大型旋轉機械狀態監測與故障診斷研究進展*

楊世錫 ， 尚小林 ， 柳亦兵 ， 嚴可國， 劉學坤

(1.浙江大學機械工程學院 杭州，310027) (2. 四川東方電氣自動控制工程有限公司 德陽，618000)(3.華北電力大學能源動力與機械工程學院 北京，102206) (4.北京英華達軟件工程有限公司 北京，100086)

?

?專家論壇?

大型旋轉機械狀態監測與故障診斷研究進展*

楊世錫1， 尚小林2， 柳亦兵3， 嚴可國4， 劉學坤1

(1.浙江大學機械工程學院 杭州，310027) (2. 四川東方電氣自動控制工程有限公司 德陽，618000)(3.華北電力大學能源動力與機械工程學院 北京，102206) (4.北京英華達軟件工程有限公司 北京，100086)

分析了旋轉機械狀態監測與故障診斷研究的重要意義。提出了一種由狀態監測與故障診斷理論和方法、狀態監測與故障診斷關鍵技術、狀態監測與故障診斷系統、狀態監測與故障診斷工程應用四個方面相互支撐的旋轉機械狀態監測與診斷研究的體系架構，給出了一個超超臨界汽輪發電機組狀態監測與故障診斷系統研究的實例。分別綜述了大型旋轉機械狀態監測與故障診斷的理論和方法、關鍵技術、應用系統研究及其工程應用的進展，提出了對于旋轉機械狀態監測與診斷研究的思考與建議。

旋轉機械； 狀態監測； 故障診斷； 特征提取

引言

大型旋轉機械是指汽輪機、燃氣輪機、水輪機、發電機、航空發動機和離心壓縮機等機械設備，是電力、石油化工、冶金、機械、航空以及一些軍事工業部門的關鍵設備。隨著現代工業和科學技術的發展以及自動化程度的進一步提高，旋轉機械正朝著大型化、高速化、連續化、集中化、自動化方向發展。生產系統中各設備之間的聯系越來越緊密。由于各種隨機因素的影響，機械難免出現一些故障，即降低或失去一定的功能；而機械一旦出現故障就可能引起連鎖反應，導致整個設備甚至整個生產過程無法正常工作，造成巨大的經濟損失，國內外因設備故障而引起的災難性事故時有發生。例如，2014年11月10日南航CZ3739航班空客A330飛機飛行中發生左側發動機故障而迫降廣州機場[1]。因此，研究應用大型旋轉機械狀態監測與故障診斷理論、技術及系統，對于促進“預期維修體制”的形成，保障這些關鍵設備的安全可靠、長期高效地運行，避免巨額的經濟損失和災難性事故的發生具有重要的理論意義和巨大的應用價值。《國家中長期科學與技術發展綱要(2006～2020)》中將“基于高可靠性的大型復雜系統和裝備的系統設計技術”、“關鍵設備裝置的監控與失效控制技術”、“重大產品和重大設施壽命預測技術”等作為重要的研究方向[2]。《機械工程學科發展戰略報告(2011～2020)》也將“極端環境下重大機械產品的安全監測與健康監測”作為當前迫切需要解決的問題[3]。

1 狀態監測與故障診斷研究應用體系

大型旋轉機械狀態監測與故障診斷研究內容主要包括：揭示機械故障發生、發展的機理，攻克機械在線狀態監測與故障診斷的關鍵技術，研制先進的狀態監測與故障診斷系統并應用于工程實踐。大型旋轉機械狀態監測與故障診斷研究方法上一般采用理論研究、實驗驗證和應用驗證相結合，串行反饋和并行協同相結合，從單項技術研究到系統集成逐漸推進的整體研究方法與技術路線，如圖1所示。

圖1 大型旋轉機械狀態監測與故障診斷研究體系Fig.1 The research system of state monitoring and fault diagnosis for large rotating machinery

狀態監測與故障診斷理論和方法的研究，從方法論上研究設備狀態監測的方法，以獲得正確的敏感信號；研究設備的故障機理，探索故障診斷特征信息提取新方法，實現從監測信號中獲取準確充分的故障特征信息；在故障案例庫、故障信息庫和診斷知識的支持下，研究基于模式識別方法的多物理量綜合故障診斷集成方法，以實現故障的識別與決策。

狀態監測與故障診斷關鍵技術研究，是在常規軸振動、壓力、流量等信號監測技術基礎上，研究運用合適的狀態監測與故障診斷理論和方法獲得機組運行狀態信息，通過提取特征信息、識別故障模式，構建狀態監測與故障診斷系統的核心功能。

狀態監測與故障診斷系統研制，以狀態監測和故障診斷的理論和方法以及關鍵技術為基礎，研究系統的可靠性設計、振動信號整周期等相位多通道同步高速采集技術，設計具有運行保護功能的在線狀態監測系統、典型故障數據庫和故障特征數據庫以及多物理量綜合遠程故障診斷系統，實現大型旋轉機械的狀態監測與故障診斷功能。

通過狀態監測與故障診斷系統的實際應用研究，可以對所研究的理論方法、關鍵技術和系統進行實驗測試，進一步完善和提高理論方法、關鍵技術以及系統的適用性和可靠性。

參照上述大型旋轉機械狀態監測與故障診斷研究體系，結合超超臨界發電機組狀態監測和故障診斷的實際需求，筆者給出了一個超超臨界汽輪發電機組狀態監測與故障診斷的研究應用實例，如圖2所示。

圖2 超超臨界汽輪發電機組狀態監測與故障診斷的研究應用實例Fig.2 The application example of the system of state monitoring and fault diagnosis for Ultra-supercritical steam turbine generator

2 大型旋轉機械狀態監測與故障診斷理論和方法研究

大型旋轉機械狀態監測與故障診斷的前提是對故障發生發展及其演化機理、靜態與動態表現特征的充分認識。隨著科學技術的發展，大型旋轉機械呈現結構更復雜、精度更高、轉速更快、耦合更緊密的特點，使得其故障的誘發、傳播、演變也更加復雜且具有更強的非線性。因此，對大型旋轉機械進行準確的建模，研究故障發生、發展和表征等系列問題，為故障診斷提供準確的診斷知識，顯得更加重要。筆者分析故障建模與分析、故障診斷模式識別理論兩方面的研究進展以及重要工作。

2.1 故障建模與分析

故障建模與分析不僅可以從理論上對設備故障的產生機理做出具體的解釋，同時，通過建立被監測對象的數學模型(正常狀態和故障狀態)，分析模型的特征參數或模型輸出的差異，從而實現故障模式的識別，一直是故障診斷領域的主要研究問題。Silani等[4]利用更為精確的積分計算裂紋單元的剛度矩陣，采用一種新的有限元方法，重新建立了轉子呼吸裂紋模型。Han等[5-6]研究了含有兩條呼吸裂紋的轉子-軸承系統的參數不穩定性以及含有斜裂紋和時變剛度的齒輪轉子系統的穩態響應。何成兵等[7]建立了剛性支承的純彎曲振動、彎扭耦合振動和軸承支承的彎扭耦合振動模型，分析了裂紋轉子系統響應的分叉與混沌特性。Chouksey等[8]建立了轉軸系統的動力學模型，模型根據模態阻尼因素、臨界轉速、頻率響應函數、轉軸的不同渦動方向等參數，研究了內部轉子阻尼和滑動軸承油膜力對系統動力學特性產生的影響。這些研究成果對旋轉機械的狀態監測與故障診斷起到了一定的指導作用。

近幾年, 機械系統非線性因素的影響日益受到重視，以非線性動力學為基礎的故障診斷技術是解決大型復雜裝備故障診斷的重要發展方向[9-10]。王炳成等[11-12]深入研究旋轉機械故障轉子的非線性動力學理論，在旋轉機械的典型故障和耦合故障診斷方面取得了成果。Gan Chunbiao等[13-16]對隨機非線性系統的動力學特性進行了研究，取得了一系列研究成果。這些研究及成果對提示和認識旋轉機械設備故障的線性和非線性動力學振動特性具有重要的理論意義，也為故障診斷提供了科學依據。

由于故障建模與分析過程中通常對某些因素進行簡化處理，在實驗過程中未能充分考慮振動信號在傳播過程中的衰減、遲滯、混疊等特性的變化，導致建模分析的理論成果未能在故障診斷中得到充分的應用。因此，深入研究振動信號在設備中的傳播機理，完善模型的驗證方法，是故障建模分析亟待開展的一項工作。Gan Chunbiao等[17-18]對桿、轉軸等機械構件中彈性波傳播特性進行研究，發現軸或者桿介質中縱波傳播時存在阻帶，變截面桿中傳播常數圖如圖3所示。研究結果有助于解決桿、轉軸等構件中彈性波傳播機理問題，對認識振動信號的傳播過程進而完善故障建模分析方法具有重要意義。

圖3 變截面桿或軸中傳播常數Fig.3 Propagation constants in a rod or shaft with variable cross-section

大型旋轉機械通常工作在一個復雜的系統中，與復雜系統其他部分存在著物質、能量、信息的復雜耦合關系。例如，大型發電機組的電網負載和諧波等因素對發電機組導致的輸入性振動異常現象日益受到重視，國家自然科學基金委近年來一直資助此類項目。故障建模與分析是揭示故障產生、發展與傳播機理的主要手段，是故障診斷重要科學依據，其研究水平和進展直接決定了故障診斷領域的研究水平和應用情況。隨著系統的日益復雜和研究進展，隨機激勵、強非線性和多域耦合的故障建模與分析還有待進一步深入研究。

2.2 故障模式識別理論

機械狀態監測與故障診斷的根本問題是故障模式識別，即根據機械設備的運行信息形成的狀態特征集，映射(識別)機械設備故障集(類型)。機械狀態監測與故障診斷一般的技術流程如圖4所示[19]。

圖4 狀態監測與故障診斷技術流程Fig.4 Technical flow of the state monitoring and fault diagnosis

基于對故障機理的認識(故障知識)和現場狀態信息(狀態特征)，故障模式識別的方法主要有故障樹、專家系統、神經網絡、支持向量機、模糊推理、粗糙集等。楊蘋等[20]將模糊理論與神經網絡技術相結合，構造適合于大型復雜系統故障診斷的自組織模糊神經網絡系統體系結構，實現了600MW汽輪發電機組常見振動故障的診斷。Jiang等[21]針對轉子軸承振動信號為非線性、非高斯信號，運用高階累計量估算自回歸模型的參數，并將參數作為故障特征向量，用模糊聚類分析方法實現轉子軸承故障模式識別。Shen等[22]將經驗模態分解(empirical mode decomposition, 簡稱EMD)方法與多分類直推式支持向量機相結合，實現了齒輪減速器的多故障識別。Lautour等[23]針對設備的長序列定期采樣數據，采用自回歸模型(auto regressive model，簡稱AR模型)參數作為故障敏感參數，運用人工神經網絡模型(artificial neural network，簡稱ANN)實現故障的分類與評估。Li等[24]將獨立分量分析(independent component analysis，簡稱ICA)與隱形Markov模型(hidden Markov models,簡稱HMM)聯合運用，ICA用于特征提取，HMM用于故障模式分類，實現旋轉機械在加速與降速過程中的故障模式識別。楊世錫等[25]采用ICA方法與自組織映射(self-organizing map，簡稱SOM)神經網絡結合，實現旋轉機械故障的特征提取與故障模式的分類。

故障模式識別理論的研究取得了巨大的進展，但狀態特征集與故障集之間往往是一個多對多的復雜映射關系，一個特征(向量)往往對應著多個故障類型，一個故障類型對應著多種特征(向量)，這給故障診斷帶來了極大的困難，造成了“診”而不“斷”的結果，嚴重影響故障診斷應用的實際效果?；诠收蠙C理、故障特征提取、數據挖掘、人工智能和大數據等領域的研究進展，故障模式識別有望在日益完備的狀態數據庫、故障知識庫和人工知識的模式分類方法庫支撐下解決故障模式的準確識別問題。

3 狀態監測與故障診斷關鍵技術

大型旋轉機械由于結構和功能復雜，工作環境比較特殊，現場得到的機械狀態信號往往受到強干擾和噪聲的影響。如何準確獲取與故障關聯的狀態信號，得到純凈的故障信息，形成與故障集強映射的故障特征(集)是大型旋轉機械狀態監測與故障診斷研究與應用中的關鍵問題。

3.1 監測傳感器網絡優化布局技術

大型旋轉機械結構復雜且機、電、液耦合，故障信號的背景噪聲干擾、傳播過程途徑與衰減特性復雜，這對故障信號(特別是對早期故障的微弱信號)的檢測提出了特殊要求。在實際機組結構、功能和環境約束下，根據故障信號及其傳播特性，優化布置各種各類監測傳感器網絡、正確捕捉機組狀態或故障信息，是狀態監測與故障診斷中急待解決的技術難點。

張亮等[26]以傳感器代價和漏檢故障的危害程度為最小優化目標，檢測性能為約束條件，建立了傳感器優化配置模型。Yi等[27]提出了一種基于改進的猴群算法優化傳感器布置，用于結構的狀態監測。劉睿等[28]將偶圖描述和關聯矩陣描述結合起來，建立兩者的轉化關系，對航天器部件進行可診斷性測點配置。Pourali等[29]提出了基于貝葉斯網絡的傳感器位置優化方法，并用于電力系統的狀態監測。陳仲生等[30]通過分析嵌入式傳感下故障振動信號與備選傳感器之間的傳遞特性，建立齒輪箱嵌入式傳感器優化配置的量化模型。王榮等[31]從滑動軸承動力學特性出發，分析軸承動態特性對同一截面上振動水平測點和垂直測點所測振動量的影響，提出多跨轉子中振動傳感器布置的策略。Cao等[32]建立了一個含有局部故障的主軸承系統的集成有限元模型，用于預測軸承的振動響應，據此確定傳感器的優化布置方案。

于保華等[33-34]針對大型流程工業系統狀態監測與故障診斷的傳感器優化配置特點，建立能夠定量反映測點獲取故障信息效率的故障-測點互信息矩陣，如圖5所示。在此基礎上，提出傳感器系統測點-故障關聯度優化目標函數，建立了多目標優化配置模型。

圖5 故障-測點互信息分析Fig.5 Fault and measurement point mutual information analysis

這些研究對于探索對故障較敏感的狀態物理量的選擇和測點的布置提供了有益的參考，但在實際應用中由于受大型旋轉機械物理空間和傳感檢測等條件的限制，難以得到很好地應用。在故障機理、信號傳播機理及傳感理論研究成果的支持下，傳感器優化布置研究將取得進一步成果。

3.2 信號降噪與振源識別技術

在復雜運行環境下獲取的大型旋轉機械狀態信號具有背景噪聲干擾大，非平穩、非線性的特點，其傳播途徑與衰減特性復雜，往往是多故障源信號以復雜的形式混疊(線性混疊、卷積混疊)在一起，嚴重影響了故障診斷的準確性。從現場狀態監測信號中去除噪聲干擾的影響、得到準確的故障源信號，是故障診斷的關鍵技術之一，得到了研究者充分重視。

文獻[35-36]采用了隨機共振技術，差分振子檢測方法用于微弱信號的識別，為早期故障檢測提供了一條新途徑。張弦等[37]以小波變換作為含噪信號分解與重構工具，以近似實現均方誤差最小意義下的最優消噪。Du等[38]運用EMD-ICA方法從柴油機單通道振動信號中分離出振源信號。Sun等[39]采用自適應神經網絡算法解決盲源分離的源數目是未知的和動態的問題。李志農等[40]提出一種基于局域均值分解的欠定盲源分離方法，有效解決傳統的盲源分離方法要求源信號滿足非高斯、平穩和相互獨立的假設，且要求觀測信號數多于源數的不足等問題。Cheng等[41]研究將去噪源分離(denoising source separation，簡稱DSS)應用于從艦艇艙壁混合信號中提取振源的振動特征信息。Hou等[42]通過計算最優的延遲時間和嵌入維數優化全局投影降噪算法，并用于旋轉機械軸心軌跡的提純。葉紅仙等[43]提出一種復合的EMD-SVD-BIC的機械振動源信號數量估計方法，如圖6所示，解決卷積混合的機械振動源在觀測數小于振動源數情況下的源數估計問題。周曉峰等[44]提出負熵最大化的機械振源半盲分離技術，將構造的參考源信號與目標源信號均方差作為約束條件，求解約束最優問題，實現機械振源信號的分離。

圖6 基于EMD-SVD-BIC的振源數估計結構圖Fig.6 Chart of vibration source number estimation based on EMD-SVD-BIC

3.3 故障特征提取技術

根據分離出的故障源信號特點，采取適用于非平穩、非線性的信號時頻分析方法，準確提取各類故障特征信息，是提高故障診斷準確率的關鍵問題。

大型旋轉機械故障特征提取的非平穩信號分析方法主要有短時傅里葉變換、小波變換和小波包分析、循環平穩信號分析和經驗模態分解等。Feng等[45]比較系統地總結了主要的時頻分析方法，討論了各種時頻分析方法的原理、特點以及在故障診斷中的應用。Antoni[46]詳細介紹了循環平穩信號分析方法用于機械信號的分析。Sun等[47]對多尺度小波分析的原理和在工程上的應用做了較為詳細的講解，并對該方法應用在故障診斷中存在的問題和發展前景做了論述。Cai等[48]采用調Q小波和稀疏分解方法有效提取出齒輪箱的嚙合頻率成分和沖擊成分。

雷亞國等[49]通過敏感度評估算法從集合經驗模式分解(ensemble empirical mode decomposition,簡稱EEMD)所有的固有模態函數(intrinsic mode function,簡稱IMF)中選擇故障特征的敏感IMF，改進Hilbert-Huang譜，提高了故障診斷的診斷精度。Jiang等[50]將多尺度小波包同EEMD相結合，提取旋轉機械振動信號各窄頻帶中較弱的多故障成分。陳向民等[51-53]針對變速齒輪箱的復合故障特點，分別采用階次解調譜、形態分量分析和階次跟蹤算法有效地提取齒輪與滾動軸承的故障特征。文獻[54]通過分析轉子不對中、裂紋和碰摩故障的振動信號，提出聯合運用雙譜和三階譜分析可以更好地實現轉子系統的故障診斷。

筆者團隊根據超超臨界汽輪機組的典型故障信號特點，研究適用于非平穩、非線性基于經驗模態分解方法的故障時頻特征分析與提取技術。曹沖鋒等[55]針對汽輪機運行狀態復雜多變的信號使用EMD方法容易分解出噪聲分量和虛假分量的問題，提出一種機械振動信號的振動模式提取方法。此外，還通過基于EMD的希爾伯特-黃變換(Hilbert-Huang transform，簡稱HHT)方法，獲取非平穩振動信號的瞬時能量分布特征，用于識別汽輪機發電機組轉子系統的不同運行狀態[56]，如圖7所示。

圖7 基于EMD-HT的旋轉機械振動信號的瞬時能量分布特征的提取流程Fig.7 Feature extracting procedure for the instantaneous energy distribution of vibration signal in rotating machinery based on EMD-HT

Xiong等[57]提出了一種基于譜峭度(spectral kurtosis,簡稱SK)的SK-HHT故障特征提取新方法，能夠根據故障敏感頻率成分及其帶寬構建最優的帶通濾波器組，進而提取更為顯著的碰摩故障振動模式。

實際中的機組往往會同時或者先后聯級發生幾類不同的故障，這些故障的耦合必然會在振動信號等監測信號中疊加，容易造成故障的漏診。在系統故障機理研究的基礎上，尋求新的或者改進已有的故障識別與特征提取方法，實現耦合(復合)故障的特征提取與識別，仍是故障特征提取技術研究的熱點問題之一。

4 狀態監測與故障診斷系統研制

大型旋轉機械狀態監測與故障診斷系統是集成狀態監測與故障診斷領域、信號傳感、數據庫、網絡通訊、計算機信息系統等成果研制的，應用于工程實踐的應用系統。狀態監測與故障診斷系統與理論方法、技術研究同步發展，經歷了單機離線巡檢測試系統、單機在線監測與診斷系統、網絡化遠程診斷系統等階段的發展，在電力、冶金、交通和航空等領域得到廣泛應用。

目前，大型旋轉機械狀態監測與故障診斷代表性的系統有：本特利公司的7200系統、3300系統和3500等產品；西門子公司的SPPA-D3000 PLANT Monitor；Entek公司的MPUSE網絡系統；申克公司的VIBROCOM4000系統；北京英華達公司的800系列、900系列等。多年來，以本特利公司為主的國外主流產品占據了國內狀態監測與故障診斷系統應用市場的大部分市場。近年來，以英華達、華北同科等國內公司及部分研究院所開發的系統憑借較高的技術水平逐漸顯示較強的競爭力。

本特利3500系統是本特利內華達采用傳統框架形式的系統中功能最強、最靈活的系統，可以根據需要監測的參數安裝不同數量和種類的插件。該狀態監測系統適用于多種行業的旋轉或者往復機械，已廣泛應用于國內各大電廠[58]。西門子的SPPA-D3000 PLANT Monitor采用神經網絡算法，對整個熱力系統及輔助設備進行早期預警和故障診斷，2010年引入中國后已經在華能金陵電廠、新疆米東熱電廠等發電機組中獲得應用[59]。此外，菲利普公司的PR3000系統、SKF-DYMAC公司的M6000和M800A、Entek公司的MPUSE網絡系統等也得到了一定的推廣和應用。

國內的一些高校及科研院所，如哈爾濱工業大學、清華大學、西安交通大學、華中科技大學、鄭州大學和浙江大學等在政府和企業的資助下研制了一些狀態監測與故障診斷系統，并在工業生產實際中應用，但未能形成與國外公司產品抗衡的系統。

本課題組在科技部“八六三”項目下，研制了超臨界、超超臨界汽輪機組狀態監測與故障診斷系統，并與國內主機廠配套，廣泛應用于國內外機組，初步形成了主流產品的能力。該系統典型應用架構如圖8所示，系統采用分布式架構體系，通過廠內局域網將現場的各分布式機組群狀態信號檢測系統與數據服務器、現場故障診斷中心及其他瀏覽終端連接在一起實現現場狀態監測和故障診斷，再通過Internet連接到遠程診斷中心及遠程工作站，實現遠程狀態監測與故障診斷。

汽輪發電機組狀態監測(turbine supervisory instrumentation，簡稱TSI)系統采用“堆棧”式模塊化的架構，以ARM主控板為核心通過PC/104總線實現旋轉機械振動信號、熱工參量以及過程保護量等狀態信號采集。應用課題組自主研發的電源雙冗余、帶電熱插拔、板卡自檢、傳感器線路自檢、跳車保護技術，保證了系統的高可靠性。系統創新性地集成了故障分析顯示模塊。除了具備機組各類常規狀態顯示功能外，系統還能夠進行在線和離線快速傅里葉變換分析、進行EMD-HHT時頻分析、通過TCP/IP協議向數據服務器傳輸各類采集信號，并根據預先設定的異常報警機制密集存儲異常數據。超臨界、超超臨界汽輪機組狀態監測系統實物如圖9所示。超臨界汽輪發電機組的軸的主監測界面如圖10所示。軸系仿真圖以及監測的頻譜圖如圖11所示。

圖9 超臨界、超超臨界汽輪機組狀態監測系統Fig.9 The state monitoring system of supercritical and ultra-supercritical turbine generator sets

圖10 主監測界面Fig.10 The main monitoring interface

圖11 監測效果圖Fig.11 Chart of monitoring effects

為了考核系統的功能和可靠性等性能指標，分別利用轉子故障模擬系統、聯網的300 MW的汽輪機組實驗模型和四川東方電氣自動控制工程有限公司的試車車間的仿真試驗臺，對所研制的系統進行反復地實驗驗證，實驗現場如圖12，13所示。

圖12 模擬汽輪發電機組現場實驗Fig.12 The field trial of simulated steam turbine generator sets

圖13 汽輪發電機組故障診斷系統實驗現場Fig.13 The test site of fault diagnosis system for turbine generator sets

研制的超臨界、超超臨界汽輪機組狀態監測與故障診斷系統由于其小型化、低功耗、低成本和高可靠度等的特點，在性能和價格方面與國內外同類產品相比具有優勢，總體技術水平已達到國際先進水平。已在華能靈武熱電廠、國電河北龍山發電公司、內蒙古京隆發電公司、寧夏京能寧東發電公司等數十余家國內大型發電公司的多項工程中應用，取得了良好效果，并與主機廠配套出口印度、越南。

5 結 論

1) 多域耦合、多故障復合、隨機激勵、強非線性等背景下的故障建模與分析，揭示復雜系統的故障機理，是提高故障診斷準確率的重要途徑。

2) 利用數據挖掘、大數據理論、特征提取技術，研究獲取故障完備知識和敏感特征的方法，是解決復雜故障診斷問題的基礎。

3) 研究多域多維故障特征向量與故障集向量的非線性映射關系、解決故障模式的識別，是故障診斷實際應用的關鍵問題。

[1] 廣州日報.淡定機長開過15年轟炸機[EB/OL].http:∥gzdaily.dayoo.com/html/2014-11/15/content-2797891.htm.2014-11-15/2014-11-16.

[2] 國務院.國家中長期科學和技術發展規劃綱要(2006-2020年)[Z].北京，2006.

[3] 國家自然科學基金委員會工程與材料科學部.機械工程學科發展戰略報告(2011-2020)[M].北京：科學出版社，2010:127-128.

[4] Silani M，Ziaei-Rad S，Talebi H. Vibration analysis of rotating systems with open and breathing cracks[J]. Applied Mathematical Modelling，2013，37(24)：9907-9921.

[5] Han Qinkai，Chu Fulei. Parametric instability of a rotor-bearing system with two breathing transverse cracks[J].European Journal of Mechanics-A/Solids，2012，36：180-190.

[6] Han Qinkai，Zhao Jingshan，Lu Wenxiu，et al. Steady-state response of a geared rotor system with slant cracked shaft and time-varying mesh stiffness[J]. Communications in Nonlinear Science and Numerical Simulation，2014，19(4)：1156-1174.

[7] 何成兵，顧煜炯，宋光雄.裂紋轉子彎扭耦合振動非線性特性分析[J].振動與沖擊，2012，31(9)：33-38.

He Chengbing，Gu Yujiong，Song Guangxiong. Nonlinear analysis on coupled flexural and torsional vibrations of cracked rotor[J]. Journal of Vibration and Shock，2012，31(9)：33-38. (in Chinese)

[8] Chouksey M，Dutt J K，Modak S V. Modal analysis of rotor-shaft system under the influence of rotor-shaft material damping and fluid film forces[J]. Mechanism and Machine Theory，2012，48：81-93.

[9] 吳昭同，楊世錫.旋轉機械特征提取與模式分類新方法[M].北京：科學出版社，2011：265-297.

[10]陳予恕.機械故障診斷的非線性動力學原理[J].機械工程學報，2007，43(1)：25-34.

Chen Yushu. Nonlinear dynamical principle of mechanical fault diagnosis[J]. Journal of Mechanical Engineering，2007，43(1)：25-34. (in Chinese)

[11]王炳成，任朝暉，聞邦椿.基于非線性多參數的旋轉機械故障診斷方法[J]. 機械工程學報，2012，48(5)：63-69.

Wang Bingcheng，Ren Chaohui，Wen Bangchun. Fault diagnoses method of rotating machines based on nonlinear multi-parameters[J]. Journal of Mechanical Engineering，2012，48(5)：63-69. (in Chinese)

[12]馬輝，李煥軍，劉楊，等.轉子系統耦合故障研究進展與展望[J].振動與沖擊，2012，31(17)：1-11.

Ma Hui，Li Huanjun，Liu Yang，et al. Review and prospect for research of coupling faults in rotor systems[J]. Journal of Vibration and Shock，2012，31(17)：1-11. (in Chinese)

[13]Gan Chunbiao，Lei Hua. Stochastic dynamical analysis of a kind of vibro-impact system under multiple harmonic and random excitations[J]. Journal of Sound and Vibration，2011，330(10)：2174-2184.

[14]Gan Chunbiao，Lei Hua. A new procedure for exploring chaotic attractors in nonlinear dynamical systems under random excitations[J]. Acta Mechanica Sinica，2011，27(4)：593-601.

[15]Gan Chunbiao，Yang Shixi，Lei Hua. Noisy scattering dynamics in the randomly driven Hénon-Heiles oscillator[J]. Physical Review E，2010，82(6)：1-10.

[16]Gan Chunbiao，Wang Qingyun，Perc M. Torus breakdown and noise-induced dynamics in the randomly driven morse oscillator[J]. Journal of Physics A-Mathematical and Theoretical，2010，43(12)：1-13.

[17]Gan Chunbiao，Wei Yimin，Yang Shixi. Longitudinal wave propagation in a rod with variable cross-section[J]. Journal of Sound and Vibration，2014，333(2)：434-445.

[18]Gan Chunbiao，Wei Yimin，Yang Shixi. Longitudinal wave propagation in a multi-step rod with variable cross-section[J]. Journal of Vibration and Control，2014：1-16.

[19]鐘秉林，黃仁. 機械故障診斷學[M]. 3版. 北京：機械工業出版社，2006：134-256.

[20]楊蘋，陳武.基于自組織模糊神經網絡的汽輪發電機組振動故障診斷系統[J].電力系統自動化，2006，30(14)：66-70.

Yang Ping，Chen Wu. Fault Diagnosing system for turbo-generator unit based on self-organized fuzzy neural network[J]. Automation of Electric Power Systems，2006,30(14)：66-70. (in Chinese)

[21]Jiang Lingli，Liu Yilun，Li Xuejun, et al. Degradation assessment and fault diagnosis for roller bearing based on AR model and fuzzy cluster analysis[J]. Shock and Vibration，2011，18(1-2)：127-137.

[22]Shen Zhongjie，Chen Xuefeng，Zhang Xiaoli，et al. A novel intelligent gear fault diagnosis model based on EMD and multi-class TSVM[J]. Measurement，2012，45(1)：30-40.

[23]de Lautour O R，Omenzetter P. Damage classification and estimation in experimental structures using time series analysis and pattern recognition[J]. Mechanical Systems and Signal Processing，2010，24(5)：1556-1569.

[24]Li Zhong, Han Junjie, Sun Jie, et al. Fault recognition method based on independent component analysis and hidden Markov model[J]. Journal of Vibration and Control，2007，13(2)：125-137.

[25]楊世錫，焦衛東，吳昭同.基于獨立分量分析特征提取的復合神經網絡故障診斷法[J].振動工程學報，2005，17(4)：438-442.

Yang Shixi, Jiao Weidong, Wu Zhaotong. Multi-neural networks for faults diagnosis based on ICA feature extraction[J]. Journal of Vibration Engineering，2005，17(4)：438-442. (in Chinese)

[26]張亮，張鳳鳴.裝備健康管理中的傳感器優化配置問題研究[J].傳感器與微系統，2008，27(7)：18-20.

Zhang Liang，Zhang Fengming. Research on optimal sensor placement in equipment health management[J]. Transducer and Microsystem Technologies，2008，27(7)：18-20.(in Chinese)

[27]Yi Tinghua，Li Hongnan，Zhang Xudong. A modified monkey algorithm for optimal sensor placement in structural health monitoring[J]. Smart Materials and Structures，2012，21(10)：1-9.

[28]劉睿，周軍，李鑫，等.基于DG的航天器部件可診斷性測點配置方法[J].系統工程與電子技術，2014，36(10)：2013-2017.

Liu Rui，Zhou Jun，Li Xin，el al. Design of sensor location based on directed graph of the aircraft components on diagnostic criteria[J]. Systems Engineering and Electronics, 2014,36(10):2013-2017. (in Chinese)

[29]Pourali M，Mosleh A. A functional sensor placement optimization method for power systems health monitoring[J]. Industry Applications，IEEE Transactions on，2013，49(4)：1711-1719.

[30]陳仲生，楊擁民，李聰，等.基于振動傳遞符號有向圖的齒輪箱嵌入式傳感器優化配置模型與算法[J].航空動力學報，2009 (10)：2384-2390.

Chen Zhongsheng，Yang Yongmin, Li Cong，et al. Model and algorithm of optimal embedded sensors placement for gearboxes based on signed directed graph of vibration propagation[J]. Journal of Aerospace Power, 2009 (10)：2384-2390. (in Chinese)

[31]王榮，賈民平，劉桂興.狀態監測振動傳感器優化布置理論及應用[J].東南大學學報：自然科學版，2011，41(1)：77-81.

Wang Rong, Jia Minping, Liu Guixing. Theory and application of sensor placement in condition monitoring[J]. Journal of Southeast University: Natural Science Edition, 2011, 41(1)：77-81. (in Chinese)

[32]Cao Hongrui，Niu Linkai，He Zhengjia. Method for vibration response simulation and sensor placement optimization of a machine tool spindle system with a bearing defect[J]. Sensors，2012，12(7)：8732-8754.

[33]于保華，楊世錫，周曉峰.基于故障-測點互信息的傳感器多目標優化配置[J].浙江大學學報:工學版，2012，46(1)：156-162.

Yu Baohua，Yang Shixi，Zhou Xiaofeng. Optimization of sensor allocation based on fault-measurement point mutual information[J]. Journal of Zhejiang University: Engineering Science, 2012, 46(1): 156-162. (in Chinese)

[34]于保華，楊世錫，周曉峰.一種基于 MFM 的傳感器優化配置方法[J].振動、測試與診斷，2012，32(2)：282-286.

Yu Baohua, Yang Shixi, Zhou Xiaofeng. Optimization method for sensor allocation based on MFM[J]. Journal of Vibration, Measurement & Diagnosis, 2012,32(2):282-286. (in Chinese)

[35]陳敏，胡蔦慶，秦國軍，等.參數調節隨機共振在機械系統早期故障檢測中的應用[J].機械工程學報，2009，45(4)：131-135.

Chen Min, Hu Niaoqing, Qin Guojun, et al. Application of parameter-tuning stochastic resonance for detecting early mechanical faults[J]. Journal of Mechanical Engineering，2009，45(4)：131-135. (in Chinese)

[36]胥永剛，馮明時，馬海龍，等.微弱信號的差分振子檢測方法[J].振動、測試與診斷,2013,33(2):224-230.

Xu Yonggang, Feng Mingshi, Ma Hailong, et al. Method of weak signal detection based on differential oscillator[J]. Journal of Vibration, Measurement & Diagnosis, 2013,33(2):224-230. (in Chinese)

[37]張弦，王宏力.進化小波消噪方法及其在滾動軸承故障診斷中的應用[J].機械工程學報，2010 (15)：76-81.

Zhang Xian, Wang Hongli. Evolutionary wavelet denoising and its application to ball bearing fault diagnosis[J]. Journal of Mechanical Engineering，2010 (15)：76-81. (in Chinese)

[38]Du Xianfeng，Li Zhijun，Bi Fengrong，et al. Source separation of diesel engine vibration based on the empirical mode decomposition and independent component analysis[J]. Chinese Journal of Mechanical Engineering, 2012,25(3)：557-563.

[39]Sun Tsungying，Liu Chancheng，Tsai S J，et al. Blind source separation with dynamic source number using adaptive neural algorithm[J]. Expert Systems with Applications，2009，36(5)：8855-8861.

[40]李志農，劉衛兵，易小兵.基于局域均值分解的機械故障欠定盲源分離方法研究[J].機械工程學報，2011，47(7)：97-102.

Li Zhinong, Liu Weibing, Yi Xiaobing. Underdetermined blind source separation method of machine faults based on local mean decomposition[J]. Journal of Mechanical Engineering, 2011,47(7)：97-102. (in Chinese)

[41]Cheng Wei，Zhang Zhousuo，Lee S，et al. Investigations of denoising source separation technique and its application to source separation and identification of mechanical vibration signals[J]. Journal of Vibration and Control, 2013, 20(14)：2100-2117.

[42]Hou Shumin，Liang Ming，Li Yourong. An optimal global projection denoising algorithm and its application to shaft orbit purification[J]. Structural Health Monitoring, 2011,10(6)：603-606.

[43]葉紅仙，楊世錫，楊將新.基于 EMD-SVD-BIC 的機械振動源數估計方法[J]. 振動、測試與診斷，2010，30(3)：330-334.

Ye Hongxian, Yang Shixi, Yang Jiangxin. Mechanical vibration source number estimation based on EMD-SVD-BIC[J]. Journal of Vibration, Measurement & Diagnosis, 2010, 30(3): 330-334. (in Chinese)

[44]周曉峰，楊世錫.基于負熵最大化的機械振源半盲分離方法[J].浙江大學學報：工學版，2011，45(5)：846-850.

Zhou Xiaofeng，Yang Shixi. Semi-blind sources separation of mechanical vibrations base on maximization of negentropy[J]. Journal of Zhejiang University: Engineering Science, 2011, 45(5)：846-850. (in Chinese)

[45]Feng Zhipeng, Liang Ming, Chu Fulei. Recent advances in time-frequency analysis methods for machinery fault diagnosis: A review with application examples[J]. Mechanical Systems and Signal Processing, 2013，38(1)：165-205.

[46]Antoni J. Cyclostationarity by examples[J]. Mechanical Systems and Signal Processing，2009，23(4)：987-1036.

[47]Sun Hailiang, He Zhengjia, Zi Yanyang, et al. Multiwavelet transform and its applications in mechanical fault diagnosis-a review[J]. Mechanical Systems and Signal Processing，2014，43(1)：1-24.

[48]Cai Gaigai, Chen Xuefeng, He Zhengjia. Sparsity-enabled signal decomposition using tunable Q-factor wavelet transform for fault feature extraction of gearbox[J]. Mechanical Systems and Signal Processing，2013，41(1)：34-53.

[49]雷亞國.基于改進 Hilbert-Huang 變換的機械故障診斷[J]. 機械工程學報，2011，47(5)：71-77.

Lei Yaguo. Machinery fault diagnosis based on improved Hilbert-Huang transform[J]. Journal of Mechanical Engineering, 2011,47(5)：71-77. (in Chinese)

[50]Jiang Hongkai，Li Chengliang，Li Huaxing. An improved EEMD with multiwavelet packet for rotating machinery multi-fault diagnosis[J]. Mechanical Systems and Signal Processing，2013，36(2)：225-239.

[51]陳向民，于德介，李蓉.基于階次解調譜的變速齒輪箱復合故障診斷方法[J].振動工程學報，2013，26(6)：951-959.

Chen Xiangmin，Yu Dejie，Li Rong. A compound faults diagnosis method for variational-speed gearbox based on order tracking demodulation spectrum[J]. Journal of Vibration Engineering，2013，26(6)：951-959. (in Chinese)

[52]陳向民，于德介，李蓉.齒輪箱復合故障振動信號的形態分量分析[J].機械工程學報，2014，50(3)：108-115.

Chen Xiangmin，Yu Dejie，Li Rong. Analysis of gearbox compound fault vibration signal using morphological component analysis[J]. Journal of Mechanical Engineering，2014，50(3)：108-115. (in Chinese)

[53]陳向民，于德介，李蓉.基于形態分量分析與階次跟蹤的齒輪箱復合故障診斷方法[J]. 航空動力學報，2014，29(1)：225-232.

Chen Xiangmin，Yu Dejie，Li Rong. Compound fault diagnosis method for gearbox based on morphological component analysis and order tracking[J]. Journal of Aerospace Power, 2014,29(1)：225-232. (in Chinese)

[54]Yunusa-Kaltungo A，Sinha J. Combined bispectrum and trispectrum for faults diagnosis in rotating machines[J]. Proceedings of the Institution of Mechanical Engineers，Part O：Journal of Risk and Reliability，2014，228(4)：419-428.

[55]曹沖鋒，楊世錫，楊將新. 基于白噪聲統計特性的振動模式提取方法[J]. 機械工程學報，2010 (3)：65-70.

Cao Chongfeng，Yang Shixi，Yang Jiangxin. Vibration mode extraction method based on the characteristics of white noise[J]. Journal of Mechanical Engineering，2010(3)：65-70. (in Chinese)

[56]曹沖鋒，楊世錫，楊將新.一種基于瞬時能量分布特征的汽輪發電機組轉子故障診斷新方法[J]. 振動與沖擊，2009，28(3)：35-39.

Cao Chongfeng，Yang Shixi，Yang Jiangxin. A new fault diagnosis method for a rotor of a steam turbine generator set based on instantaneous energy distribution characteristics[J]. Journal of Vibration and Shock，2009，28(3)：35-39. (in Chinese)

[57]Xiong Xin, Yang Shixi, Gan Chunbiao. A new procedure of extracting fault feature of multi-frequency signal from rotating machinery[J]. Mechanical Systems and Signal Processing, 2012,32:306-319.

[58]肖玲.本特利3500系統在大型機組中的應用[J].自動化應用，2013 (11)：53-54.

Xiao Ling. Application of the Bentley 3500 system in large units[J]. Automation Application，2013 (11)：53-54. (in Chinese)

[59]王源.基于模型的 Plant Monitor 早期預警與故障診斷系統分析[J]. 工業控制計算機，2013 (1)：47-48.

Wang Yuan. Analysis of early warning and fault diagnosis system of model-based plant monitor[J]. Industrial Control Computer，2013 (1)：47-48. (in Chinese)

*國家自然科學基金資助項目(51375434，11172260)；國家高技術研究發展計劃(“八六三”計劃)資助項目(2008AA04Z410)

2014-11-25

10.16450/j.cnki.issn.1004-6801.2015.01.001

TH17

楊世錫，男，1968年1月生，博士、教授、博士生導師，浙江省151人才。主要研究方向為機械振動分析、智能檢測、信號處理、機械故障診斷等。兼任中國振動工程學會理事、全國高校機械工程測試技術研究會常務副理事長、動態測試專業委員會常務副主任委員、中國自動化學會技術過程的故障診斷與安全性專業委員會、中國機械工程學會設備與維修工程學會委員、浙江省振動工程學會理事等學術職務。發表論文150余篇，出版專著1本，參編教材3本，獲國家發明專利10余項，獲省部級科技二等獎1項。 E-mail:yangsx@zju.edu.cn