李明

【摘 要】旋轉(zhuǎn)機械作為現(xiàn)代化工業(yè)生產(chǎn)中必不可少的工程設備，被廣泛應用于化工、石油、冶金、電力等關系國計民生的重要領域。一旦旋轉(zhuǎn)機械設備發(fā)生故障輕則致使整個系統(tǒng)癱瘓造成巨大經(jīng)濟損失，重則產(chǎn)生人員傷亡。研究表明旋轉(zhuǎn)機械早期故障階段具有較長的潛伏期，如果能在旋轉(zhuǎn)機械設備故障萌芽即將出現(xiàn)、剛剛出現(xiàn)或故障程度比較輕微時，準確地預測故障可能發(fā)生的時間、部位以及故障類別，并據(jù)此指導旋轉(zhuǎn)機械設備的保養(yǎng)和維修工作，將有利于對旋轉(zhuǎn)機械設備故障發(fā)展進行有效控制，并保障其安全可靠地運行。

【關鍵詞】變分模態(tài)分解；旋轉(zhuǎn)機械；故障診斷

引言

旋轉(zhuǎn)機械作為現(xiàn)代化工業(yè)生產(chǎn)中必不可少的工程設備，被廣泛應用于化工、石油、冶金、電力等關系國計民生的重要領域。隨著設備高精度、高轉(zhuǎn)速、大承載的要求，旋轉(zhuǎn)機械設備大多具有結(jié)構(gòu)復雜化、體積大型化等特點。而且在實際運行中，旋轉(zhuǎn)機械大多數(shù)時間都處于高速、高載、大溫差等復雜環(huán)境狀態(tài)下，其故障發(fā)生頻率遠高于其它設備。旋轉(zhuǎn)機械又大多為設備關鍵部件，一旦發(fā)生故障輕則致使整個系統(tǒng)癱瘓并造成巨大經(jīng)濟損失，重則產(chǎn)生人員傷亡。近年來，國內(nèi)外發(fā)生了多起由旋轉(zhuǎn)設備故障引起的惡性事故，給國家經(jīng)濟帶來巨大損失并嚴重影響人們生產(chǎn)生活。大部分旋轉(zhuǎn)機械設備結(jié)構(gòu)復雜，不宜將機組拆開逐一檢查，且故障發(fā)生往往是多種因素共同作用的結(jié)果，這些因素都增加了故障檢測和診斷的難度。事后維修和定期維修，對于簡單旋轉(zhuǎn)機械設備具有一定的效果，但事后維修對于事故不具有規(guī)避性；而定期維修受隨機因素的影響易產(chǎn)生維修不足，設備易在預定維修前發(fā)生故障產(chǎn)生維修不足或容易在設備尚能正常工作時，提前維修造成過剩維修。

1基于模式識別的旋轉(zhuǎn)機械早期故障診斷現(xiàn)狀

機械故障診斷技術(shù)發(fā)展至今主要經(jīng)歷了三個階段：基于維修人員的經(jīng)驗的推理決策來對機械設備故障排除和維修、基于現(xiàn)代信號處理的故障診斷、機械設備智能故障診斷。第一階段主要依靠維修人員聽覺、視覺以及經(jīng)驗進行，對維修人員的專業(yè)素養(yǎng)要求低，只要會操作簡單的儀表就可勝任；第二階段依托現(xiàn)代傳感器技術(shù)、動態(tài)測試技術(shù)以及現(xiàn)代信號分析技術(shù)等，來對機械設備的結(jié)構(gòu)和故障機理進行深入的研究，這也是目前故障診斷中應用最廣泛的故障診斷方法，這一階段對維修人員的專業(yè)素養(yǎng)要求較高；而第三階段對旋轉(zhuǎn)機械的運行狀態(tài)進行高精度、自動化的識別是旋轉(zhuǎn)機械故障診斷和狀態(tài)監(jiān)測追求的目標。

傳統(tǒng)模式識別方法通過對比未知狀態(tài)與已知狀態(tài)之間的差異來確定故障，無法適應旋轉(zhuǎn)機械早期小子樣故障過程的不規(guī)則性以及漸變性。利用MSVM小子樣條件下旋轉(zhuǎn)機械早期故障具有其獨特的優(yōu)勢，然而MSVM構(gòu)造種類具有多樣性，不同的核函數(shù)構(gòu)造方法、不同參數(shù)選擇并非都會帶來最佳的模式識別效果，因此在旋轉(zhuǎn)機械早期小子樣故障MSVM辨識過程中，在核函數(shù)構(gòu)造、參數(shù)優(yōu)化選取等方面仍需進一步研究。

2旋轉(zhuǎn)機械早期故障診斷存在的難點

旋轉(zhuǎn)機械振動信號是其設備運行狀態(tài)以及故障信息的載體，對旋轉(zhuǎn)機械的運行狀態(tài)進行長期有效的監(jiān)測，并對狀態(tài)信息進行準確、可靠、有效地管理并加以利用，就能實現(xiàn)對旋轉(zhuǎn)機械早期故障診斷，提高旋轉(zhuǎn)機械運行的可靠性以及經(jīng)濟效益。然而，旋轉(zhuǎn)機械早期振動信號具有非線性噪聲強、故障特征微弱耦合非線性、故障信號非平穩(wěn)、故障信息不完備、故障樣本十分稀缺等特點，傳統(tǒng)的旋轉(zhuǎn)機械故障診斷方法難以解決旋轉(zhuǎn)機械早期故障診斷中的關鍵科學難題。真正要實現(xiàn)旋轉(zhuǎn)機械早期故障診斷，還需要解決以下關鍵問題：

2.1非線性強噪音下旋轉(zhuǎn)機械微弱振動信號增強的問題

旋轉(zhuǎn)機械故障發(fā)生時，裝備本身及各零部件的振動信號十分復雜，各種故障因素相互耦合使得早期振動信號具有噪聲大、強非線性等特點，導致故障沖擊信號幅值小、故障信息微弱，常規(guī)方法難以有效獲取旋轉(zhuǎn)機械早期故障信息。

2.2旋轉(zhuǎn)機械故障信號非線性、非平穩(wěn)特征提取難的問題

旋轉(zhuǎn)機械早期振動信號中蘊含有其運轉(zhuǎn)狀況的重要信息，可通過特征提取來進行故障識別。然而，旋轉(zhuǎn)機械早期大多是復雜機電綜合控制系統(tǒng)，具有結(jié)構(gòu)復雜、運行工況不穩(wěn)定、存在多部件耦合振動、振動干擾大等特點，使得采集到的振動信號具有強烈非平穩(wěn)、非線性等特點，致使故障征兆不明顯，故障特征十分微弱難以提取。因此，需要解決旋轉(zhuǎn)機械早期故障信號非線性、非平穩(wěn)特征提取難的問題。

2.3小子樣條件下旋轉(zhuǎn)機械故障診斷的問題

相比典型的旋轉(zhuǎn)機械故障診斷，旋轉(zhuǎn)機械早期故障樣本獲取更加困難，致使其故障樣本十分稀缺，此外，旋轉(zhuǎn)機械運行工況多變、機械結(jié)構(gòu)復雜，直接導致旋轉(zhuǎn)機械狀態(tài)特征表征不明確，故障特征值和故障的類別無明確的映射關系。現(xiàn)有診斷方法識別精度過多依賴于對模型參數(shù)的選取，自適應學習能力較弱，因此，需要研究參數(shù)優(yōu)化故障診斷模型來實現(xiàn)小子樣條件下的旋轉(zhuǎn)機械早期故障診斷。

3旋轉(zhuǎn)機械故障增強方法

傳感器測得的振動信號往往是旋轉(zhuǎn)機械內(nèi)部零部件振動信號經(jīng)過不同的傳遞路徑到達表面后，由不同信號源產(chǎn)生并疊加在一起的混合信號，信號之間相互干擾和相互耦合；此外，與蘊含故障信息的振動信號常被機械自身結(jié)構(gòu)振動以及干擾噪聲所污染，使得故障信號大多十分微弱，直接利用傳感器測得信號進行故障診斷難以保證故障識別能力。因而在實際應用中，對旋轉(zhuǎn)機械微弱故障信號進行增強就顯得尤為重要。

由于旋轉(zhuǎn)機械故障產(chǎn)生的振動特征信號出現(xiàn)的時間和強度大小事先無法預估，常規(guī)的方法難以反映微弱故障增強方法的性能。共振解調(diào)作為精確診斷的有效手段之一，常被用于旋轉(zhuǎn)機械微弱故障增強中。共振解調(diào)通過對低頻沖擊所激起的高頻共振波進行包絡檢波和低通濾波，把機械故障信息從高頻調(diào)制信號中解調(diào)出來，然后再判定故障的量值和類型。旋轉(zhuǎn)機械設備正常工作時，其振動幅值呈高斯分布且峭度約為 3，而當旋轉(zhuǎn)機械出現(xiàn)故障，振動信號中有沖擊成分時，其信號的幅值分布就會出現(xiàn)偏離正態(tài)分布，且峭度值也隨之增大。峭度值反映了信號偏離高斯分布程度的指標，對故障信號中的沖擊成分特別敏感，因而峭度值常被用來評價微弱故障增強性能的指標。以峭度值作為評價指標，提出增強型濾波算法從復雜的背景噪聲中分離其噪聲信號，增強微弱故障沖擊信號成分；峭度對沖擊信號敏感，然而當早期故障微弱時，峭度指標易受噪聲干擾而難以無法反映故障信號中沖擊特性。

變分模態(tài)分解作為一種新的自適應分解方法，其理論尚沒有完善，需要對其性能進行分析研究；變分模態(tài)分解在旋轉(zhuǎn)機械早期故障診斷領域尚屬起步階段，需要充分挖掘其在早期故障診斷領域的潛力。多尺度樣本熵從不同時間尺度上對時間系列的復雜度進行度量，具有較少依賴于時間序列長度、抗噪聲以及抗干擾的能力較強等優(yōu)點，不同頻帶下多尺度樣本熵的差異信息可以反映不同運行狀態(tài)下特征及其演化過程，具備旋轉(zhuǎn)機械早期故障多頻帶特征集構(gòu)建的潛力。

結(jié)束語

因此，變分模態(tài)分解作為一種自適應信號處理新方法，在旋轉(zhuǎn)機械早期故障診斷中的應用尚處于起步階段，還需對其理論部分研究做進一步完善。

參考文獻：

[1]劉金朝，丁夏完，王成國.自適應共振解調(diào)法及其在滾動軸承故障診斷中的應用[J].振動與沖擊，2007，26（1）：38-41.

[2]周智，朱永生，張優(yōu)云，朱川峰，王鵬.基于EEMD和共振解調(diào)的滾動軸承自適應故障診斷[J].振動與沖擊，2013，32（2）：76-80.

[3]胡愛軍，馬萬里，唐貴基.基于集成經(jīng)驗模態(tài)分解和峭度準則的滾動軸承故障特征提取方法[J].中國電機工程學報，2012，32（11）：106-111.