本刊記者 谷 雨

：目前，變轉(zhuǎn)速機(jī)械設(shè)備的動(dòng)態(tài)信號(hào)分析方法主要有哪些？國內(nèi)在變轉(zhuǎn)速設(shè)備的監(jiān)測與診斷領(lǐng)域有哪些突破？

林京：從機(jī)電系統(tǒng)到大型裝備,無論是簡單機(jī)械還是復(fù)雜裝備,變轉(zhuǎn)速的工作狀態(tài)幾乎無處不在, 卻又不盡相同。如機(jī)組的起停車、飛機(jī)的起飛降落，其工作過程要求轉(zhuǎn)速必須經(jīng)歷一個(gè)大幅變化；還有許多設(shè)備，運(yùn)行中的標(biāo)稱轉(zhuǎn)速是勻速，但由于各種因素，轉(zhuǎn)速總有少許波動(dòng)，也屬于變轉(zhuǎn)速。轉(zhuǎn)速變化往往會(huì)使監(jiān)測信號(hào)變得復(fù)雜，給設(shè)備的狀態(tài)監(jiān)測和診斷帶來挑戰(zhàn)，為此，變轉(zhuǎn)速設(shè)備的監(jiān)測診斷近年來開始受到國內(nèi)外學(xué)者的廣泛關(guān)注，成為機(jī)械故障診斷領(lǐng)域關(guān)注的焦點(diǎn)之一。

振動(dòng)分析是設(shè)備監(jiān)測與診斷使用最為廣泛的方法，其中，基于傅里葉變換理論的振動(dòng)監(jiān)測與診斷在恒工況下已相對成熟。轉(zhuǎn)速發(fā)生變化后，由于信號(hào)總是按照等時(shí)間間隔進(jìn)行采樣的，這樣，每個(gè)回轉(zhuǎn)周期內(nèi)的采樣點(diǎn)數(shù)不再相等，直接采用傅里葉變換處理這些信號(hào)所得到的頻譜會(huì)在與轉(zhuǎn)頻相關(guān)的各個(gè)頻率位置處展寬，它們不僅與其他成分發(fā)生交織，甚至彼此相互疊加，使得頻譜異常混亂，加劇了故障特征檢測的難度。

總體上看，針對變轉(zhuǎn)速設(shè)備的監(jiān)測診斷主要從測試技術(shù)和信號(hào)處理兩個(gè)方面開展研究。測試技術(shù)的方法中，最具代表性的就是階次跟蹤技術(shù)。其基本思路就是安裝一個(gè)可提供時(shí)標(biāo)參考的工裝（鍵相、碼盤等），使信號(hào)按照等轉(zhuǎn)角間隔進(jìn)行采樣，這樣，無論轉(zhuǎn)速如何變化，每轉(zhuǎn)一周所對應(yīng)的采樣點(diǎn)數(shù)總是不變的，此時(shí)再對信號(hào)做傅里葉變換就不再受轉(zhuǎn)速的影響，故障信息可以得到較好體現(xiàn)?；谛盘?hào)處理的方法主要通過各種非平穩(wěn)信號(hào)處理方法，對常規(guī)的等時(shí)間間隔采集的信號(hào)進(jìn)行處理，主要有短時(shí)傅里葉變換、小波變換、循環(huán)平穩(wěn)分析等，這些方法通過在時(shí)頻域內(nèi)對信號(hào)進(jìn)行處理，剝離轉(zhuǎn)速在信號(hào)中的影響進(jìn)行剝離，以達(dá)到準(zhǔn)確診斷的目的。

毋庸置疑，階次跟蹤技術(shù)能夠?qū)崿F(xiàn)最大程度去除轉(zhuǎn)速變化的影響，但必須有相應(yīng)工裝。許多情況下，由于成本、安裝空間等限制，無法提供這一條件。事實(shí)上，無參考時(shí)標(biāo)的階次跟蹤技術(shù)已成為變轉(zhuǎn)速設(shè)備監(jiān)測診斷的發(fā)展方向之一，相關(guān)工作最早由法國里昂大學(xué)科研人員于2005年報(bào)道，由于該方法只能容忍1%的轉(zhuǎn)速波動(dòng)，因而未能產(chǎn)生較大影響，但至少邁出了第一步。隨后，英、法、澳、中等國的研究學(xué)者相繼對無時(shí)標(biāo)的階次跟蹤技術(shù)做了進(jìn)一步發(fā)展。近年來，我們課題組提出了一種自適應(yīng)階次跟蹤技術(shù)，能夠適應(yīng)任意轉(zhuǎn)速變化，該項(xiàng)成果已應(yīng)用于高檔數(shù)控機(jī)床傳動(dòng)鏈誤差溯源、列車軸承損傷的監(jiān)測診斷中，取得了滿意的效果。

：故障微弱特征的提取一直是大型機(jī)械設(shè)備故障診斷中的關(guān)鍵難題。針對此問題，目前在理論和應(yīng)用方面都取得了哪些進(jìn)展？未來關(guān)注的重點(diǎn)是什么？

林京：機(jī)械故障的早期診斷對避免重大事故至關(guān)重要，而故障微弱特征的提取往往又與故障的早期診斷密切相關(guān)，因而倍受關(guān)注。低信噪比的信號(hào)檢測與提取本身就是信號(hào)處理領(lǐng)域中的難點(diǎn)，如果故障征兆所對應(yīng)的信號(hào)比較復(fù)雜，則會(huì)進(jìn)一步加劇故障特征提取的難度，所以，機(jī)械故障微弱特征的提取在信號(hào)處理領(lǐng)域是一項(xiàng)挑戰(zhàn)性難題。

有關(guān)機(jī)械故障微弱特征提取的理論和方法較多，近些年，隨著信號(hào)處理理論的發(fā)展，相關(guān)研究不斷深入，其基本思路都是利用故障信號(hào)的某些特性、噪聲的特點(diǎn)，或者信號(hào)與噪聲的關(guān)聯(lián)性等。大體可分為如下幾類：（1）基于消噪的方法。即對信號(hào)進(jìn)行某種變換（小波變換、S變換、自適應(yīng)短時(shí)傅里葉變換等），故障特征成分與其他成分在變換域內(nèi)較好分離，再對故障特征成分進(jìn)行重構(gòu)，小波消噪就是這類方法的典型代表。（2）基于自適應(yīng)分解的方法。即利用故障信號(hào)的特點(diǎn)，建立相應(yīng)的目標(biāo)函數(shù)并構(gòu)造迭代算法，對信號(hào)層層剝離，其中較具代表性的有希爾伯特-黃變換（HHT）、獨(dú)立分量分析（ICA）等。（3）基于非線性模型的方法。如利用混沌算子對初始點(diǎn)敏感的特點(diǎn)，將故障特征與混沌算子的初始點(diǎn)相關(guān)聯(lián)，然后通過觀察混沌信號(hào)的演化結(jié)果來判斷是否發(fā)生故障。最近還有一些學(xué)者致力于研究基于隨機(jī)共振模型的微弱故障檢測方法，其依據(jù)也是利用該算子對特異信號(hào)的敏感性。

隨著裝備的高端化、智能化，機(jī)械裝備的復(fù)雜程度以及對狀態(tài)信息理解程度的要求也在不斷提高，對于一些高端裝備，如航空發(fā)動(dòng)機(jī)，其工作環(huán)境日趨惡劣，燃燒溫度及工作壓力在不斷提高，這些因素都加劇了故障微弱特征提取的難度。因此，機(jī)械故障微弱特征的提取仍然有很長的路要走。

林京：該多故障的診斷也是機(jī)械裝備監(jiān)測診斷的一個(gè)難點(diǎn)，一方面，不同故障所表現(xiàn)出的征兆可能具有相似性，相互疊加后，不易分辨，造成漏檢；另一方面，多故障之間存在關(guān)聯(lián)，同時(shí)發(fā)生后，故障特征相互耦合，不再表現(xiàn)為單個(gè)故障的簡單疊加，此時(shí)的診斷往往更加困難。有效解決這一難題，需要同時(shí)從兩個(gè)方面著手：首先需要明晰故障的產(chǎn)生機(jī)理、演化機(jī)制以及不同故障間的關(guān)聯(lián)規(guī)律，從理論上厘清多故障間的耦合關(guān)系；其次，建立有效的信號(hào)處理方法，能夠從原始的測試信號(hào)中揭示出多故障的特征信息。已有方法大多側(cè)重于后者，即從測試信號(hào)的分析處理來發(fā)掘故障信息，這種方式對故障機(jī)制已十分明了的情況是有效的，但對“疑難雜癥”就顯得力不從心。歸根結(jié)底，故障機(jī)理的研究仍是解決這類復(fù)雜故障診斷的核心制約。由于裝備的復(fù)雜性和多樣性，已有的故障物理模型往往很難全面覆蓋所有裝備，加上服役環(huán)境、工作參數(shù)等方面的變化，需要結(jié)合具體情況來建立復(fù)雜故障的物理模型，然而，這一工作往往具有較大挑戰(zhàn)性。原因主要有以下幾點(diǎn)：（1）設(shè)備的動(dòng)態(tài)特性及參數(shù)無法準(zhǔn)確獲得；（2）設(shè)備的動(dòng)態(tài)特性與機(jī)、電、液等多物理場特性密切相關(guān)，缺乏相關(guān)知識(shí)和模型；（3）缺乏有效的試驗(yàn)驗(yàn)證手段及數(shù)據(jù)。由此可見，對于復(fù)雜故障的診斷，仍需要通過大量的基礎(chǔ)性試驗(yàn)來完善其故障的物理模型，僅依靠現(xiàn)場的測試數(shù)據(jù)往往難以全面覆蓋所需的信息。