侯勁

【摘 要】在現(xiàn)代工業(yè)生產(chǎn)當中，各種機械設備長期運行在高速、高溫、高壓、重載荷等惡劣工況下，其性能不可避免地發(fā)生退化從而導致設備故障。故障一旦發(fā)生，不僅會造成巨大的經(jīng)濟損失，甚至可能導致災難性的人員傷亡和環(huán)境污染事故。而軸承、齒輪等旋轉部件作為機械設備當中的關鍵部件，其運行狀態(tài)影響著整個機械設備的工作狀況。

【關鍵詞】機械系統(tǒng)；旋轉部件；退化跟蹤；故障預測

1引言

隨著科學技術的不斷發(fā)展，我國現(xiàn)代工業(yè)生產(chǎn)水平不斷提高，生產(chǎn)中使用的機械設備越來越朝著大型化、高速化、精密化、系統(tǒng)化和高度自動化方向發(fā)展。對于企業(yè)用戶而言，確保這些機械設備長周期安全可靠運行，保障安全生產(chǎn)，能夠帶來巨大的經(jīng)濟效益和社會效益。然而，由于生產(chǎn)需要，當今國防與國民經(jīng)濟當中使用的各種機械設備長期運行在高速、高溫、高壓、重載荷等惡劣工況下，設備當中的各個關鍵零部件在運行過程中會不可避免地出現(xiàn)疲勞失效，從而引發(fā)整個設備故障。故障一旦發(fā)生，不僅造成巨大的經(jīng)濟損失，甚至會導致災難性的人員傷亡和環(huán)境污染。我國國家中長期規(guī)劃（2006-2020年）和機械工程學科發(fā)展戰(zhàn)略報告（2011-2020年）均將重大設備的運行可靠性、可維護性關鍵技術的研究列為重要研究方向。其中，做為機械設備主要類型之一的旋轉機械設備（關鍵部件包括軸承、齒輪和轉軸等），由于在可持續(xù)能源生產(chǎn)、加工制造等領域中越發(fā)廣泛的應用而成為主要的研究對象。軸承或齒輪等旋轉部件作為旋轉機械當中的關鍵部件，其運行狀態(tài)嚴重影響著整個機械設備的工作狀況。據(jù)相關調查研究發(fā)現(xiàn)，由軸承引起的問題占了整個機器故障的40%以上，在機器的總故障次數(shù)中，齒輪故障約占10.3%左右，而在齒輪箱的失效零件中，齒輪失效占60%左右。因此，對軸承、齒輪等機械旋轉部件進行健康監(jiān)測以及維修策略的研究具有重要意義。

2 旋轉部件特征提取及退化狀態(tài)跟蹤方法

從傳感器測得信號當中濾除噪聲干擾并提取有效的故障特征是機械部件退化狀態(tài)跟蹤的基礎。目前，機械故障特征提取方法主要分為時域方法、頻域方法以及時頻域方法三大類。信號的時域分析是指直接計算信號在時域當中的統(tǒng)計特征，將其用于評估與衡量部件當前的工作狀態(tài)是否存在故障。常用的時域故障特征參數(shù)包括方差、均方根值、峰峰值、偏斜度指標（skewness）.峭度指標（kurtosis）等。其中，峭度指標對于早期故障十分敏感，常被用于機械部件的早期故障識別；均方根值對早期故障不敏感，但是穩(wěn)定性較強，常被用于描述部件退化過程。時域分析方法計算簡單，易于在線監(jiān)測，但易受到噪聲影響，多適用于故障較為嚴重、故障特征較為明顯的信號。頻域分析方法主要以快速傅里葉變換（FFT）為理論基礎，將原信號與三角基函數(shù)進行內積變換從而將時域信號轉換為頻域信號，通過觀察所獲頻譜的各個頻率成分及其分布情況，對故障進行診斷分析。

常用頻域分析方法包括數(shù)字濾波方法、包絡分析以及倒譜分析方法等。然而，傅里葉變換是對信號在整個時間段內的一種平均化的頻率特征表示，它不能反映出信號在局部時間區(qū)域內的頻域特征，因此一般適用于平穩(wěn)信號的分析。針對傅里葉變換對非平穩(wěn)信號特征提取上的不足，時頻域分析方法（time-frequency analysis）應運而生。時頻域分析是將時域信號映射到時間一頻率（尺度）一幅值的三維空間當中，在該空間當中可以反映信號在不同局部時間段上的頻率特征。短時傅里葉變換（STFT）、Wigner-Ville分布、小波變換（WT）、經(jīng)驗模態(tài)分解（EMD）、稀疏信號分解等時頻域分析方法，均被廣泛應用于機械故障信號的特征提取與診斷當中。除此之外，以獨立分量分析（ICA）以及平穩(wěn)子空間分析（SSA）為代表的盲源分離方法也被應用于機械系統(tǒng)信號處理及特征提取當中。盲源分離方法可以在缺乏先驗信息的條件下按照獨立性原則或者平穩(wěn)性原則將原信號線性分解為多個子信號，通過進一步處理與信號特征相關的子信號來達到信號去噪及特征提取的目的。

3旋轉部件故障預測方法

現(xiàn)代生產(chǎn)中機械部件所處工作環(huán)境復雜，對其進行準確動力學分析十分困難，而基于數(shù)據(jù)驅動模型的旋轉部件故障預測方法是直接對實時采集的傳感器數(shù)據(jù)進行特征提取和退化狀態(tài)跟蹤，利用所得退化特征建立模型進行部件故障趨勢及剩余使用壽命的預測。最簡單的數(shù)據(jù)驅動模型是基于自回歸模型和自回歸滑動平均模型的時間序列分析方法，這類方法模型十分簡單，但是預測完全依賴于建模數(shù)據(jù)的趨勢發(fā)展，因此，預測精度往往不高?；谏窠?jīng)網(wǎng)絡的數(shù)據(jù)驅動模型可以通過有效的數(shù)據(jù)訓練構建一個包含輸入層、隱含層以及輸出層的網(wǎng)絡結構，并利用該網(wǎng)絡預測未來時刻數(shù)據(jù)的發(fā)展趨勢，被廣泛應用于機械旋轉部件故障趨勢及剩余壽命預測。常用的神經(jīng)網(wǎng)絡包括遞歸神經(jīng)網(wǎng)絡、小波神經(jīng)網(wǎng)絡以及模糊神經(jīng)網(wǎng)絡等。遞歸神經(jīng)網(wǎng)絡通過增加反饋節(jié)點存儲隱含層過去的輸入輸出信息，提高了網(wǎng)絡訓練的準確性。

基于數(shù)據(jù)驅動模型預測方法的主要優(yōu)點是：不需要對研究對象進行復雜的動力學建模，模型直接通過實測信號建立，方法實現(xiàn)簡單，易于在線監(jiān)測；模型的建立與實時采集的傳感器測量信號直接相關，可以實時調整模型參數(shù)，準確跟蹤信號變化趨勢，因此模型可適用于多種故障類型，方法適用范圍較廣。然而，基于數(shù)據(jù)驅動模型的預測方法本質上是對于直接提取自傳感器信號的特征參數(shù)發(fā)展趨勢的預測，而沒有從理論上將提取的特征參數(shù)的變化與實際旋轉部件的物理損傷變量（如裂紋大?。┑陌l(fā)展趨勢建立聯(lián)系；另外，數(shù)據(jù)驅動模型需要大量數(shù)據(jù)來訓練預測模型以到達較高的預測精度。

4基于多時間尺度建模的機械部件故障預測

由于數(shù)據(jù)驅動模型是直接通過實測信號的非線性特征構建得到，因此數(shù)據(jù)驅動模型描述的是快變時間尺度下獲取的信息，反映的是一個快變時間尺度系統(tǒng)的動態(tài)特征。物理模型可以通過動力學分析描述機械旋轉部件物理狀態(tài)的變化以及實際損傷的演化情況，而這種故障狀態(tài)的演化通常是一個緩慢的過程，可以被描述為一個慢變時間尺度系統(tǒng)，物理模型反映的就是這樣一個慢變時間尺度系統(tǒng)的動態(tài)特征。實際上，一個現(xiàn)實中的機械動態(tài)系統(tǒng)往往可以被看做一個復合系統(tǒng)，由上述的快變時間尺度系統(tǒng)和慢變時間尺度系統(tǒng)相互聯(lián)系禍合而成。對于可以分別描述兩個時間尺度系統(tǒng)的數(shù)據(jù)驅動模型和物理模型而言，數(shù)據(jù)驅動模型的主要缺點是無法從理論上將提取的特征參數(shù)的變化與實際旋轉部件的物理損傷變量的發(fā)展趨勢建立聯(lián)系，而物理模型的主要不足是忽略旋轉部件實際運行時的參量變化，實時動態(tài)調整模型參數(shù)的能力較弱。由此可見，單獨使用數(shù)據(jù)驅動模型或者物理模型只能反映整個動態(tài)系統(tǒng)的一個方面的特征表現(xiàn)，無法全面地描述快變時間尺度系統(tǒng)和慢變時間尺度系統(tǒng)的動態(tài)特征。因此，研究一種能夠將數(shù)據(jù)驅動模型以及物理模型有機結合，實現(xiàn)兩種預測模型優(yōu)勢互補的多時間尺度模型，并進行機械旋轉部件壽命預測的研究具有重要的意義。

結束語

因此，為了確保機械設備安全高效的運行，對于機械設備中關鍵的旋轉部件進行健康監(jiān)測并建立科學的維護策略成為當前工業(yè)界和學術界最為活躍的研究重點。

參考文獻：

[1]王寶祥.基于運動形態(tài)分解與多變量EMD的高速自動機動態(tài)監(jiān)測與故障診斷研究[D].中北大學，2018.

[2]程哲.直升機傳動系統(tǒng)行星輪系損傷建模與故障預測理論及方法研究[D].國防科學技術大學，2011.

[3]張曉飛.直升機傳動系統(tǒng)狀態(tài)增強檢測的隨機共振理論與方法研究[D].國防科學技術大學，2013.