旋轉機械振動故障機理及診斷方法分析

王吉

摘要：近年來，隨著生產技術的不斷成熟和發展，旋轉機械已成為使用最廣泛的工業機械設備之一，其故障的診斷對于旋轉機械的安全運行至關重要。如果旋轉機械運行過程中發生故障，復雜的內部結構很容易引起機械設備的連鎖反應。因此，研究旋轉機械故障診斷對于分析機械設備缺陷的原因和缺陷狀況以及檢查兩者之間的關聯有著相當重要的意義。本文首先分析了旋轉機械的常見的故障類型及機理，并對目前常用的旋轉機械故障診斷方法進行了詳細的論述，最后敘述了故障診斷專家系統的開發研究現狀。

關鍵詞：旋轉機械;機械振動;故障診斷;診斷方法

0 ?引言

隨著現代工業化進程的快速發展，旋轉機械設備已成為使用最廣泛的工業機械設備之一，人們對其可靠性的要求越來越高。現實生活中，旋轉機械設備多種多樣，如鼓風機、膨脹機、燃氣輪機、離心式壓縮機、發電機、航空發動機等[1]。旋轉機械被用于許多領域如航空、航海、機械、化工、能源、電力等領域。它的安全運行直接與企業的正常生產相關，如果機械設備發生故障，輕則影響企業的正常生產，重則威脅到工人的人身安全，同時也會給社會造成一定的經濟損失。因此，研究旋轉機械設備的故障機理和診斷技術有著至關重要的作用。

1 ?旋轉機械故障類型及其機理分析

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

設轉子的質量為M，偏心質量為m，偏心距為e，如果轉子的質心到兩軸承聯心線的垂直距離不為零，其撓度為a，如圖l所示[4]。

當轉子在轉動時，由于有偏心質量m和偏心距e的存在，轉子將會產生離心力、離心力矩或者兩者同時存在。離心力的大小為F=meω2（ω為旋轉角速度），由于離心力的大小和方向都是周期性變化，每當轉子轉動一周時，離心力的方向就變化一個周期，這種交變的力將會引發機械振動，從而產生機械的不平衡振動。

1.2 轉子不對中 ?旋轉機械運行期間的不對中也是導致旋轉機械設備故障的主要原因。轉子不對中的故障有幾種類型，可分為軸承不對中和聯軸器不對中兩種，如表1所示。

1.3 轉子彎曲 ?旋轉機械機組如果長時間未使用，有時可能會遇到振動過大或者無法啟動的情況，這種情況大多數是由于機組停用后產生了轉子彎曲故障。轉子彎曲是由于各橫截面的幾何中心的連線與旋轉軸線不重合，導致轉子產生偏心質量，從而使轉子產生不平衡振動。轉子彎曲通常分為兩種：永久性彎曲和臨時性彎曲。永久性彎曲是指轉子彎曲后無法恢復到原來的形狀。導致永久性彎曲的原因很多，比如有設計制造缺陷、熱態停機時未及時盤車、機組停放方法不對以及遭遇涼水急冷[5-6]。臨時性彎曲是指轉子彎曲后可恢復到原來的形狀。通常產生臨時性彎曲的原因有預負荷過大、轉子升速過快、開機運行時暖機不充分等[7]。雖然轉子永久性彎曲與臨時性彎曲是不同的故障類型，但它們故障機理是相同的，都會產生與質量偏心類似的旋轉矢量激振力，這點與質量偏心類似。轉子彎曲在軸向上還會產生較大的工頻振動，這是由于軸彎曲使軸兩端產生錐形運動的結果，這與質心偏離有所不同。

1.4 旋轉機械松動 ?旋轉機械松動是旋轉機械最常見的故障之一。由于旋轉機械松動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，極易與不平衡和不對中類故障發生混淆。旋轉機械類松動故障分為兩種情況：基礎類松動故障和轉子支撐部件松動類故障。基礎松動類故障包括由設備底座、基礎平板、混泥土基礎強度剛度不夠，引起基礎設備變形或者開裂，以及地腳螺栓松動等[8-12]。這類松動故障的振動頻譜與不平衡相同，都是工頻（或轉速頻率）占主要優勢。轉子支撐部件松動類故障包括軸承松動、軸承內部間隙過大、固定軸承座的螺栓松動、軸承座裂紋、支撐腳高度不同引起的松動等。因此，機械設備的松動很容易導致設備故障，必須定期的對設備進行充分的診斷工作，以防止機械故障的發生。

2 ?旋轉機械故障的診斷方法研究

在過去，人們對機械故障的診斷主要是依靠工人長期的豐富的經驗去判斷，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，并且有時候存在一定程度上的不準確性。隨著人類社會的進步，以及計算機技術的飛速發展，人們對旋轉機械故障診斷的方法也越來越智能化，常見的旋轉機械故障的診斷的方法有：模式識別法、人工神經網絡、仿生模式識別法等[13-15]。

2.1 基于模式識別的診斷方法的研究 ?在過去的十年中，模式識別技術在機械故障診斷領域的應用已得到廣泛推廣，并且每年都會發布相關的改進方法。如今，模式識別已經成為了檢測機械故障的重要理論基礎之一。模式識別，其實就是利用計算機技術對樣本進行分類的過程，即是確定樣本的類別屬性的過程。一般來說，模式識別的過程，分為以下幾個部分：數據信息的獲取和預處理、特征的提取和選擇、分類判決，其中分類判決包括分類器設計（訓練過程）和分類決策（識別過程），如圖2所示。

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

Jack等[17]提出了一種將支持向量機（SVM）應用于滾動軸承故障檢測的模式識別方法，這種方法可以在有限的訓練數據情況下提高模型的泛化性能，結果得到較理想的效果。張龍等[18]針對旋轉機械電機振動信號普遍存在非平穩性，且機械設備的故障樣本有限等問題，提出一種基于時變參數自回歸模型和支持向量機相結合的旋轉機械故障診斷方法，該文方法能夠有效提取非平穩信號的特征，且能在較少訓練樣本的條件下獲得較好的結果。何學文等[19]提出了一種基于小波分析和支持向量機相結合的旋轉機械故障診斷方法，實驗表明該方法可以獲得更高的旋轉機械故障診斷準確率。李如強等[20]人提出了一種基于粗糙集和模式識別的旋轉機械故障診斷方法，該方法通過實驗驗證證明其有效性。

這些針對機械故障的診斷方法研究表明，將模式識別方法應用于旋轉機械故障診斷比傳統的診斷方法有更高的效率和準確率。當樣本集比較小時，該方法的精度優于神經網絡。由此可見，該方法在旋轉機械故障診斷中有比較廣闊的前景。

2.2 基于人工神經網絡的診斷方法的研究 ?在1940年左右，關于人工神經網絡的原理開始出現。經過長期的發展，已將其引入智能控制系統、神經網絡研究與開發、計算機優化和計算機圖像處理等許多領域，在連續語音識別、圖像識別、數據壓縮和信息處理等領域的實際應用中取得了巨大的成就，是一種新的模式識別和信息處理辦法，前景可觀。將人工神經網絡與新技術結合使用的方式有很多，當前，有許多使用人工神經網絡診斷機械故障的方法[21]。最常用的方法是多層感知器神經網絡、BP神經網絡、自組織Kohonen神經網絡和徑向的功能RBN神經網絡，還有許多網絡集成的其他方式和示例。在使用人工神經網絡解決問題時，需要先對檢查收集的故障信息進行處理，刪除不必要或不加區分的異常信息，然后對有效數據進行規范化。在完成預處理完成后，可以將數據輸入神經網絡，然后進行訓練學習和故障識別等過程。

Nalinaksh等[22]設計了一種人工神經網絡用與轉子軸承系統的故障識別，該神經網絡采用了BP神經網絡算法和多層網絡，經過在未知故障的測試集中驗證，其表現出良好的識別性能，準確率達到90%。S. Rajakarunakaran等[23]介紹了基于人工神經網絡的離心泵系統故障檢測模型的開發，該故障檢測模型采用了兩種不同的人工神經網絡方法，即帶反向傳播算法的前饋網絡和二元自適應諧振網絡（ART1）。并針對離心泵系統中總共七類故障，測試了改進的反向傳播神經網絡和ART1模型的性能，結果表明ART1診斷故障的準確率比帶反向傳播算法的前饋網絡高，準確率接近100%。

作為一種自適應模式識別模式，人工神經網絡能通過自身的學習機制自動形成所要求的學習機制，即人工神經網絡能像人類那樣根據環境不斷修正自己，表現出自適應、自組織和自學習的能力。基于神經網絡的智能診斷技術不僅可以用于機械缺陷的診斷，而且在其他領域也正在迅速發展。但是，這種方法也有缺點，例如需要比較大的樣本集，樣本訓練困難，對研究人員經驗和調參技巧的要求很高等。

2.3 基于仿生模式識別的診斷方法的研究 ?“仿生模式識別”這一概念[24]是由王守覺院士提出來的，他認為傳統的模式識別存在一定的缺陷，如傳統的模式識別對未經過訓練的對象會產生誤識，且它著重于對事物類別進行劃分，而仿生模式識別卻不會對未經過訓練的對象產生誤識，它著重于對事物一類一類的進行認識。

許多研究人員在仿生模式識別這一概念提出后對其進行了廣泛的研究，并將其應用于人臉識別、圖像識別、語音識別等領域，取得了很多優良的效果。但是目前仿生模式識別在機械故障診斷領域的研究文獻比較少。郭玉[26]將仿生模式識別算法應用于旋轉機械故障診斷中，并將診斷過程和結果與傳統人工神經網絡（BP神經網絡和RBF神經網絡）進行對比分析，結果表明仿生模式識別在旋轉機械故障診斷中是一種可行并且高效的診斷方法。

仿生模式識別法是一種全新的模式識別方法，它是從人們認識事物的角度出發來解決問題的。雖然目前仿生模式識別法在機械故障診斷領域的研究文獻非常少，但是也給我們提供了一種解決問題的全新思路。

3 ?故障診斷專家系統的開發研究

故障診斷專家系統，它是AI（Artificial Intelligence）一個重要分支，是多學科交叉融合的結果，是基于故障診斷領域專家的知識、經驗、推理開發的計算機程序。

美國、日本、丹麥、德國、瑞士等國的研究人員對旋轉機械故障診斷技術進行了研究，開發了各種監視旋轉機械故障的系統，并取得了優異的成績。1967年，為了響應海洋和航空科學的發展需求，美國成立了預防故障和機械狀況的科學研究所，并研究了診斷故障的方法，并且已經解決了用于監視和故障的各種阻礙。而我國對故障監測和診斷系統的開發研究比較晚，始于80年代左右。在那時由于研究人員缺乏實際的故障診斷經驗，這使得開發的系統與實際的情況差別很大，遠遠沒有達到預期的效果。

由于機械故障診斷是一項涉及眾多機械及多門學科的綜合技術，它最適合用專家系統來解決機械故障問題，所以對專家系統開發是故障診斷技術發展的必然趨勢。當前，專家系統已經應用在眾多領域如航空航天、航海、醫療衛生、機械、化工、電子設備，并且取得了極大的經濟效益，獲得了許多新進展。

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，該系統是可以用來診斷旋轉機械的不規則振動故障，經過試驗表明該系統在故障診斷方面表現出良好的性能和魯棒性。Cen Nan等[29]提出了一種基于知識的專家系統的實時故障診斷方法，經過驗證該方法是有效的。李曉琴[30]應用C++ Builder及Access數據庫開發設計旋轉機械振動診斷專家系統，系統通過對轉子、軸承、齒輪四個診斷實例驗證，說明了該專家系統設計合理、科學，診斷界面友好，診斷知識豐富，維護管理方便，能夠準確快速地診斷部件的常見故障。

4 ?結語

針對旋轉機械設備故障的頻繁發生，為保證機械設備正常安全的運行，節約企業的成本，旋轉機械故障診斷新方法和新理論的研究與應用已成為近年來最熱門且最困難的研究熱點。本文詳細分析了旋轉機械振動故障機理及診斷技術：①通常情況下，旋轉機械故障類型有：轉子不平衡、轉子不對中、轉子彎曲和旋轉機械松動四種，可以根據不同故障類型采取相應的措施維修設備;②隨著機械故障診斷技術的進步，目前旋轉機械故障診斷方法有：模式識別法、人工神經網絡、仿生模式識別法等;③隨著計算機技術的發展和人工智能技術提高，許多研究人員都致力于故障診斷專家系統的研發，這極大提高了故障診斷效率，保證了工人的人生安全，同時也為企業節約了大量的經濟成本。

參考文獻：

[1]胡志湘，梅通友.狀態監測技術在旋轉設備故障診斷中的應用[J].設備管理與維修，2012（04）：48-51.

[2]李琦.振動監測及故障診斷技術在拋丸機組維護中的應用[J].冶金設備，2017（2）：199-205.

[3]胥佳瑞，崔彥亭，鄧愛祥，吳韜.旋轉機械振動管理專家系統應用[J].機電信息，2019（33）：41-42.

[4]潘高峰.空分裝置H100型空壓機振動分析及處理[J].風機技術，2011（01）：72-74.

[5]楊國安.旋轉機械故障診斷實用技術[M].北京：中國石化出版社，2012：26-52.

[6]何洋洋.旋轉機械振動故障診斷研究[D].華北電力大學（北京），2019.

[7]趙西松.OG#風機有限元分析及現場動平衡研究[D].東北大學，2008.

[8]費冠華，李瑞洋，寧曉霞.旋轉機械設備故障診斷技術分析[J].科技風，2019（05）：178.

[9]黨建.大型旋轉機械振動信號分析與早期故障辨識方法研究[D].西安理工大學，2018.

[10]阮躍，潘勇，徐世昌.旋轉機械振動監測和故障診斷的智能化[J].設備管理與維修，2018（10）：175-176.

[11]黃現云.旋轉機械振動信號處理及故障診斷方法研究[D].南京信息工程大學，2018.

[12]范佳卿，肖伯樂，高升，張強.一種實時在線診斷旋轉機械振動故障的方法[J].動力工程學報，2018，38（02）：120-126.

[13]劉曉波.旋轉機械故障診斷若干關鍵技術研究及應用[M].北京：機械工業出版社，2012：1-6.

[14]高金吉.機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.旋轉機械的智能診斷方法研究[M].成都：電子科技大學出版社，2017：1-10.

[16]曹玲玲.貝葉斯分類方法的對比研究與改進算法[D].西北大學，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.基于時變自回歸模型與支持向量機的旋轉機械故障診斷方法[J].中國電機工程學報，2007，27（9）：99-103.

[19]何學文，孫林，付靜.基于小波分析和支持向量機的旋轉機械故障診斷方法[J].中國工程機械學報，2008，5（1）：86-90.

[20]李如強，陳進，伍星.一種基于粗糙集和模式識別的旋轉機械故障診斷方法[J].機械科學與技術，2004，23（11）：1308-1312.

[21]湯健，田福慶，佘博，吳志偉，梁偉閣.基于機械振動的旋轉供彈機構故障診斷綜述[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.仿生模式識別（拓撲模式識別）—— 一種模式識別新模型的理論與應用[J].電子學報，2002，30（10）：1417-1420.

[25]陸飛.仿生模式識別的幾何學習算法理論的研究[D].浙江：浙江工業大學，2006.

[26]劉煥云，王軍寧，何迪.仿生模式識別目標自適應跟蹤算法[J].西安電子科技大學學報，2013，40（8）：142-148.

[27]王守覺，曲延鋒，李衛軍，覃鴻.多權值神經元網絡仿生模式識別方法在低訓練樣本數量非特定人語音識別中與HMM及DTW的比較研究[J].電子學報，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，Faisal 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.旋轉機械振動診斷專家系統的研究[D].華北電力大學（北京），2011.