李明

【摘 要】隨著科學(xué)技術(shù)的發(fā)展，故障診斷技術(shù)逐漸成為了保障旋轉(zhuǎn)機(jī)械設(shè)備安全可靠運(yùn)行的核心支持技術(shù)之一。對旋轉(zhuǎn)機(jī)械故障診斷新技術(shù)、新方法的研究具有重要的理論和實(shí)際意義。旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的實(shí)質(zhì)是模式識別的問題。模式識別方法的選擇與運(yùn)用對提高故障診斷的精度和穩(wěn)定性具有十分重要的作用。

【關(guān)鍵詞】變量預(yù)測；旋轉(zhuǎn)機(jī)械；故障診斷

1引言

隨著現(xiàn)代化生產(chǎn)規(guī)模的不斷壯大，機(jī)械設(shè)備正朝著大型化、復(fù)雜化、精密化方向發(fā)展，機(jī)械設(shè)備結(jié)構(gòu)和功能日趨復(fù)雜化，同時(shí)由于運(yùn)動(dòng)零部件不斷增多，不同部件之間的相互聯(lián)系、非線性耦合也愈加緊密，加上這些設(shè)備需要連續(xù)滿負(fù)荷運(yùn)轉(zhuǎn)，工作環(huán)境十分惡劣，很容易產(chǎn)生各種故障。關(guān)鍵機(jī)電設(shè)備一旦故障發(fā)生，輕則造成車間停產(chǎn)，維修時(shí)間長，維修費(fèi)用高，重則導(dǎo)致整個(gè)企業(yè)生產(chǎn)癱瘓，帶來巨大的經(jīng)濟(jì)損失，甚至在還可能造成機(jī)毀人亡的災(zāi)難性后果。國內(nèi)外屢次發(fā)生機(jī)械設(shè)備故障引發(fā)的災(zāi)難性事故。機(jī)械故障診斷技術(shù)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(fā)生的早期及時(shí)、準(zhǔn)確地發(fā)現(xiàn)機(jī)械設(shè)備運(yùn)行的異常情況，確定故障部位、故障程度和發(fā)展趨勢，以便有計(jì)劃、有針對性地實(shí)施維護(hù)或維修。國家有關(guān)部門非常重視面向關(guān)鍵機(jī)電設(shè)備安全運(yùn)行的故障診斷技術(shù)的研究。國家科技中長期發(fā)展規(guī)劃將重大產(chǎn)品和關(guān)鍵設(shè)備運(yùn)行的安全性、可靠性和可維護(hù)性列為重要的研究方向。機(jī)械故障診斷技術(shù)成為了保障機(jī)電設(shè)備可靠、安全運(yùn)行的核心支持技術(shù)之一。

2故障機(jī)理的研究

故障機(jī)理研究建立在轉(zhuǎn)子動(dòng)力學(xué)研究的基礎(chǔ)之上，旨在研究旋轉(zhuǎn)機(jī)械故障產(chǎn)生的物理模型或數(shù)學(xué)模型，并利用專業(yè)軟件進(jìn)行物理模擬或計(jì)算機(jī)仿真，從而探究故障的發(fā)生、演變和發(fā)展過程，明確故障的動(dòng)力學(xué)特征，建立故障模式，為故障診斷提供理論依據(jù)。美國的Muszynska等對轉(zhuǎn)子碰摩、氣流激振以及滑動(dòng)軸承的油膜渦動(dòng)等典型故障機(jī)理和特征進(jìn)行了深入的實(shí)驗(yàn)和理論研究，這是較早的故障機(jī)理研究。數(shù)十載以來，國內(nèi)外許多學(xué)者對機(jī)械動(dòng)力學(xué)與轉(zhuǎn)子動(dòng)力學(xué)、非線性振動(dòng)的理論進(jìn)行了大量的理論研究，發(fā)表了大量的學(xué)術(shù)論文和著作。這些研究成果在故障診斷實(shí)踐中均得到了廣泛應(yīng)用。

3特征提取方法的研究

目前應(yīng)用廣泛的機(jī)械故障診斷方法有振動(dòng)檢測診斷方法、噪聲檢測診斷方法、溫度檢測診斷方法、聲發(fā)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(dòng)檢測診斷方法，以機(jī)械設(shè)備的振動(dòng)作為信息源，通過振動(dòng)參數(shù)的變化特征來識別機(jī)械設(shè)備的運(yùn)行狀態(tài)。旋轉(zhuǎn)機(jī)械在運(yùn)轉(zhuǎn)過程中由于受力變化、速度波動(dòng)、沖擊等原因，不可避免地存在著振動(dòng)，其振動(dòng)信號包含了豐富的運(yùn)行狀態(tài)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(dòng)信號進(jìn)行處理來有效地提取旋轉(zhuǎn)機(jī)械的故障特征。因此，振動(dòng)檢測診斷方法在旋轉(zhuǎn)機(jī)械設(shè)備故障診斷領(lǐng)域得到了廣泛的應(yīng)用。

旋轉(zhuǎn)機(jī)械振動(dòng)信號的主要特征可以概括為非線性、非平穩(wěn)、非高斯特性。針對這些特性，眾多學(xué)者提出了各種各樣的特征提取方法。其中，時(shí)頻分析是應(yīng)用最廣泛故障特征提取手段之一。在機(jī)械故障診斷中常用的時(shí)頻分析方法有：小波分析、經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）、局部均值分解（Local Mean Decomposition，LMD）、總體經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）和線調(diào)頻小波追蹤算法等。

大量的研究表明，機(jī)械的故障振動(dòng)信號表現(xiàn)出明顯的非高斯、非線性相位耦合特性。高階統(tǒng)計(jì)分析方法是分析非高斯信號的有力工具，能更高階概率結(jié)構(gòu)表征隨機(jī)信號，定量地描述非線性相位耦合，彌補(bǔ)了二階統(tǒng)計(jì)量不包含相位信息的缺陷，而且高階譜有很強(qiáng)的消噪能力，理論上能完全抑制高斯噪聲。

獨(dú)立成分分析（Independent Component Analysis，ICA）是基于高階統(tǒng)計(jì)特性的非高斯、非線性、非平穩(wěn)信號的分析方法，可以實(shí)現(xiàn)信號的盲源分離（Blind Source Separation，BBS）。由傳感器觀測到的由機(jī)器自身運(yùn)行所產(chǎn)生的激勵(lì)源信號和外來干擾一般屬于各自獨(dú)立的源，而且在機(jī)械設(shè)備正常狀態(tài)或者故障狀態(tài)，各個(gè)源激勵(lì)的振動(dòng)信號都是一些周期信號、準(zhǔn)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(zhuǎn)機(jī)械故障診斷中，許多學(xué)者提出采用ICA方法來實(shí)現(xiàn)特征提取。如果將振動(dòng)信號在重構(gòu)相空間中重構(gòu)吸引子，那么重構(gòu)吸引子反映了原系統(tǒng)的許多動(dòng)力學(xué)特征?；谥貥?gòu)相空間理論的奇異值分解（Singular Value Decomposition，SVD）技術(shù)是非參數(shù)的時(shí)間序列分析方法。該方法能將信號分解為一系列獨(dú)立成分分量，從而能識別信號振動(dòng)模式和噪聲。因此，SVD技術(shù)是非線性時(shí)間序列分析的又一種有力工具，非常適合于旋轉(zhuǎn)機(jī)械故障診斷。

4模式識別方法

機(jī)械故障診斷實(shí)質(zhì)上是一個(gè)模式識別過程，針對某一具體的機(jī)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(zhǔn)確性可能會有較大的差異，因此，在機(jī)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(guān)學(xué)者關(guān)注的熱點(diǎn)問題。模式識別可以看成是一種機(jī)器學(xué)習(xí)的過程。按照機(jī)器學(xué)習(xí)過程的性質(zhì)，可以將模式識別方法分成非監(jiān)督的模式識別方法和有監(jiān)督的模式識別方法。非監(jiān)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(gè)樣本的類別或者缺乏其他的先驗(yàn)知識的情況下，根據(jù)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(shí)現(xiàn)聚類劃分。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）由大量高度并聯(lián)且相互聯(lián)系的簡單神經(jīng)元構(gòu)成，通過模擬模仿人腦的思維模式來解決復(fù)雜的信息處理功能。ANN具有較強(qiáng)的自組織、自學(xué)習(xí)能力和非線性模式分類性能，不需要預(yù)先給出判別函數(shù)即可對復(fù)雜的信息進(jìn)行分類識別。因此，作為一種自適應(yīng)非線性模式識別方法，ANN可解決機(jī)械故障診斷的分類識別問題。ANN自產(chǎn)生以來，獲得了不斷的發(fā)展，并被成功地應(yīng)用很多的工程實(shí)踐中。但是，ANN方法缺乏堅(jiān)實(shí)的理論基礎(chǔ)，近似于一個(gè)黑箱模型，對實(shí)際應(yīng)用中遇到的許多重要設(shè)計(jì)問題無法做出合理的解釋，且其結(jié)構(gòu)和參數(shù)的選取也在很大程度上需要依靠經(jīng)驗(yàn)和技巧來解決。因此，神經(jīng)網(wǎng)絡(luò)還有待進(jìn)一步研究和發(fā)展完善，如新算法的研究、新模型的建立等等。

結(jié)束語

總之，機(jī)械的故障診斷技術(shù)的研究和應(yīng)用不但能保障企業(yè)安全生產(chǎn)，避免巨大的經(jīng)濟(jì)損失，降低設(shè)備全壽命周期維修費(fèi)用，而且可以為設(shè)備的結(jié)構(gòu)優(yōu)化設(shè)計(jì)提供重要依據(jù)。機(jī)械故障診斷技術(shù)的理論和實(shí)踐研究對于提高企業(yè)核心競爭力，有效促進(jìn)國民經(jīng)濟(jì)和現(xiàn)代科學(xué)技術(shù)的發(fā)展具有重大意義。而旋轉(zhuǎn)機(jī)械是利用轉(zhuǎn)子的旋轉(zhuǎn)運(yùn)動(dòng)來完成主要生產(chǎn)任務(wù)的一類機(jī)械的總稱，是應(yīng)用最為廣泛的機(jī)械之一，包括汽輪機(jī)、水輪機(jī)、風(fēng)力發(fā)電機(jī)、壓縮機(jī)等，通常是電力、航空、冶金、機(jī)械制造、交通、化工等國民經(jīng)濟(jì)支柱行業(yè)的關(guān)鍵設(shè)備，在國民經(jīng)濟(jì)和現(xiàn)代科學(xué)技術(shù)的發(fā)展中有著十分重要的地位。

參考文獻(xiàn)：

[1]張進(jìn)，馮志鵬，褚福磊.滾動(dòng)軸承故障特征的時(shí)間—小波能量譜提取方法[J].機(jī)械工程學(xué)報(bào)，2011，47（17）：44-49

[2]林京，屈梁生.基于連續(xù)小波變換的信號檢測技術(shù)與故障診斷[J].機(jī)械工程學(xué)報(bào)，2000，36（12）：95-100

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