旋转机械故障诊断监测方法研究

旋转机械故障诊断监测方法研究

刘树涛

亚太森博（山东）浆纸有限公司 山东省 日照市 276800

摘 要：研究旋转机械的故障诊断与预测技术，对于保障机械设备运行的安全性和稳定性具有十分重要的意义。旋转机械的振动信号具有非稳定性和非线性，同时，在强背景噪声工作环境下，旋转机械的微弱故障特征很容易被噪声淹没，此外，当机械系统出现故障时，往往会产生位置不同的复合故障，故障之间相互耦合，从而给旋转机械故障精确诊断带来了挑战，因此，强噪下微弱、复合故障诊断是当今机械故障诊断领域的难点。本文系统分析了当前旋转故障诊断监测技术方法，为相关的研究工作提供了参考。

关键词：旋转机械；故障诊断；技术方法

一、旋转机械故障诊断的内容

1.1 故障信息监测

该系统采用相应的传感器、数模转换、采集工作站等硬件设备，对旋转机械的物理量、工作参数和性能指标进行监控和量化。其制备过程主要是用一些仪器测试相应的电、热、力、光、声、流量、速度、温度、湿度、噪声等参数。目前，信号采集和监测用传感器，它具有高可靠性的特点，抗干扰能力强，一个常用的传感器是气体传感器、湿度传感器、微波传感器、紫外线传感器、霍尔位置传感器、光电传感器、一个新的先进制造技术的传感器的应用，现代新型功能材料使用，如陀螺、光纤、化学和生物传感器等。

1.2 基于智能算法的故障诊断技术

近年来，人工神经网络技术已逐步应用到各个领域，与其他传统方式信息的表达和处理不同的神经网络，通过自适应非线性动力学系统，模拟生物神经系统，它可以更复杂的模式，过程分类、投机和非线性优化问题的能力，能有一个帮助很大的旋转机械故障诊断。该神经网络系统具有较强的学习能力和适应性，适用于智能故障识别模型的建立。

神经网络可以避免专家系统自学习、知识表示和组合爆炸的缺点。推理过程简单，可用于在线实时故障诊断。将神经网络诊断技术应用于大型旋转机械故障诊断中，取得了良好的研究成果。但在故障诊断领域，人工神经网络的网络结构难以确定，容易出现学习和学习困难的问题。本文采用了基于支持向量机（SVM）的故障诊断技术。支持向量机能保证全局最优解，避免了人工神经网络在故障诊断中的算法缺陷，具有很好的泛化能力。

1.3振动信号降噪技术

大型旋转机械信号非常复杂，频率成分非常丰富，具有典型的非线性特征。用奇异值分解法求出系统能量的n个特征方向。如果K系统的维数小于n，那么n-k特征方向的能量分布为零。考虑到噪声通常每个方向的高维信号分布均不为零，所以K会选择对应的方向上的最大特征值，设为N维空间向量投影到k维子空间，噪声信号的滤波和高维度能量小，奇异值分解过程中的旋转机械振动信号，信号：D矩阵的奇异值分解，奇异值，n-k将奇异值零计算D、降低噪声序列，信号噪声比。奇异值分解只能保留能量的主要特点，如果原始信号中的噪声占了较大的数量，将特征值的衰减是非常温和的，它找不到K的维度，这一特征在特征值远远大于值后，将无法达到良好的降噪效果。采用奇异值分解法降低噪声和平滑背景信号，然后进一步对信号进行去噪，达到较好的去噪效果。首先利用小波变换对信号进行处理，并利用奇异值谱去噪技术对小波域信号进行去噪处理。与奇异值小波去噪相比，小波去噪和奇异值去噪效果更好。

二、频域信号处理技术

2.1频谱分析

基于傅立叶变换的信号频域表示及其能量频域分布揭示了信号在频域的特征，建立了信号时域与频域之间的桥梁，傅立叶频谱分析方法是对信号全局频谱分布的一种描述方法。频谱分析方法是用来描述振幅谱和功率谱，振幅谱表明对应于每个频率的振动振幅和功率谱表示的振动功率的大小和分布。频谱分析是机械故障诊断中最常用的方法，但是，传统的频域分析方法是基于信号的稳定性，只能处理线性信号，并不能表征非线性非稳定性信号在频域的特性，这限制了傅里叶变换在机械微弱故障、复合故障精确诊断领域的进一步发展。

2.2高阶谱分析

随着机械设备故障程度的加剧，振动信号的非线性会越来越强。高阶谱是分析非高斯、非线性、非平稳信号的频域处理工具，具有良好的噪声抑制能力，与功率谱相比，高阶谱反映了机械故障信号的过程统计信息和相位信息，被广泛地应用于机械故障诊断领域。

2.3解调谱分析

解调谱分析又叫包络解调，包络解调方法是常用的调制信号处理方法。当齿轮箱和滚动轴承等旋转机械发生故障时，会有明显的周期性冲击力和振动信号调制，在频谱图上表现为啮合频率两边出现调制边频带。包络解调是从信号中提取调制信息，然后通过低频的故障特征频率判断故障类型和大小。

三、时频联合分析方法

机械设备的振动信号是提取故障特征信息的重要载体。传统的时域分析方法和频域分析方法是基于信号的稳定性，并不能表征所有的信号在时域和频域的特性。传统的信号处理方法不能有效地提取故障信号的有效特征。时频分析方法利用时间和频率的联合函数来对非平稳信号进行分析和处理，可以描述信号的频谱含量的变化规律。时频联合分析的目的是要同时在时间和频率上表示信号的能量，从中提取机械故障信号中所包含的特征信息。

结语：

旋转机械在大中型生产企业及生产中都是核心设备，具有速度快、可持续工作的显著特点，通过对旋转机械故障诊断技术的分析探究的进一步了解和认识，明确了机械故障诊断在人们生产生活中的重要作用，更大更复杂的部分就需要掌握判断旋转机械常出现的各种故障的技能，并在实践过程中善于观察、勤于总结，为机械设备的故障诊断技术的发展提供最可靠、最坚实的基础。

参考文献：

[1] 刘尚坤.基于振动信号处理的旋转机械故障诊断方法研究[D].华北电力大学（北京），2017.

[2] 白瑞.基于声发射的旋转机械故障诊断[D].沈阳工业大学，2017.

[3] 武哲.旋转机械故障诊断与预测方法及其应用研究[D].北京交通大学，2016.