張藝超

（鄭州鐵路職業(yè)技術(shù)學(xué)院，河南 鄭州 450052）

大型旋轉(zhuǎn)機械是石化等諸多產(chǎn)業(yè)發(fā)展的主要組成部分，對于相關(guān)企業(yè)經(jīng)濟效益的獲取具有一定的決定性作用，同時也會對生產(chǎn)過程中的安全性能產(chǎn)生影響。為了增強旋轉(zhuǎn)機械故障診斷的準(zhǔn)確性，在提高設(shè)備運行安全性目的同時盡可能多的降低運行成本，有關(guān)企業(yè)加大了對旋轉(zhuǎn)機械故障機理及故障特征提取技術(shù)的研發(fā)力度。

1 旋轉(zhuǎn)機械故障機理

1.1 不平衡故障機理

大型旋轉(zhuǎn)機械運轉(zhuǎn)過程質(zhì)量不平等故障出現(xiàn)的頻率較高。受到技術(shù)本身等多種因素的限制，再加上材料質(zhì)量的影響，轉(zhuǎn)子旋轉(zhuǎn)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(qū)動下產(chǎn)生的，按照振動發(fā)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(fā)生的原因主要是轉(zhuǎn)子運行過程中誤差的出現(xiàn)導(dǎo)致的，當(dāng)然，裝配過程中出現(xiàn)誤差或材質(zhì)本身均勻程度也會造成該現(xiàn)象發(fā)生。2）漸發(fā)性不平衡。相對來說較為簡單，不均勻的積灰通常是導(dǎo)致該現(xiàn)象出現(xiàn)的主要原因。3）突發(fā)性不平衡。一旦在運行過程中轉(zhuǎn)子零件脫落，機械運行的平衡狀態(tài)就會受到影響，從而發(fā)生突發(fā)性不平衡的狀態(tài)。此時，機組振幅突然增加，在經(jīng)過一段時間后，振幅穩(wěn)定在某一水平線上[1]。

1.2 轉(zhuǎn)子不對中故障機理

轉(zhuǎn)子不對中故障通常發(fā)生于設(shè)備安裝或轉(zhuǎn)運過程中，其主要表現(xiàn)為聯(lián)軸節(jié)的三種非標(biāo)準(zhǔn)連接狀態(tài)，從而導(dǎo)致機器振動、聯(lián)軸節(jié)偏轉(zhuǎn)等問題出現(xiàn)。據(jù)統(tǒng)計，某石化公司機械運轉(zhuǎn)過程中60%以上的機械故障是轉(zhuǎn)子不對中故障造成的。因此，有關(guān)工作人員有必要對轉(zhuǎn)子不對中故障進行梳理。機械設(shè)計過程中，不可避免的會出現(xiàn)對對中考慮不周全的情況，容易導(dǎo)致計算偏差的出現(xiàn)；其次，機械安裝過程中考慮找正誤差及對熱態(tài)轉(zhuǎn)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(tài)不佳或運行負(fù)荷超出標(biāo)準(zhǔn)量等；最后，機器基礎(chǔ)及底座沉降不均勻也會對對中產(chǎn)生影響。除此以外，環(huán)境溫度發(fā)生變化會逐漸使得機器本身發(fā)生熱變形[2]。

轉(zhuǎn)子不對中可分為聯(lián)軸器不對中和軸承不對中，軸承不對中本身不會產(chǎn)生振動，它主要影響到油膜性能和阻尼，在轉(zhuǎn)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(xiàn)工頻振動。軸承不對中實際上反映的是軸承座標(biāo)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(fù)荷較大的軸承可能會出現(xiàn)高次諧波振動，負(fù)荷較輕的軸承容易失穩(wěn)，同時還使軸系的臨界轉(zhuǎn)速發(fā)生改變。

2 旋轉(zhuǎn)機械故障特征提取技術(shù)研究

2.1 基于平穩(wěn)子空間分析的旋轉(zhuǎn)機械故障特征提取

經(jīng)濟社會的發(fā)展對旋轉(zhuǎn)機械設(shè)備提出的要求較高，因此其復(fù)雜程度較高，環(huán)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(xiàn)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(fā)生諸多混合的可能。為了將這種復(fù)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(shù)進行操作。該方法的主要應(yīng)用形式為：首先確定檢測設(shè)備并進行信號采集工作，利用盲源分離技術(shù)的技術(shù)優(yōu)勢，完成對疊加的源信號的分離，然后提取故障特征相關(guān)信息。目前，旋轉(zhuǎn)機械運行過程中常應(yīng)用的盲源分離方法為獨立分量分析法。但若要使用傳統(tǒng)的盲源分離方法必須在滿足獨立性假設(shè)條件的基礎(chǔ)上進行，并不能充分證明算法的全局收斂性和其穩(wěn)定性?；诖?，采用平穩(wěn)子空間分析法進行信號分析尤為重要[3]。

就平穩(wěn)子空間分析法本身而言，其應(yīng)用原理主要是通過高維信號對平穩(wěn)源、非平穩(wěn)源信號進行區(qū)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(shù)目相較于信號源數(shù)目而言并不占據(jù)優(yōu)勢，這就要求有關(guān)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?；诖?，本文對信號升維方法進行系統(tǒng)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(zhì)是首先對原信號的基本結(jié)構(gòu)或內(nèi)容等進行分解，之后對已經(jīng)分離出的分量信號進行適當(dāng)?shù)寞B加。嚴(yán)格意義上來說，信號分離出來的過程就是對上述復(fù)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(jié)構(gòu)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(fā)生結(jié)構(gòu)或功能上的改變。由此可見，該技術(shù)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(shù)計算方面的應(yīng)用較多。通過簡單的計算，有關(guān)工作人員能夠?qū)Ξ?dāng)前分離信號中所存在的有效信息等進行掌握，為信號重構(gòu)的實現(xiàn)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(zhuǎn)機械設(shè)備運行過程中振源較多，工作人員所獲得的旋轉(zhuǎn)機械設(shè)備振動信號中不可避免的摻雜著其他機械設(shè)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(guān)信息的提取就會受到各種污染噪聲的影響，使其準(zhǔn)確性大大降低，也為工作人員后續(xù)工作內(nèi)容的開展增加了難度。因此，在對故障特征的相關(guān)信息進行提取時應(yīng)首先對污染噪聲所產(chǎn)生的影響進行思考。近年來，奇異值降噪等多種方法的應(yīng)用范圍較廣，不同的降噪方法憑借不同的發(fā)展優(yōu)勢獲得了諸多信任與青睞。但僅有基數(shù)本身是遠遠不夠的，奇異值降噪相空間的重構(gòu)需要在已知延遲時間和嵌入維數(shù)的基礎(chǔ)上進行。小波降噪方法也是旋轉(zhuǎn)機械運轉(zhuǎn)過程中應(yīng)用的降噪方法之一。除此以外，形態(tài)學(xué)降噪方法也在旋轉(zhuǎn)機械運轉(zhuǎn)過程中有所應(yīng)用，但形態(tài)濾波結(jié)構(gòu)元素長度選擇的問題經(jīng)過多年的討論與發(fā)現(xiàn)依然沒有明確答案。再加上傳統(tǒng)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(rèn)為污染噪聲[5]。

總變差去噪方法是正則化技術(shù)的主要體現(xiàn)與應(yīng)用方向。在正則化技術(shù)主要思想的引導(dǎo)下，重構(gòu)信號的結(jié)構(gòu)分布更加嚴(yán)謹(jǐn)，大大降低了噪聲被污染的程度。結(jié)合前文所述，該方法能夠?qū)崿F(xiàn)對上述內(nèi)容的補充，不僅在很大程度上彌補了傳統(tǒng)降噪方法存在的邊緣性差的問題，也逐漸應(yīng)用于圖像恢復(fù)等多個領(lǐng)域。將總變差去噪方法與AR模型相結(jié)合對故障特征進行提取，首先需要運用AR模型進行預(yù)處理。此時，非平穩(wěn)信號與噪聲信號的殘差部分將能夠得到適當(dāng)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(luò)解調(diào)處理作用的支持下完成相關(guān)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(wěn)成分依然存在。因此，在正式開始應(yīng)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(yīng)處理。研究表明，AR模型的分析階數(shù)與AR模型預(yù)測濾波效果之間的銜接是十分緊密的。目前來說，模型最優(yōu)階次方法選取常用的方法多種多樣，如AIC、最大峭度準(zhǔn)則等。峭度指標(biāo)的高低能夠十分真實的將信號沖擊的特性及其本質(zhì)反映出來，因此，可選取最大峭度準(zhǔn)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(zhuǎn)機械故障振動信號的特征提取問題。經(jīng)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(yù)測成分進行剔除，再加上總變差去噪方法的應(yīng)用，故障特征提取的邊緣特性被優(yōu)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(lián)系的，一旦掌握了Teager峭度的計算結(jié)果，就能夠?qū)ζ浞植汲潭冗M行準(zhǔn)確推斷。該提取技術(shù)的實現(xiàn)與上述內(nèi)容有所不同，更多的依賴于滑動Teager峭度法。其方法的主要內(nèi)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(zhuǎn)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(zhuǎn)機械故障方面的應(yīng)用能夠起到抑制噪聲的基本作用，同時能夠?qū)⑿盘柕姆歉咚剐蕴匦苑从吵鰜怼?/p>

旋轉(zhuǎn)機械原件如滾動軸承等，在發(fā)生故障的情況下可將其與幅值調(diào)制現(xiàn)象相結(jié)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(jù)此對信號偏離高斯分布程度進行描述，完成解調(diào)調(diào)幅信號。

3 結(jié)束語

一直以來，旋轉(zhuǎn)機械故障診斷都是機械故障診斷領(lǐng)域的難題。在對旋轉(zhuǎn)機械故障診斷技術(shù)進行綜合分析的基礎(chǔ)上，本文對基于1.5維Teager峭度譜的弱故障特征提取等關(guān)鍵技術(shù)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(zhuǎn)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(shù)中也存在諸多可優(yōu)化的內(nèi)容。因此，關(guān)于旋轉(zhuǎn)機械故障特征提取技術(shù)問題還需要進一步研究，有關(guān)工作人員的工作素養(yǎng)等也需要不斷優(yōu)化與提升。要想實現(xiàn)旋轉(zhuǎn)機械故障特征提取技術(shù)的可持續(xù)發(fā)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(yīng)用效果。