旋轉機械故障機理與故障特征提取技術研究

張藝超

（鄭州鐵路職業技術學院，河南 鄭州 450052）

大型旋轉機械是石化等諸多產業發展的主要組成部分，對于相關企業經濟效益的獲取具有一定的決定性作用，同時也會對生產過程中的安全性能產生影響。為了增強旋轉機械故障診斷的準確性，在提高設備運行安全性目的同時盡可能多的降低運行成本，有關企業加大了對旋轉機械故障機理及故障特征提取技術的研發力度。

1 旋轉機械故障機理

1.1 不平衡故障機理

大型旋轉機械運轉過程質量不平等故障出現的頻率較高。受到技術本身等多種因素的限制，再加上材料質量的影響，轉子旋轉過程中的周期性離心力不可避免的會受到影響。機器的振動往往是在軸承動載荷的驅動下產生的，按照振動發生時間等的不同將其分為三種類型。1）原始不平衡。該情況發生的原因主要是轉子運行過程中誤差的出現導致的，當然，裝配過程中出現誤差或材質本身均勻程度也會造成該現象發生。2）漸發性不平衡。相對來說較為簡單，不均勻的積灰通常是導致該現象出現的主要原因。3）突發性不平衡。一旦在運行過程中轉子零件脫落，機械運行的平衡狀態就會受到影響，從而發生突發性不平衡的狀態。此時，機組振幅突然增加，在經過一段時間后，振幅穩定在某一水平線上[1]。

1.2 轉子不對中故障機理

轉子不對中故障通常發生于設備安裝或轉運過程中，其主要表現為聯軸節的三種非標準連接狀態，從而導致機器振動、聯軸節偏轉等問題出現。據統計，某石化公司機械運轉過程中60%以上的機械故障是轉子不對中故障造成的。因此，有關工作人員有必要對轉子不對中故障進行梳理。機械設計過程中，不可避免的會出現對對中考慮不周全的情況，容易導致計算偏差的出現；其次，機械安裝過程中考慮找正誤差及對熱態轉子的不對中量也是十分重要的；再者，機械運行過程中可能會由于操作失誤等原因造成機組保溫狀態不佳或運行負荷超出標準量等；最后，機器基礎及底座沉降不均勻也會對對中產生影響。除此以外，環境溫度發生變化會逐漸使得機器本身發生熱變形[2]。

轉子不對中可分為聯軸器不對中和軸承不對中，軸承不對中本身不會產生振動，它主要影響到油膜性能和阻尼，在轉子不平衡情況下，由于軸承不對中對不平衡力的反作用，會出現工頻振動。軸承不對中實際上反映的是軸承座標高和軸中心位置的偏差。軸承不對中使軸系的載荷重新分配。負荷較大的軸承可能會出現高次諧波振動，負荷較輕的軸承容易失穩，同時還使軸系的臨界轉速發生改變。

2 旋轉機械故障特征提取技術研究

2.1 基于平穩子空間分析的旋轉機械故障特征提取

經濟社會的發展對旋轉機械設備提出的要求較高，因此其復雜程度較高，環境條件本身也存在諸多不確定性。傳感器所采集到的振動信號并不是獨立存在的，出現多個原信號與噪聲成分相交情況的可能性較大。因此，各信號之間能夠發生諸多混合的可能。為了將這種復雜的信號進行分離，操作人員通常在工作中采用盲源分離技術進行操作。該方法的主要應用形式為：首先確定檢測設備并進行信號采集工作，利用盲源分離技術的技術優勢，完成對疊加的源信號的分離，然后提取故障特征相關信息。目前，旋轉機械運行過程中常應用的盲源分離方法為獨立分量分析法。但若要使用傳統的盲源分離方法必須在滿足獨立性假設條件的基礎上進行，并不能充分證明算法的全局收斂性和其穩定性。基于此，采用平穩子空間分析法進行信號分析尤為重要[3]。

就平穩子空間分析法本身而言，其應用原理主要是通過高維信號對平穩源、非平穩源信號進行區分與分離。相較于前文提到的獨立分量分析方法而言，該方法并不受到原信號各分量間獨立性的影響。一般來說，實際故障診斷過程中的傳感器數目相較于信號源數目而言并不占據優勢，這就要求有關工作人員在對單一傳感器的振動信號進行采集時首先要對信號本身進行合理升維。基于此，本文對信號升維方法進行系統研究，同時運用SSA方法對多源故障信號的故障特征進行提取。

奇異值分解的本質是首先對原信號的基本結構或內容等進行分解，之后對已經分離出的分量信號進行適當的疊加。嚴格意義上來說，信號分離出來的過程就是對上述復雜的原信號進行簡單的處理，即將原信號中不必要的部分進行刪減與排查。盡管原信號的結構會隨著信號分離程度的不斷增加變得清晰，但所分離出的信號并不會受此影響發生結構或功能上的改變。由此可見，該技術零相位偏移特性還是十分顯著的。在實際工作過程中，奇異值差分譜理論在奇異值有效個數計算方面的應用較多。通過簡單的計算，有關工作人員能夠對當前分離信號中所存在的有效信息等進行掌握，為信號重構的實現指明方向[4]。

2.2 基于AR模型和總變差去噪的降噪方法

由于旋轉機械設備運行過程中振源較多，工作人員所獲得的旋轉機械設備振動信號中不可避免的摻雜著其他機械設備的部分聲源。在此情形下，故障特征信號檢測及故障特征相關信息的提取就會受到各種污染噪聲的影響，使其準確性大大降低，也為工作人員后續工作內容的開展增加了難度。因此，在對故障特征的相關信息進行提取時應首先對污染噪聲所產生的影響進行思考。近年來，奇異值降噪等多種方法的應用范圍較廣，不同的降噪方法憑借不同的發展優勢獲得了諸多信任與青睞。但僅有基數本身是遠遠不夠的，奇異值降噪相空間的重構需要在已知延遲時間和嵌入維數的基礎上進行。小波降噪方法也是旋轉機械運轉過程中應用的降噪方法之一。除此以外，形態學降噪方法也在旋轉機械運轉過程中有所應用，但形態濾波結構元素長度選擇的問題經過多年的討論與發現依然沒有明確答案。再加上傳統降噪方法本就存有局限性，會受到邊緣特性的約束。因此，降噪過程中的沖擊特征很容易被誤認為污染噪聲[5]。

總變差去噪方法是正則化技術的主要體現與應用方向。在正則化技術主要思想的引導下，重構信號的結構分布更加嚴謹，大大降低了噪聲被污染的程度。結合前文所述，該方法能夠實現對上述內容的補充，不僅在很大程度上彌補了傳統降噪方法存在的邊緣性差的問題，也逐漸應用于圖像恢復等多個領域。將總變差去噪方法與AR模型相結合對故障特征進行提取，首先需要運用AR模型進行預處理。此時，非平穩信號與噪聲信號的殘差部分將能夠得到適當處理，受總變差去噪方法基本原理的影響，殘差信號的噪聲成分大大降低，最后在包絡解調處理作用的支持下完成相關信息的提取。值得注意的是，殘差信號本身包含諸多噪聲成分，且原信號中的非平穩成分依然存在。因此，在正式開始應用AR模型及總變差去噪方法之前，需要對殘差信號進行相應處理。研究表明，AR模型的分析階數與AR模型預測濾波效果之間的銜接是十分緊密的。目前來說，模型最優階次方法選取常用的方法多種多樣，如AIC、最大峭度準則等。峭度指標的高低能夠十分真實的將信號沖擊的特性及其本質反映出來，因此，可選取最大峭度準則進行嘗試[6]。

總的來說，基于AR模型和總變差去噪的故障特征提取方法主要是為了解決低信噪比旋轉機械故障振動信號的特征提取問題。經過系列仿真分析與實踐表明，AR模型的使用能夠在一定程度上對故障振動信號中的可線性預測成分進行剔除，再加上總變差去噪方法的應用，故障特征提取的邊緣特性被優化，時域降噪效果大大增加。

2.3 基于1.5維Teager峭度譜的弱故障特征提取

Teager峭度與信號偏離高斯分布程度之間是具有較大聯系的，一旦掌握了Teager峭度的計算結果，就能夠對其分布程度進行準確推斷。該提取技術的實現與上述內容有所不同，更多的依賴于滑動Teager峭度法。其方法的主要內容為：首先，對Teager峭度計算長度變化程度進行觀察，從而有效地對時間長度進行控制。其次，轉換計算方式，將滑動計算方式作為主要方法，完成對某一滑動窗長度的Teager能量算子的時間序列峭度的計算。

由于1.5維Teager峭度譜主要是依靠三四階和Teager能量算子的演化所得到的，因此，其具備高階累積量與Teager能量算子所擁有的各種兩性特征。該方法在旋轉機械故障方面的應用能夠起到抑制噪聲的基本作用，同時能夠將信號的非高斯性特性反映出來。

旋轉機械原件如滾動軸承等，在發生故障的情況下可將其與幅值調制現象相結合，加強對載波信號幅值與故障信號變化程度的觀察，從而有針對性的對局部非高斯性分布情況進行了解。最終，觀察1.5維Teager峭度譜，并據此對信號偏離高斯分布程度進行描述，完成解調調幅信號。

3 結束語

一直以來，旋轉機械故障診斷都是機械故障診斷領域的難題。在對旋轉機械故障診斷技術進行綜合分析的基礎上，本文對基于1.5維Teager峭度譜的弱故障特征提取等關鍵技術進行了分析。并針對故障診斷過程中存在的信號源豐富、信噪比低等問題進行分析，從一定程度上來說取得了一定的研究成果。盡管如此，旋轉機械故障中依然存在故障振動信號特點不同等問題，上述提取技術中也存在諸多可優化的內容。因此，關于旋轉機械故障特征提取技術問題還需要進一步研究，有關工作人員的工作素養等也需要不斷優化與提升。要想實現旋轉機械故障特征提取技術的可持續發展，需要對其中存在的各種問題進行仔細思考，找到問題解決的根源，從而達到更好的應用效果。