李明

【摘 要】隨著科學(xué)技術(shù)的發(fā)展，故障診斷技術(shù)逐漸成為了保障旋轉(zhuǎn)機(jī)械設(shè)備安全可靠運(yùn)行的核心支持技術(shù)之一。對(duì)旋轉(zhuǎn)機(jī)械故障診斷新技術(shù)、新方法的研究具有重要的理論和實(shí)際意義。旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的實(shí)質(zhì)是模式識(shí)別的問題。模式識(shí)別方法的選擇與運(yùn)用對(duì)提高故障診斷的精度和穩(wěn)定性具有十分重要的作用。

【關(guān)鍵詞】變量預(yù)測(cè)；旋轉(zhuǎn)機(jī)械；故障診斷

1引言

隨著現(xiàn)代化生產(chǎn)規(guī)模的不斷壯大，機(jī)械設(shè)備正朝著大型化、復(fù)雜化、精密化方向發(fā)展，機(jī)械設(shè)備結(jié)構(gòu)和功能日趨復(fù)雜化，同時(shí)由于運(yùn)動(dòng)零部件不斷增多，不同部件之間的相互聯(lián)系、非線性耦合也愈加緊密，加上這些設(shè)備需要連續(xù)滿負(fù)荷運(yùn)轉(zhuǎn)，工作環(huán)境十分惡劣，很容易產(chǎn)生各種故障。關(guān)鍵機(jī)電設(shè)備一旦故障發(fā)生，輕則造成車間停產(chǎn)，維修時(shí)間長(zhǎng)，維修費(fèi)用高，重則導(dǎo)致整個(gè)企業(yè)生產(chǎn)癱瘓，帶來巨大的經(jīng)濟(jì)損失，甚至在還可能造成機(jī)毀人亡的災(zāi)難性后果。國(guó)內(nèi)外屢次發(fā)生機(jī)械設(shè)備故障引發(fā)的災(zāi)難性事故。機(jī)械故障診斷技術(shù)通過信號(hào)采集、特征提取、模式識(shí)別和診斷決策等手段，在故障發(fā)生的早期及時(shí)、準(zhǔn)確地發(fā)現(xiàn)機(jī)械設(shè)備運(yùn)行的異常情況，確定故障部位、故障程度和發(fā)展趨勢(shì)，以便有計(jì)劃、有針對(duì)性地實(shí)施維護(hù)或維修。國(guó)家有關(guān)部門非常重視面向關(guān)鍵機(jī)電設(shè)備安全運(yùn)行的故障診斷技術(shù)的研究。國(guó)家科技中長(zhǎng)期發(fā)展規(guī)劃將重大產(chǎn)品和關(guān)鍵設(shè)備運(yùn)行的安全性、可靠性和可維護(hù)性列為重要的研究方向。機(jī)械故障診斷技術(shù)成為了保障機(jī)電設(shè)備可靠、安全運(yùn)行的核心支持技術(shù)之一。

2故障機(jī)理的研究

故障機(jī)理研究建立在轉(zhuǎn)子動(dòng)力學(xué)研究的基礎(chǔ)之上，旨在研究旋轉(zhuǎn)機(jī)械故障產(chǎn)生的物理模型或數(shù)學(xué)模型，并利用專業(yè)軟件進(jìn)行物理模擬或計(jì)算機(jī)仿真，從而探究故障的發(fā)生、演變和發(fā)展過程，明確故障的動(dòng)力學(xué)特征，建立故障模式，為故障診斷提供理論依據(jù)。美國(guó)的Muszynska等對(duì)轉(zhuǎn)子碰摩、氣流激振以及滑動(dòng)軸承的油膜渦動(dòng)等典型故障機(jī)理和特征進(jìn)行了深入的實(shí)驗(yàn)和理論研究，這是較早的故障機(jī)理研究。數(shù)十載以來，國(guó)內(nèi)外許多學(xué)者對(duì)機(jī)械動(dòng)力學(xué)與轉(zhuǎn)子動(dòng)力學(xué)、非線性振動(dòng)的理論進(jìn)行了大量的理論研究，發(fā)表了大量的學(xué)術(shù)論文和著作。這些研究成果在故障診斷實(shí)踐中均得到了廣泛應(yīng)用。

3特征提取方法的研究

目前應(yīng)用廣泛的機(jī)械故障診斷方法有振動(dòng)檢測(cè)診斷方法、噪聲檢測(cè)診斷方法、溫度檢測(cè)診斷方法、聲發(fā)射檢測(cè)診斷方法、鐵譜分析診斷方法和金相分析診斷方法。其中，振動(dòng)檢測(cè)診斷方法，以機(jī)械設(shè)備的振動(dòng)作為信息源，通過振動(dòng)參數(shù)的變化特征來識(shí)別機(jī)械設(shè)備的運(yùn)行狀態(tài)。旋轉(zhuǎn)機(jī)械在運(yùn)轉(zhuǎn)過程中由于受力變化、速度波動(dòng)、沖擊等原因，不可避免地存在著振動(dòng)，其振動(dòng)信號(hào)包含了豐富的運(yùn)行狀態(tài)信息。大量的研究表明，可以通過合適的信號(hào)分析方法對(duì)故障振動(dòng)信號(hào)進(jìn)行處理來有效地提取旋轉(zhuǎn)機(jī)械的故障特征。因此，振動(dòng)檢測(cè)診斷方法在旋轉(zhuǎn)機(jī)械設(shè)備故障診斷領(lǐng)域得到了廣泛的應(yīng)用。

旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)的主要特征可以概括為非線性、非平穩(wěn)、非高斯特性。針對(duì)這些特性，眾多學(xué)者提出了各種各樣的特征提取方法。其中，時(shí)頻分析是應(yīng)用最廣泛故障特征提取手段之一。在機(jī)械故障診斷中常用的時(shí)頻分析方法有：小波分析、經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）、局部均值分解（Local Mean Decomposition，LMD）、總體經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）和線調(diào)頻小波追蹤算法等。

大量的研究表明，機(jī)械的故障振動(dòng)信號(hào)表現(xiàn)出明顯的非高斯、非線性相位耦合特性。高階統(tǒng)計(jì)分析方法是分析非高斯信號(hào)的有力工具，能更高階概率結(jié)構(gòu)表征隨機(jī)信號(hào)，定量地描述非線性相位耦合，彌補(bǔ)了二階統(tǒng)計(jì)量不包含相位信息的缺陷，而且高階譜有很強(qiáng)的消噪能力，理論上能完全抑制高斯噪聲。

獨(dú)立成分分析（Independent Component Analysis，ICA）是基于高階統(tǒng)計(jì)特性的非高斯、非線性、非平穩(wěn)信號(hào)的分析方法，可以實(shí)現(xiàn)信號(hào)的盲源分離（Blind Source Separation，BBS）。由傳感器觀測(cè)到的由機(jī)器自身運(yùn)行所產(chǎn)生的激勵(lì)源信號(hào)和外來干擾一般屬于各自獨(dú)立的源，而且在機(jī)械設(shè)備正常狀態(tài)或者故障狀態(tài)，各個(gè)源激勵(lì)的振動(dòng)信號(hào)都是一些周期信號(hào)、準(zhǔn)周期信號(hào)或者沖擊信號(hào)，基本滿足非高斯性的要求。因此，在旋轉(zhuǎn)機(jī)械故障診斷中，許多學(xué)者提出采用ICA方法來實(shí)現(xiàn)特征提取。如果將振動(dòng)信號(hào)在重構(gòu)相空間中重構(gòu)吸引子，那么重構(gòu)吸引子反映了原系統(tǒng)的許多動(dòng)力學(xué)特征?；谥貥?gòu)相空間理論的奇異值分解（Singular Value Decomposition，SVD）技術(shù)是非參數(shù)的時(shí)間序列分析方法。該方法能將信號(hào)分解為一系列獨(dú)立成分分量，從而能識(shí)別信號(hào)振動(dòng)模式和噪聲。因此，SVD技術(shù)是非線性時(shí)間序列分析的又一種有力工具，非常適合于旋轉(zhuǎn)機(jī)械故障診斷。

4模式識(shí)別方法

機(jī)械故障診斷實(shí)質(zhì)上是一個(gè)模式識(shí)別過程，針對(duì)某一具體的機(jī)械故障診斷問題，選擇不同的模式識(shí)別方法，其分類精度和準(zhǔn)確性可能會(huì)有較大的差異，因此，在機(jī)械故障診斷中，研究不同的模式識(shí)別方法以及如何選擇合適的模式識(shí)別方法一直是相關(guān)學(xué)者關(guān)注的熱點(diǎn)問題。模式識(shí)別可以看成是一種機(jī)器學(xué)習(xí)的過程。按照機(jī)器學(xué)習(xí)過程的性質(zhì)，可以將模式識(shí)別方法分成非監(jiān)督的模式識(shí)別方法和有監(jiān)督的模式識(shí)別方法。非監(jiān)督的模式識(shí)別方法又稱為聚類分析方法。聚類分析方法在事先不了解一批樣本中的每一個(gè)樣本的類別或者缺乏其他的先驗(yàn)知識(shí)的情況下，根據(jù)樣本的特征，利用某種相似度量的方法，把特征相同或相近的歸為一類，實(shí)現(xiàn)聚類劃分。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）由大量高度并聯(lián)且相互聯(lián)系的簡(jiǎn)單神經(jīng)元構(gòu)成，通過模擬模仿人腦的思維模式來解決復(fù)雜的信息處理功能。ANN具有較強(qiáng)的自組織、自學(xué)習(xí)能力和非線性模式分類性能，不需要預(yù)先給出判別函數(shù)即可對(duì)復(fù)雜的信息進(jìn)行分類識(shí)別。因此，作為一種自適應(yīng)非線性模式識(shí)別方法，ANN可解決機(jī)械故障診斷的分類識(shí)別問題。ANN自產(chǎn)生以來，獲得了不斷的發(fā)展，并被成功地應(yīng)用很多的工程實(shí)踐中。但是，ANN方法缺乏堅(jiān)實(shí)的理論基礎(chǔ)，近似于一個(gè)黑箱模型，對(duì)實(shí)際應(yīng)用中遇到的許多重要設(shè)計(jì)問題無法做出合理的解釋，且其結(jié)構(gòu)和參數(shù)的選取也在很大程度上需要依靠經(jīng)驗(yàn)和技巧來解決。因此，神經(jīng)網(wǎng)絡(luò)還有待進(jìn)一步研究和發(fā)展完善，如新算法的研究、新模型的建立等等。

結(jié)束語(yǔ)

總之，機(jī)械的故障診斷技術(shù)的研究和應(yīng)用不但能保障企業(yè)安全生產(chǎn)，避免巨大的經(jīng)濟(jì)損失，降低設(shè)備全壽命周期維修費(fèi)用，而且可以為設(shè)備的結(jié)構(gòu)優(yōu)化設(shè)計(jì)提供重要依據(jù)。機(jī)械故障診斷技術(shù)的理論和實(shí)踐研究對(duì)于提高企業(yè)核心競(jìng)爭(zhēng)力，有效促進(jìn)國(guó)民經(jīng)濟(jì)和現(xiàn)代科學(xué)技術(shù)的發(fā)展具有重大意義。而旋轉(zhuǎn)機(jī)械是利用轉(zhuǎn)子的旋轉(zhuǎn)運(yùn)動(dòng)來完成主要生產(chǎn)任務(wù)的一類機(jī)械的總稱，是應(yīng)用最為廣泛的機(jī)械之一，包括汽輪機(jī)、水輪機(jī)、風(fēng)力發(fā)電機(jī)、壓縮機(jī)等，通常是電力、航空、冶金、機(jī)械制造、交通、化工等國(guó)民經(jīng)濟(jì)支柱行業(yè)的關(guān)鍵設(shè)備，在國(guó)民經(jīng)濟(jì)和現(xiàn)代科學(xué)技術(shù)的發(fā)展中有著十分重要的地位。

參考文獻(xiàn)：

[1]張進(jìn)，馮志鵬，褚福磊.滾動(dòng)軸承故障特征的時(shí)間—小波能量譜提取方法[J].機(jī)械工程學(xué)報(bào)，2011，47（17）：44-49

[2]林京，屈梁生.基于連續(xù)小波變換的信號(hào)檢測(cè)技術(shù)與故障診斷[J].機(jī)械工程學(xué)報(bào)，2000，36（12）：95-100

[3]鄭海波，李志遠(yuǎn)，陳心昭.基于連續(xù)小波變換的齒輪故障診斷方法研究[J].機(jī)械工程學(xué)報(bào)，2002，38（3）：69-73