基于变量预测模型模式识别的旋转机械故障诊断研究

来源:用户上传      作者:

　　【摘 要】随着科学技术的发展，故障诊断技术逐渐成为了保障旋转机械设备安全可靠运行的核心支持技术之一。对旋转机械故障诊断新技术、新方法的研究具有重要的理论和实际意义。旋转机械故障诊断技术的实质是模式识别的问题。模式识别方法的选择与运用对提高故障诊断的精度和稳定性具有十分重要的作用。
　　【关键词】变量预测；旋转机械；故障诊断
　　1引言
　　随着现代化生产规模的不断壮大，机械设备正朝着大型化、复杂化、精密化方向发展，机械设备结构和功能日趋复杂化，同时由于运动零部件不断增多，不同部件之间的相互联系、非线性耦合也愈加紧密，加上这些设备需要连续满负荷运转，工作环境十分恶劣，很容易产生各种故障。关键机电设备一旦故障发生，轻则造成车间停产，维修时间长，维修费用高，重则导致整个企业生产瘫痪，带来巨大的经济损失，甚至在还可能造成机毁人亡的灾难性后果。国内外屡次发生机械设备故障引发的灾难性事故。机械故障诊断技术通过信号采集、特征提取、模式识别和诊断决策等手段，在故障发生的早期及时、准确地发现机械设备运行的异常情况，确定故障部位、故障程度和发展趋势，以便有计划、有针对性地实施维护或维修。国家有关部门非常重视面向关键机电设备安全运行的故障诊断技术的研究。国家科技中长期发展规划将重大产品和关键设备运行的安全性、可靠性和可维护性列为重要的研究方向。机械故障诊断技术成为了保障机电设备可靠、安全运行的核心支持技术之一。
　　2故障机理的研究
　　故障机理研究建立在转子动力学研究的基础之上，旨在研究旋转机械故障产生的物理模型或数学模型，并利用专业软件进行物理模拟或计算机仿真，从而探究故障的发生、演变和发展过程，明确故障的动力学特征，建立故障模式，为故障诊断提供理论依据。美国的Muszynska等对转子碰摩、气流激振以及滑动轴承的油膜涡动等典型故障机理和特征进行了深入的实验和理论研究，这是较早的故障机理研究。数十载以来，国内外许多学者对机械动力学与转子动力学、非线性振动的理论进行了大量的理论研究，发表了大量的学术论文和著作。这些研究成果在故障診断实践中均得到了广泛应用。
　　3特征提取方法的研究
　　目前应用广泛的机械故障诊断方法有振动检测诊断方法、噪声检测诊断方法、温度检测诊断方法、声发射检测诊断方法、铁谱分析诊断方法和金相分析诊断方法。其中，振动检测诊断方法，以机械设备的振动作为信息源，通过振动参数的变化特征来识别机械设备的运行状态。旋转机械在运转过程中由于受力变化、速度波动、冲击等原因，不可避免地存在着振动，其振动信号包含了丰富的运行状态信息。大量的研究表明，可以通过合适的信号分析方法对故障振动信号进行处理来有效地提取旋转机械的故障特征。因此，振动检测诊断方法在旋转机械设备故障诊断领域得到了广泛的应用。
　　旋转机械振动信号的主要特征可以概括为非线性、非平稳、非高斯特性。针对这些特性，众多学者提出了各种各样的特征提取方法。其中，时频分析是应用最广泛故障特征提取手段之一。在机械故障诊断中常用的时频分析方法有：小波分析、经验模态分解（Empirical Mode Decomposition，EMD）、局部均值分解（Local Mean Decomposition，LMD）、总体经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）和线调频小波追踪算法等。
　　大量的研究表明，机械的故障振动信号表现出明显的非高斯、非线性相位耦合特性。高阶统计分析方法是分析非高斯信号的有力工具，能更高阶概率结构表征随机信号，定量地描述非线性相位耦合，弥补了二阶统计量不包含相位信息的缺陷，而且高阶谱有很强的消噪能力，理论上能完全抑制高斯噪声。
　　独立成分分析（Independent Component Analysis，ICA）是基于高阶统计特性的非高斯、非线性、非平稳信号的分析方法，可以实现信号的盲源分离（Blind Source Separation，BBS）。由传感器观测到的由机器自身运行所产生的激励源信号和外来干扰一般属于各自独立的源，而且在机械设备正常状态或者故障状态，各个源激励的振动信号都是一些周期信号、准周期信号或者冲击信号，基本满足非高斯性的要求。因此，在旋转机械故障诊断中，许多学者提出采用ICA方法来实现特征提取。如果将振动信号在重构相空间中重构吸引子，那么重构吸引子反映了原系统的许多动力学特征。基于重构相空间理论的奇异值分解（Singular Value Decomposition，SVD）技术是非参数的时间序列分析方法。该方法能将信号分解为一系列独立成分分量，从而能识别信号振动模式和噪声。因此，SVD技术是非线性时间序列分析的又一种有力工具，非常适合于旋转机械故障诊断。
　　4模式识别方法
　　机械故障诊断实质上是一个模式识别过程，针对某一具体的机械故障诊断问题，选择不同的模式识别方法，其分类精度和准确性可能会有较大的差异，因此，在机械故障诊断中，研究不同的模式识别方法以及如何选择合适的模式识别方法一直是相关学者关注的热点问题。模式识别可以看成是一种机器学习的过程。按照机器学习过程的性质，可以将模式识别方法分成非监督的模式识别方法和有监督的模式识别方法。非监督的模式识别方法又称为聚类分析方法。聚类分析方法在事先不了解一批样本中的每一个样本的类别或者缺乏其他的先验知识的情况下，根据样本的特征，利用某种相似度量的方法，把特征相同或相近的归为一类，实现聚类划分。
　　人工神经网络（Artificial Neural Networks，ANN）由大量高度并联且相互联系的简单神经元构成，通过模拟模仿人脑的思维模式来解决复杂的信息处理功能。ANN具有较强的自组织、自学习能力和非线性模式分类性能，不需要预先给出判别函数即可对复杂的信息进行分类识别。因此，作为一种自适应非线性模式识别方法，ANN可解决机械故障诊断的分类识别问题。ANN自产生以来，获得了不断的发展，并被成功地应用很多的工程实践中。但是，ANN方法缺乏坚实的理论基础，近似于一个黑箱模型，对实际应用中遇到的许多重要设计问题无法做出合理的解释，且其结构和参数的选取也在很大程度上需要依靠经验和技巧来解决。因此，神经网络还有待进一步研究和发展完善，如新算法的研究、新模型的建立等等。
　　结束语
　　总之，机械的故障诊断技术的研究和应用不但能保障企业安全生产，避免巨大的经济损失，降低设备全寿命周期维修费用，而且可以为设备的结构优化设计提供重要依据。机械故障诊断技术的理论和实践研究对于提高企业核心竞争力，有效促进国民经济和现代科学技术的发展具有重大意义。而旋转机械是利用转子的旋转运动来完成主要生产任务的一类机械的总称，是应用最为广泛的机械之一，包括汽轮机、水轮机、风力发电机、压缩机等，通常是电力、航空、冶金、机械制造、交通、化工等国民经济支柱行业的关键设备，在国民经济和现代科学技术的发展中有着十分重要的地位。
　　参考文献：
　　[1]张进，冯志鹏，褚福磊.滚动轴承故障特征的时间—小波能量谱提取方法[J].机械工程学报，2011，47（17）：44-49
　　[2]林京，屈梁生.基于连续小波变换的信号检测技术与故障诊断[J].机械工程学报，2000，36（12）：95-100
　　[3]郑海波，李志远，陈心昭.基于连续小波变换的齿轮故障诊断方法研究[J].机械工程学报，2002，38（3）：69-73
转载注明来源:https://www.xzbu.com/1/view-14738629.htm