基于變量預測模型模式識別的旋轉機械故障診斷研究

李明

【摘 要】隨著科學技術的發展，故障診斷技術逐漸成為了保障旋轉機械設備安全可靠運行的核心支持技術之一。對旋轉機械故障診斷新技術、新方法的研究具有重要的理論和實際意義。旋轉機械故障診斷技術的實質是模式識別的問題。模式識別方法的選擇與運用對提高故障診斷的精度和穩定性具有十分重要的作用。

【關鍵詞】變量預測；旋轉機械；故障診斷

1引言

隨著現代化生產規模的不斷壯大，機械設備正朝著大型化、復雜化、精密化方向發展，機械設備結構和功能日趨復雜化，同時由于運動零部件不斷增多，不同部件之間的相互聯系、非線性耦合也愈加緊密，加上這些設備需要連續滿負荷運轉，工作環境十分惡劣，很容易產生各種故障。關鍵機電設備一旦故障發生，輕則造成車間停產，維修時間長，維修費用高，重則導致整個企業生產癱瘓，帶來巨大的經濟損失，甚至在還可能造成機毀人亡的災難性后果。國內外屢次發生機械設備故障引發的災難性事故。機械故障診斷技術通過信號采集、特征提取、模式識別和診斷決策等手段，在故障發生的早期及時、準確地發現機械設備運行的異常情況，確定故障部位、故障程度和發展趨勢，以便有計劃、有針對性地實施維護或維修。國家有關部門非常重視面向關鍵機電設備安全運行的故障診斷技術的研究。國家科技中長期發展規劃將重大產品和關鍵設備運行的安全性、可靠性和可維護性列為重要的研究方向。機械故障診斷技術成為了保障機電設備可靠、安全運行的核心支持技術之一。

2故障機理的研究

故障機理研究建立在轉子動力學研究的基礎之上，旨在研究旋轉機械故障產生的物理模型或數學模型，并利用專業軟件進行物理模擬或計算機仿真，從而探究故障的發生、演變和發展過程，明確故障的動力學特征，建立故障模式，為故障診斷提供理論依據。美國的Muszynska等對轉子碰摩、氣流激振以及滑動軸承的油膜渦動等典型故障機理和特征進行了深入的實驗和理論研究，這是較早的故障機理研究。數十載以來，國內外許多學者對機械動力學與轉子動力學、非線性振動的理論進行了大量的理論研究，發表了大量的學術論文和著作。這些研究成果在故障診斷實踐中均得到了廣泛應用。

3特征提取方法的研究

目前應用廣泛的機械故障診斷方法有振動檢測診斷方法、噪聲檢測診斷方法、溫度檢測診斷方法、聲發射檢測診斷方法、鐵譜分析診斷方法和金相分析診斷方法。其中，振動檢測診斷方法，以機械設備的振動作為信息源，通過振動參數的變化特征來識別機械設備的運行狀態。旋轉機械在運轉過程中由于受力變化、速度波動、沖擊等原因，不可避免地存在著振動，其振動信號包含了豐富的運行狀態信息。大量的研究表明，可以通過合適的信號分析方法對故障振動信號進行處理來有效地提取旋轉機械的故障特征。因此，振動檢測診斷方法在旋轉機械設備故障診斷領域得到了廣泛的應用。

旋轉機械振動信號的主要特征可以概括為非線性、非平穩、非高斯特性。針對這些特性，眾多學者提出了各種各樣的特征提取方法。其中，時頻分析是應用最廣泛故障特征提取手段之一。在機械故障診斷中常用的時頻分析方法有：小波分析、經驗模態分解（Empirical Mode Decomposition，EMD）、局部均值分解（Local Mean Decomposition，LMD）、總體經驗模態分解（Ensemble Empirical Mode Decomposition，EEMD）和線調頻小波追蹤算法等。

大量的研究表明，機械的故障振動信號表現出明顯的非高斯、非線性相位耦合特性。高階統計分析方法是分析非高斯信號的有力工具，能更高階概率結構表征隨機信號，定量地描述非線性相位耦合，彌補了二階統計量不包含相位信息的缺陷，而且高階譜有很強的消噪能力，理論上能完全抑制高斯噪聲。

獨立成分分析（Independent Component Analysis，ICA）是基于高階統計特性的非高斯、非線性、非平穩信號的分析方法，可以實現信號的盲源分離（Blind Source Separation，BBS）。由傳感器觀測到的由機器自身運行所產生的激勵源信號和外來干擾一般屬于各自獨立的源，而且在機械設備正常狀態或者故障狀態，各個源激勵的振動信號都是一些周期信號、準周期信號或者沖擊信號，基本滿足非高斯性的要求。因此，在旋轉機械故障診斷中，許多學者提出采用ICA方法來實現特征提取。如果將振動信號在重構相空間中重構吸引子，那么重構吸引子反映了原系統的許多動力學特征。基于重構相空間理論的奇異值分解（Singular Value Decomposition，SVD）技術是非參數的時間序列分析方法。該方法能將信號分解為一系列獨立成分分量，從而能識別信號振動模式和噪聲。因此，SVD技術是非線性時間序列分析的又一種有力工具，非常適合于旋轉機械故障診斷。

4模式識別方法

機械故障診斷實質上是一個模式識別過程，針對某一具體的機械故障診斷問題，選擇不同的模式識別方法，其分類精度和準確性可能會有較大的差異，因此，在機械故障診斷中，研究不同的模式識別方法以及如何選擇合適的模式識別方法一直是相關學者關注的熱點問題。模式識別可以看成是一種機器學習的過程。按照機器學習過程的性質，可以將模式識別方法分成非監督的模式識別方法和有監督的模式識別方法。非監督的模式識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樣本的類別或者缺乏其他的先驗知識的情況下，根據樣本的特征，利用某種相似度量的方法，把特征相同或相近的歸為一類，實現聚類劃分。

人工神經網絡（Artificial Neural Networks，ANN）由大量高度并聯且相互聯系的簡單神經元構成，通過模擬模仿人腦的思維模式來解決復雜的信息處理功能。ANN具有較強的自組織、自學習能力和非線性模式分類性能，不需要預先給出判別函數即可對復雜的信息進行分類識別。因此，作為一種自適應非線性模式識別方法，ANN可解決機械故障診斷的分類識別問題。ANN自產生以來，獲得了不斷的發展，并被成功地應用很多的工程實踐中。但是，ANN方法缺乏堅實的理論基礎，近似于一個黑箱模型，對實際應用中遇到的許多重要設計問題無法做出合理的解釋，且其結構和參數的選取也在很大程度上需要依靠經驗和技巧來解決。因此，神經網絡還有待進一步研究和發展完善，如新算法的研究、新模型的建立等等。

結束語

總之，機械的故障診斷技術的研究和應用不但能保障企業安全生產，避免巨大的經濟損失，降低設備全壽命周期維修費用，而且可以為設備的結構優化設計提供重要依據。機械故障診斷技術的理論和實踐研究對于提高企業核心競爭力，有效促進國民經濟和現代科學技術的發展具有重大意義。而旋轉機械是利用轉子的旋轉運動來完成主要生產任務的一類機械的總稱，是應用最為廣泛的機械之一，包括汽輪機、水輪機、風力發電機、壓縮機等，通常是電力、航空、冶金、機械制造、交通、化工等國民經濟支柱行業的關鍵設備，在國民經濟和現代科學技術的發展中有著十分重要的地位。

參考文獻：

[1]張進，馮志鵬，褚福磊.滾動軸承故障特征的時間—小波能量譜提取方法[J].機械工程學報，2011，47（17）：44-49

[2]林京，屈梁生.基于連續小波變換的信號檢測技術與故障診斷[J].機械工程學報，2000，36（12）：95-100

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