王吉

摘要：近年來，隨著生產(chǎn)技術(shù)的不斷成熟和發(fā)展，旋轉(zhuǎn)機(jī)械已成為使用最廣泛的工業(yè)機(jī)械設(shè)備之一，其故障的診斷對于旋轉(zhuǎn)機(jī)械的安全運(yùn)行至關(guān)重要。如果旋轉(zhuǎn)機(jī)械運(yùn)行過程中發(fā)生故障，復(fù)雜的內(nèi)部結(jié)構(gòu)很容易引起機(jī)械設(shè)備的連鎖反應(yīng)。因此，研究旋轉(zhuǎn)機(jī)械故障診斷對于分析機(jī)械設(shè)備缺陷的原因和缺陷狀況以及檢查兩者之間的關(guān)聯(lián)有著相當(dāng)重要的意義。本文首先分析了旋轉(zhuǎn)機(jī)械的常見的故障類型及機(jī)理，并對目前常用的旋轉(zhuǎn)機(jī)械故障診斷方法進(jìn)行了詳細(xì)的論述，最后敘述了故障診斷專家系統(tǒng)的開發(fā)研究現(xiàn)狀。

關(guān)鍵詞：旋轉(zhuǎn)機(jī)械;機(jī)械振動(dòng);故障診斷;診斷方法

0 ?引言

隨著現(xiàn)代工業(yè)化進(jìn)程的快速發(fā)展，旋轉(zhuǎn)機(jī)械設(shè)備已成為使用最廣泛的工業(yè)機(jī)械設(shè)備之一，人們對其可靠性的要求越來越高。現(xiàn)實(shí)生活中，旋轉(zhuǎn)機(jī)械設(shè)備多種多樣，如鼓風(fēng)機(jī)、膨脹機(jī)、燃?xì)廨啓C(jī)、離心式壓縮機(jī)、發(fā)電機(jī)、航空發(fā)動(dòng)機(jī)等[1]。旋轉(zhuǎn)機(jī)械被用于許多領(lǐng)域如航空、航海、機(jī)械、化工、能源、電力等領(lǐng)域。它的安全運(yùn)行直接與企業(yè)的正常生產(chǎn)相關(guān)，如果機(jī)械設(shè)備發(fā)生故障，輕則影響企業(yè)的正常生產(chǎn)，重則威脅到工人的人身安全，同時(shí)也會(huì)給社會(huì)造成一定的經(jīng)濟(jì)損失。因此，研究旋轉(zhuǎn)機(jī)械設(shè)備的故障機(jī)理和診斷技術(shù)有著至關(guān)重要的作用。

1 ?旋轉(zhuǎn)機(jī)械故障類型及其機(jī)理分析

1.1 轉(zhuǎn)子不平衡 ?不平衡是旋轉(zhuǎn)機(jī)械運(yùn)行過程中最常見的故障類型之一，根據(jù)不平衡發(fā)生的過程，不平衡可分為漸發(fā)性不平衡、原始不平衡和突發(fā)不平衡[2]。原始不平衡主要是由于轉(zhuǎn)子不均勻材料的制造誤差和安裝誤差造成的，例如轉(zhuǎn)子在出廠時(shí)動(dòng)平衡的平衡精度不滿足要求，則在應(yīng)用的時(shí)就會(huì)發(fā)生振動(dòng);所謂的漸發(fā)性不平衡是由于轉(zhuǎn)子結(jié)構(gòu)不均勻、工作介質(zhì)中的粉塵的不均勻沉積、工作介質(zhì)中的顆粒物對葉片、葉輪磨損不均勻等因素引起的，其振值隨著時(shí)間的增加而逐漸增大[3]。突發(fā)性不平衡主要是由于轉(zhuǎn)子零部件的脫落或者有異物附著在葉輪流道上引發(fā)的不平衡，這種不平衡引發(fā)的振動(dòng)值將先增加最后穩(wěn)定到某一值。

設(shè)轉(zhuǎn)子的質(zhì)量為M，偏心質(zhì)量為m，偏心距為e，如果轉(zhuǎn)子的質(zhì)心到兩軸承聯(lián)心線的垂直距離不為零，其撓度為a，如圖l所示[4]。

當(dāng)轉(zhuǎn)子在轉(zhuǎn)動(dòng)時(shí)，由于有偏心質(zhì)量m和偏心距e的存在，轉(zhuǎn)子將會(huì)產(chǎn)生離心力、離心力矩或者兩者同時(shí)存在。離心力的大小為F=meω2（ω為旋轉(zhuǎn)角速度），由于離心力的大小和方向都是周期性變化，每當(dāng)轉(zhuǎn)子轉(zhuǎn)動(dòng)一周時(shí)，離心力的方向就變化一個(gè)周期，這種交變的力將會(huì)引發(fā)機(jī)械振動(dòng)，從而產(chǎn)生機(jī)械的不平衡振動(dòng)。

1.2 轉(zhuǎn)子不對中 ?旋轉(zhuǎn)機(jī)械運(yùn)行期間的不對中也是導(dǎo)致旋轉(zhuǎn)機(jī)械設(shè)備故障的主要原因。轉(zhuǎn)子不對中的故障有幾種類型，可分為軸承不對中和聯(lián)軸器不對中兩種，如表1所示。

1.3 轉(zhuǎn)子彎曲 ?旋轉(zhuǎn)機(jī)械機(jī)組如果長時(shí)間未使用，有時(shí)可能會(huì)遇到振動(dòng)過大或者無法啟動(dòng)的情況，這種情況大多數(shù)是由于機(jī)組停用后產(chǎn)生了轉(zhuǎn)子彎曲故障。轉(zhuǎn)子彎曲是由于各橫截面的幾何中心的連線與旋轉(zhuǎn)軸線不重合，導(dǎo)致轉(zhuǎn)子產(chǎn)生偏心質(zhì)量，從而使轉(zhuǎn)子產(chǎn)生不平衡振動(dòng)。轉(zhuǎn)子彎曲通常分為兩種：永久性彎曲和臨時(shí)性彎曲。永久性彎曲是指轉(zhuǎn)子彎曲后無法恢復(fù)到原來的形狀。導(dǎo)致永久性彎曲的原因很多，比如有設(shè)計(jì)制造缺陷、熱態(tài)停機(jī)時(shí)未及時(shí)盤車、機(jī)組停放方法不對以及遭遇涼水急冷[5-6]。臨時(shí)性彎曲是指轉(zhuǎn)子彎曲后可恢復(fù)到原來的形狀。通常產(chǎn)生臨時(shí)性彎曲的原因有預(yù)負(fù)荷過大、轉(zhuǎn)子升速過快、開機(jī)運(yùn)行時(shí)暖機(jī)不充分等[7]。雖然轉(zhuǎn)子永久性彎曲與臨時(shí)性彎曲是不同的故障類型，但它們故障機(jī)理是相同的，都會(huì)產(chǎn)生與質(zhì)量偏心類似的旋轉(zhuǎn)矢量激振力，這點(diǎn)與質(zhì)量偏心類似。轉(zhuǎn)子彎曲在軸向上還會(huì)產(chǎn)生較大的工頻振動(dòng)，這是由于軸彎曲使軸兩端產(chǎn)生錐形運(yùn)動(dòng)的結(jié)果，這與質(zhì)心偏離有所不同。

1.4 旋轉(zhuǎn)機(jī)械松動(dòng) ?旋轉(zhuǎn)機(jī)械松動(dòng)是旋轉(zhuǎn)機(jī)械最常見的故障之一。由于旋轉(zhuǎn)機(jī)械松動(dòng)類故障的特征與不平衡、不對中類故障的特征極為相似，所以在判斷故障原因時(shí)，極易與不平衡和不對中類故障發(fā)生混淆。旋轉(zhuǎn)機(jī)械類松動(dòng)故障分為兩種情況：基礎(chǔ)類松動(dòng)故障和轉(zhuǎn)子支撐部件松動(dòng)類故障?；A(chǔ)松動(dòng)類故障包括由設(shè)備底座、基礎(chǔ)平板、混泥土基礎(chǔ)強(qiáng)度剛度不夠，引起基礎(chǔ)設(shè)備變形或者開裂，以及地腳螺栓松動(dòng)等[8-12]。這類松動(dòng)故障的振動(dòng)頻譜與不平衡相同，都是工頻（或轉(zhuǎn)速頻率）占主要優(yōu)勢。轉(zhuǎn)子支撐部件松動(dòng)類故障包括軸承松動(dòng)、軸承內(nèi)部間隙過大、固定軸承座的螺栓松動(dòng)、軸承座裂紋、支撐腳高度不同引起的松動(dòng)等。因此，機(jī)械設(shè)備的松動(dòng)很容易導(dǎo)致設(shè)備故障，必須定期的對設(shè)備進(jìn)行充分的診斷工作，以防止機(jī)械故障的發(fā)生。

2 ?旋轉(zhuǎn)機(jī)械故障的診斷方法研究

在過去，人們對機(jī)械故障的診斷主要是依靠工人長期的豐富的經(jīng)驗(yàn)去判斷，這種方法雖然能在一定程度上解決問題，但是它太過于依賴工人的主觀判斷，并且有時(shí)候存在一定程度上的不準(zhǔn)確性。隨著人類社會(huì)的進(jìn)步，以及計(jì)算機(jī)技術(shù)的飛速發(fā)展，人們對旋轉(zhuǎn)機(jī)械故障診斷的方法也越來越智能化，常見的旋轉(zhuǎn)機(jī)械故障的診斷的方法有：模式識(shí)別法、人工神經(jīng)網(wǎng)絡(luò)、仿生模式識(shí)別法等[13-15]。

2.1 基于模式識(shí)別的診斷方法的研究 ?在過去的十年中，模式識(shí)別技術(shù)在機(jī)械故障診斷領(lǐng)域的應(yīng)用已得到廣泛推廣，并且每年都會(huì)發(fā)布相關(guān)的改進(jìn)方法。如今，模式識(shí)別已經(jīng)成為了檢測機(jī)械故障的重要理論基礎(chǔ)之一。模式識(shí)別，其實(shí)就是利用計(jì)算機(jī)技術(shù)對樣本進(jìn)行分類的過程，即是確定樣本的類別屬性的過程。一般來說，模式識(shí)別的過程，分為以下幾個(gè)部分：數(shù)據(jù)信息的獲取和預(yù)處理、特征的提取和選擇、分類判決，其中分類判決包括分類器設(shè)計(jì)（訓(xùn)練過程）和分類決策（識(shí)別過程），如圖2所示。

在機(jī)械設(shè)備診斷中，模式識(shí)別方法分為兩類：一種是基于知識(shí)的故障診斷方法，另一種是基于數(shù)據(jù)的故障診斷方法。基于知識(shí)的故障診斷方法是指根據(jù)人們已知的（從專家那里收集整理的）關(guān)于研究對象的知識(shí)，整理出若干描述特征與類別間關(guān)系的準(zhǔn)則，建立一定的計(jì)算機(jī)推理系統(tǒng)，對未知樣本通過這些知識(shí)推理決策其類別[16];基于數(shù)據(jù)的故障診斷方法是基于數(shù)據(jù)的機(jī)器學(xué)習(xí)的一種特殊情況，學(xué)習(xí)的目標(biāo)是離散分類。而基于數(shù)據(jù)的故障診斷主要以統(tǒng)計(jì)模式識(shí)別為基礎(chǔ)，故通常講的模式識(shí)別方法（聚類分析、支持向量機(jī)、模糊邏輯、判定樹、主要成分分析、粗糙集、遺傳算法等）指的就是統(tǒng)計(jì)模式識(shí)別方法。由于模式識(shí)別比一般的機(jī)械故障診斷方法有更大的準(zhǔn)確性，目前國內(nèi)外很多研究人員都逐步涉及這一領(lǐng)域的研究。

Jack等[17]提出了一種將支持向量機(jī)（SVM）應(yīng)用于滾動(dòng)軸承故障檢測的模式識(shí)別方法，這種方法可以在有限的訓(xùn)練數(shù)據(jù)情況下提高模型的泛化性能，結(jié)果得到較理想的效果。張龍等[18]針對旋轉(zhuǎn)機(jī)械電機(jī)振動(dòng)信號(hào)普遍存在非平穩(wěn)性，且機(jī)械設(shè)備的故障樣本有限等問題，提出一種基于時(shí)變參數(shù)自回歸模型和支持向量機(jī)相結(jié)合的旋轉(zhuǎn)機(jī)械故障診斷方法，該文方法能夠有效提取非平穩(wěn)信號(hào)的特征，且能在較少訓(xùn)練樣本的條件下獲得較好的結(jié)果。何學(xué)文等[19]提出了一種基于小波分析和支持向量機(jī)相結(jié)合的旋轉(zhuǎn)機(jī)械故障診斷方法，實(shí)驗(yàn)表明該方法可以獲得更高的旋轉(zhuǎn)機(jī)械故障診斷準(zhǔn)確率。李如強(qiáng)等[20]人提出了一種基于粗糙集和模式識(shí)別的旋轉(zhuǎn)機(jī)械故障診斷方法，該方法通過實(shí)驗(yàn)驗(yàn)證證明其有效性。

這些針對機(jī)械故障的診斷方法研究表明，將模式識(shí)別方法應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷比傳統(tǒng)的診斷方法有更高的效率和準(zhǔn)確率。當(dāng)樣本集比較小時(shí)，該方法的精度優(yōu)于神經(jīng)網(wǎng)絡(luò)。由此可見，該方法在旋轉(zhuǎn)機(jī)械故障診斷中有比較廣闊的前景。

2.2 基于人工神經(jīng)網(wǎng)絡(luò)的診斷方法的研究 ?在1940年左右，關(guān)于人工神經(jīng)網(wǎng)絡(luò)的原理開始出現(xiàn)。經(jīng)過長期的發(fā)展，已將其引入智能控制系統(tǒng)、神經(jīng)網(wǎng)絡(luò)研究與開發(fā)、計(jì)算機(jī)優(yōu)化和計(jì)算機(jī)圖像處理等許多領(lǐng)域，在連續(xù)語音識(shí)別、圖像識(shí)別、數(shù)據(jù)壓縮和信息處理等領(lǐng)域的實(shí)際應(yīng)用中取得了巨大的成就，是一種新的模式識(shí)別和信息處理辦法，前景可觀。將人工神經(jīng)網(wǎng)絡(luò)與新技術(shù)結(jié)合使用的方式有很多，當(dāng)前，有許多使用人工神經(jīng)網(wǎng)絡(luò)診斷機(jī)械故障的方法[21]。最常用的方法是多層感知器神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、自組織Kohonen神經(jīng)網(wǎng)絡(luò)和徑向的功能RBN神經(jīng)網(wǎng)絡(luò)，還有許多網(wǎng)絡(luò)集成的其他方式和示例。在使用人工神經(jīng)網(wǎng)絡(luò)解決問題時(shí)，需要先對檢查收集的故障信息進(jìn)行處理，刪除不必要或不加區(qū)分的異常信息，然后對有效數(shù)據(jù)進(jìn)行規(guī)范化。在完成預(yù)處理完成后，可以將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)，然后進(jìn)行訓(xùn)練學(xué)習(xí)和故障識(shí)別等過程。

Nalinaksh等[22]設(shè)計(jì)了一種人工神經(jīng)網(wǎng)絡(luò)用與轉(zhuǎn)子軸承系統(tǒng)的故障識(shí)別，該神經(jīng)網(wǎng)絡(luò)采用了BP神經(jīng)網(wǎng)絡(luò)算法和多層網(wǎng)絡(luò)，經(jīng)過在未知故障的測試集中驗(yàn)證，其表現(xiàn)出良好的識(shí)別性能，準(zhǔn)確率達(dá)到90%。S. Rajakarunakaran等[23]介紹了基于人工神經(jīng)網(wǎng)絡(luò)的離心泵系統(tǒng)故障檢測模型的開發(fā)，該故障檢測模型采用了兩種不同的人工神經(jīng)網(wǎng)絡(luò)方法，即帶反向傳播算法的前饋網(wǎng)絡(luò)和二元自適應(yīng)諧振網(wǎng)絡(luò)（ART1）。并針對離心泵系統(tǒng)中總共七類故障，測試了改進(jìn)的反向傳播神經(jīng)網(wǎng)絡(luò)和ART1模型的性能，結(jié)果表明ART1診斷故障的準(zhǔn)確率比帶反向傳播算法的前饋網(wǎng)絡(luò)高，準(zhǔn)確率接近100%。

作為一種自適應(yīng)模式識(shí)別模式，人工神經(jīng)網(wǎng)絡(luò)能通過自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求的學(xué)習(xí)機(jī)制，即人工神經(jīng)網(wǎng)絡(luò)能像人類那樣根據(jù)環(huán)境不斷修正自己，表現(xiàn)出自適應(yīng)、自組織和自學(xué)習(xí)的能力。基于神經(jīng)網(wǎng)絡(luò)的智能診斷技術(shù)不僅可以用于機(jī)械缺陷的診斷，而且在其他領(lǐng)域也正在迅速發(fā)展。但是，這種方法也有缺點(diǎn)，例如需要比較大的樣本集，樣本訓(xùn)練困難，對研究人員經(jīng)驗(yàn)和調(diào)參技巧的要求很高等。

2.3 基于仿生模式識(shí)別的診斷方法的研究 ?“仿生模式識(shí)別”這一概念[24]是由王守覺院士提出來的，他認(rèn)為傳統(tǒng)的模式識(shí)別存在一定的缺陷，如傳統(tǒng)的模式識(shí)別對未經(jīng)過訓(xùn)練的對象會(huì)產(chǎn)生誤識(shí)，且它著重于對事物類別進(jìn)行劃分，而仿生模式識(shí)別卻不會(huì)對未經(jīng)過訓(xùn)練的對象產(chǎn)生誤識(shí)，它著重于對事物一類一類的進(jìn)行認(rèn)識(shí)。

許多研究人員在仿生模式識(shí)別這一概念提出后對其進(jìn)行了廣泛的研究，并將其應(yīng)用于人臉識(shí)別、圖像識(shí)別、語音識(shí)別等領(lǐng)域，取得了很多優(yōu)良的效果。但是目前仿生模式識(shí)別在機(jī)械故障診斷領(lǐng)域的研究文獻(xiàn)比較少。郭玉[26]將仿生模式識(shí)別算法應(yīng)用于旋轉(zhuǎn)機(jī)械故障診斷中，并將診斷過程和結(jié)果與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)）進(jìn)行對比分析，結(jié)果表明仿生模式識(shí)別在旋轉(zhuǎn)機(jī)械故障診斷中是一種可行并且高效的診斷方法。

仿生模式識(shí)別法是一種全新的模式識(shí)別方法，它是從人們認(rèn)識(shí)事物的角度出發(fā)來解決問題的。雖然目前仿生模式識(shí)別法在機(jī)械故障診斷領(lǐng)域的研究文獻(xiàn)非常少，但是也給我們提供了一種解決問題的全新思路。

3 ?故障診斷專家系統(tǒng)的開發(fā)研究

故障診斷專家系統(tǒng)，它是AI（Artificial Intelligence）一個(gè)重要分支，是多學(xué)科交叉融合的結(jié)果，是基于故障診斷領(lǐng)域?qū)＜业闹R(shí)、經(jīng)驗(yàn)、推理開發(fā)的計(jì)算機(jī)程序。

美國、日本、丹麥、德國、瑞士等國的研究人員對旋轉(zhuǎn)機(jī)械故障診斷技術(shù)進(jìn)行了研究，開發(fā)了各種監(jiān)視旋轉(zhuǎn)機(jī)械故障的系統(tǒng)，并取得了優(yōu)異的成績。1967年，為了響應(yīng)海洋和航空科學(xué)的發(fā)展需求，美國成立了預(yù)防故障和機(jī)械狀況的科學(xué)研究所，并研究了診斷故障的方法，并且已經(jīng)解決了用于監(jiān)視和故障的各種阻礙。而我國對故障監(jiān)測和診斷系統(tǒng)的開發(fā)研究比較晚，始于80年代左右。在那時(shí)由于研究人員缺乏實(shí)際的故障診斷經(jīng)驗(yàn)，這使得開發(fā)的系統(tǒng)與實(shí)際的情況差別很大，遠(yuǎn)遠(yuǎn)沒有達(dá)到預(yù)期的效果。

由于機(jī)械故障診斷是一項(xiàng)涉及眾多機(jī)械及多門學(xué)科的綜合技術(shù)，它最適合用專家系統(tǒng)來解決機(jī)械故障問題，所以對專家系統(tǒng)開發(fā)是故障診斷技術(shù)發(fā)展的必然趨勢。當(dāng)前，專家系統(tǒng)已經(jīng)應(yīng)用在眾多領(lǐng)域如航空航天、航海、醫(yī)療衛(wèi)生、機(jī)械、化工、電子設(shè)備，并且取得了極大的經(jīng)濟(jì)效益，獲得了許多新進(jìn)展。

Bo-Suk Yang等[28]提出了一種基于決策樹和決策表方法VIBEX（Vibration Expert）的專家系統(tǒng)，該系統(tǒng)是可以用來診斷旋轉(zhuǎn)機(jī)械的不規(guī)則振動(dòng)故障，經(jīng)過試驗(yàn)表明該系統(tǒng)在故障診斷方面表現(xiàn)出良好的性能和魯棒性。Cen Nan等[29]提出了一種基于知識(shí)的專家系統(tǒng)的實(shí)時(shí)故障診斷方法，經(jīng)過驗(yàn)證該方法是有效的。李曉琴[30]應(yīng)用C++ Builder及Access數(shù)據(jù)庫開發(fā)設(shè)計(jì)旋轉(zhuǎn)機(jī)械振動(dòng)診斷專家系統(tǒng)，系統(tǒng)通過對轉(zhuǎn)子、軸承、齒輪四個(gè)診斷實(shí)例驗(yàn)證，說明了該專家系統(tǒng)設(shè)計(jì)合理、科學(xué)，診斷界面友好，診斷知識(shí)豐富，維護(hù)管理方便，能夠準(zhǔn)確快速地診斷部件的常見故障。

4 ?結(jié)語

針對旋轉(zhuǎn)機(jī)械設(shè)備故障的頻繁發(fā)生，為保證機(jī)械設(shè)備正常安全的運(yùn)行，節(jié)約企業(yè)的成本，旋轉(zhuǎn)機(jī)械故障診斷新方法和新理論的研究與應(yīng)用已成為近年來最熱門且最困難的研究熱點(diǎn)。本文詳細(xì)分析了旋轉(zhuǎn)機(jī)械振動(dòng)故障機(jī)理及診斷技術(shù)：①通常情況下，旋轉(zhuǎn)機(jī)械故障類型有：轉(zhuǎn)子不平衡、轉(zhuǎn)子不對中、轉(zhuǎn)子彎曲和旋轉(zhuǎn)機(jī)械松動(dòng)四種，可以根據(jù)不同故障類型采取相應(yīng)的措施維修設(shè)備;②隨著機(jī)械故障診斷技術(shù)的進(jìn)步，目前旋轉(zhuǎn)機(jī)械故障診斷方法有：模式識(shí)別法、人工神經(jīng)網(wǎng)絡(luò)、仿生模式識(shí)別法等;③隨著計(jì)算機(jī)技術(shù)的發(fā)展和人工智能技術(shù)提高，許多研究人員都致力于故障診斷專家系統(tǒng)的研發(fā)，這極大提高了故障診斷效率，保證了工人的人生安全，同時(shí)也為企業(yè)節(jié)約了大量的經(jīng)濟(jì)成本。

參考文獻(xiàn)：

[1]胡志湘，梅通友.狀態(tài)監(jiān)測技術(shù)在旋轉(zhuǎn)設(shè)備故障診斷中的應(yīng)用[J].設(shè)備管理與維修，2012（04）：48-51.

[2]李琦.振動(dòng)監(jiān)測及故障診斷技術(shù)在拋丸機(jī)組維護(hù)中的應(yīng)用[J].冶金設(shè)備，2017（2）：199-205.

[3]胥佳瑞，崔彥亭，鄧愛祥，吳韜.旋轉(zhuǎn)機(jī)械振動(dòng)管理專家系統(tǒng)應(yīng)用[J].機(jī)電信息，2019（33）：41-42.

[4]潘高峰.空分裝置H100型空壓機(jī)振動(dòng)分析及處理[J].風(fēng)機(jī)技術(shù)，2011（01）：72-74.

[5]楊國安.旋轉(zhuǎn)機(jī)械故障診斷實(shí)用技術(shù)[M].北京：中國石化出版社，2012：26-52.

[6]何洋洋.旋轉(zhuǎn)機(jī)械振動(dòng)故障診斷研究[D].華北電力大學(xué)（北京），2019.

[7]趙西松.OG#風(fēng)機(jī)有限元分析及現(xiàn)場動(dòng)平衡研究[D].東北大學(xué)，2008.

[8]費(fèi)冠華，李瑞洋，寧曉霞.旋轉(zhuǎn)機(jī)械設(shè)備故障診斷技術(shù)分析[J].科技風(fēng)，2019（05）：178.

[9]黨建.大型旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)分析與早期故障辨識(shí)方法研究[D].西安理工大學(xué)，2018.

[10]阮躍，潘勇，徐世昌.旋轉(zhuǎn)機(jī)械振動(dòng)監(jiān)測和故障診斷的智能化[J].設(shè)備管理與維修，2018（10）：175-176.

[11]黃現(xiàn)云.旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)處理及故障診斷方法研究[D].南京信息工程大學(xué)，2018.

[12]范佳卿，肖伯樂，高升，張強(qiáng).一種實(shí)時(shí)在線診斷旋轉(zhuǎn)機(jī)械振動(dòng)故障的方法[J].動(dòng)力工程學(xué)報(bào)，2018，38（02）：120-126.

[13]劉曉波.旋轉(zhuǎn)機(jī)械故障診斷若干關(guān)鍵技術(shù)研究及應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2012：1-6.

[14]高金吉.機(jī)器故障診治與自愈化[M].北京：高等教育出版社，2012：1-12.

[15]謝長貴.旋轉(zhuǎn)機(jī)械的智能診斷方法研究[M].成都：電子科技大學(xué)出版社，2017：1-10.

[16]曹玲玲.貝葉斯分類方法的對比研究與改進(jìn)算法[D].西北大學(xué)，2011.

[17]JACK L B， NAND A K. Support Vector Machine for Detection and Characterization of Rolling Element Bearing Faults[J].Journal of Mechanical Engineering Science， 2001， 215 （ 9 ）：1065-1074.

[18]張龍，熊國良，柳和生，陳慧.基于時(shí)變自回歸模型與支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷方法[J].中國電機(jī)工程學(xué)報(bào)，2007，27（9）：99-103.

[19]何學(xué)文，孫林，付靜.基于小波分析和支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷方法[J].中國工程機(jī)械學(xué)報(bào)，2008，5（1）：86-90.

[20]李如強(qiáng)，陳進(jìn)，伍星.一種基于粗糙集和模式識(shí)別的旋轉(zhuǎn)機(jī)械故障診斷方法[J].機(jī)械科學(xué)與技術(shù)，2004，23（11）：1308-1312.

[21]湯健，田福慶，佘博，吳志偉，梁偉閣.基于機(jī)械振動(dòng)的旋轉(zhuǎn)供彈機(jī)構(gòu)故障診斷綜述[J].控制工程，2018，25（10）：1777-1784.

[22]Nalinaksh S. Vyas，D. Satishkumar.Artificial neural network design for fault identification in a rotor-bearing system[J].Mechanism and Machine Theory，2001，36（2）：157-175.

[23]S.Rajakarunakaran，P.Venkumar，D. Devaraj. Artificial neural network approach for fault detection in rotary system[J].Applied soft computing，2008，8（1）：740-748.

[24]王守覺.仿生模式識(shí)別（拓?fù)淠Ｊ阶R(shí)別）—— 一種模式識(shí)別新模型的理論與應(yīng)用[J].電子學(xué)報(bào)，2002，30（10）：1417-1420.

[25]陸飛.仿生模式識(shí)別的幾何學(xué)習(xí)算法理論的研究[D].浙江：浙江工業(yè)大學(xué)，2006.

[26]劉煥云，王軍寧，何迪.仿生模式識(shí)別目標(biāo)自適應(yīng)跟蹤算法[J].西安電子科技大學(xué)學(xué)報(bào)，2013，40（8）：142-148.

[27]王守覺，曲延鋒，李衛(wèi)軍，覃鴻.多權(quán)值神經(jīng)元網(wǎng)絡(luò)仿生模式識(shí)別方法在低訓(xùn)練樣本數(shù)量非特定人語音識(shí)別中與HMM及DTW的比較研究[J].電子學(xué)報(bào)，2005，33（5）：957-960.

[28]Bo—Suk Yang，Dong一Soo Lim，Andy Chit Chiow Tan. VIBEX：an expert system for vibration fault diagnosis of rotating machinery using decision tree and decision table[J].Expert Systems with Applications，2005，28 （4）：735一742.

[29]Cen Nan，F(xiàn)aisal K Han，M.Tariq Iqbal.Real-time fault diagnosis using knowledge-based expert system[J].Process Safety and Environmental protection，2008，（01）：55-71.

[30]李曉琴.旋轉(zhuǎn)機(jī)械振動(dòng)診斷專家系統(tǒng)的研究[D].華北電力大學(xué)（北京），2011.