行信號分析，捕捉故障信息，把由各種因素引起的故障機理進行建模分析，使得軸心軌跡的識別建立在故障機理研究的基礎上，不僅能夠更加準確的對已知的故障進行分類識別，還可以根據(jù)故障機理找出未知故障，使得軸心軌跡的識別更好的服務于旋轉機械的狀態(tài)監(jiān)測與故障診斷。

5 結語

軸心軌跡識別方法的研究對于旋轉機械運行的可靠性和安全性具有很重要的意義。隨著近年來隨著人工智能的迅猛發(fā)展，智能診斷技術在軸心軌跡識別中得到了較為廣泛的研究應用，形成了一系列研究熱點，這些方法的出現(xiàn)使得軸心軌跡識別技術得到更加深入、更加系統(tǒng)的研究。同時國內(nèi)外對旋轉機械故障診斷技術的重視程度也在不斷提高，積極開展相關的研究，極大的推動了故障診斷技術的發(fā)展。由于水電機組振動特性的復雜性，對更深層次的機組故障信息的發(fā)掘還有待深入研究，因此單就水電機組來說，對其軸心軌跡自動識別的進一步研究必將推動水電設備狀態(tài)檢修機制的完善。同時，各種新技術、新理論的提出也會為軸心軌跡的精確識別提供可靠的技術支持。隨著信號處理、模式識別以及人工智能等理論的發(fā)展和完善，相關技術將會更加簡單實用、自動可靠。

［1］錢玉良，張浩，彭道剛，等.基于新的廣義粒子群方法的發(fā)電機組軸心軌跡提純［J］.中國電機工程學報，2012，32（2）：130-137.

［2］伍衛(wèi)平，李東風.小波在水輪發(fā)電機軸心軌跡提純中的應用［J］.水電站機電技術，2011，34（1）：8-11.

［3］桂中華，潘羅平，張浩，等.小波包特征熵提取水電機組軸心軌跡形狀［J］.水力發(fā)電，2009，35（8）：49-51.

［4］張桂才，軒建平，史鐵林，等.基于小波包的轉子軸心軌跡提純方法［J］.華中理工大學學報，1998，26（12）：8-9.

［5］張文斌，周曉軍，林勇，等.采用諧波窗方法提純碰摩轉子軸心軌跡［J］.振動、測試與診斷，2010，30（1）：87-90.

［6］李方，李友榮，王志剛.應用廣義諧波小波提純轉子軸心軌跡［J］.振動、測試與診斷，2008，28（1）：55-57.

［7］沙盛中，翁桂榮.基于數(shù)學形態(tài)學的軸心軌跡濾波提純法［J］.蘇州大學學報（工科版），2007，27（4）：39-41.

［8］趙榮珍，王志威.轉子振動信號的形態(tài)濾波消噪方法［J］.蘭州理工大學學報，2011，37（4）：30-33.

［9］張文斌，周曉軍，沈路，等.基于形態(tài)小波的轉子軸心軌跡提純［M］.浙江大學學報（工學版），2010，44（8）：1449-1453.

［10］王儼剴，廖明夫，吳斌.基于傅立葉描述子自動識別軸心軌跡［J］.機械科學與技術，2008，27（6）：799-803.

［11］付波，周建中，陳文清，等.一種基于傅里葉描述子的軸心軌跡自動識別方法［J］.電力系統(tǒng)自動化，2004，28（12）：40-44，50.

［12］翁桂榮，薛峰.幾種特征描述方法在軸心軌跡識別中的應用［J］.振動、測試與診斷，2007，27（4）：295-299.

［13］丁克北.基于圖像處理方法的軸心軌跡識別方法［J］.風機技術，2006（5）：35-37.

［14］付波，周建中，彭兵，等.基于仿射不變矩的軸心軌跡自動識別方法［J］.華中科技大學學報（自然科學版），2007，35（3）：119-122.

［15］陳喜陽，張克危.一種新矩在水電機組軸心軌跡識別中德應用［J］.華中科技大學學報（自然科學版），2006，34（3）：79-81，84.

［16］萬書亭，李永剛，李和明.基于不變矩特征和新型關聯(lián)度的軸心軌跡形狀自動識別［J］.熱能動力工程，2005，20（3）：239-241，245.

［17］許飛云，鐘秉林，黃仁.軸心軌跡自動識別及其旋機診斷中的應用［J］.振動、測試與診斷，2009，29（2）：141-145.

［18］丁克北.基于模糊-小波神經(jīng)網(wǎng)絡的軸心軌跡識別方法［J］.石油機械，2005，33（6）：14-16.

［19］李旗號，趙衛(wèi)東.小波神經(jīng)網(wǎng)絡在軸心軌跡識別中的應用［J］.流體機械，1999，27（8）：28-30.

［20］郭鵬程，羅興锜，王勇勁，等.基于粒子群算法與改進BP神經(jīng)網(wǎng)絡的水電機組軸心軌跡識別［J］.中國電機工程學報，2011，31（8）：93-97.

［21］李輝，白亮，羅興锜，等.基于模糊聚類的水電機組軸心軌跡多重分形特征識別［J］.水力發(fā)電學報，2012，31（4）：238-242，262.

［22］李友平，陳啟卷.基于灰色理論與不變性矩的水電機組軸心軌跡自動識別［J］.電力系統(tǒng)自動化，2001，5：19-22.

［23］萬書亭，李和明.汽輪發(fā)電機組軸心軌跡進動方向自動識別新方法［J］.中國電機工程學報，2003，23（3）：146-149，160.

Review of identification of shaft orbit for rotating m achinery

SUN Hui-fang，PAN Luo-ping，ZHANG Fei，CAO Deng-feng

（China InstituteofWater Resourcesand Hydropower Research，Beijing 100038，China）

A review on the research progress of shaft orbit in terms of failure mechanism，orbit purifica?tion，feature extraction and identification is presented.Considering different characteristics，widely employed identification methods and princip les of shaft orbits have been introduced.Comparisons of identification meth?ods，including completeness of contents，boundedness of identification methods and efficiency of unknown fault，have been performed.Further research of precession direction and stability of shaft orbit is necessary. Fusion of various methods is the new trend of development.The development of signal analysis techniques will also provide reliable technical support.

rotating machinery；shaft orbit；identification methods；fault diagnosis；hydro-power generat?ing units

TK730.8

A

10.13244/j.cnki.jiwhr.2014.01.015

1672-3031（2014）01-0086-07

（責任編輯：韓昆）

2013-10-22

孫慧芳（1988-），女，河北張北人，碩士生，主要從事水電機組在線監(jiān)測和故障診斷的研究。

E-mail：sunhuifang555@126.com