加强机械故障诊断 助力中国制造——访陕西省机械产品质量保障与诊断重点实验室主任林京教授

本刊记者 谷 雨

：目前，变转速机械设备的动态信号分析方法主要有哪些？国内在变转速设备的监测与诊断领域有哪些突破？

林京：从机电系统到大型装备,无论是简单机械还是复杂装备,变转速的工作状态几乎无处不在, 却又不尽相同。如机组的起停车、飞机的起飞降落，其工作过程要求转速必须经历一个大幅变化；还有许多设备，运行中的标称转速是匀速，但由于各种因素，转速总有少许波动，也属于变转速。转速变化往往会使监测信号变得复杂，给设备的状态监测和诊断带来挑战，为此，变转速设备的监测诊断近年来开始受到国内外学者的广泛关注，成为机械故障诊断领域关注的焦点之一。

振动分析是设备监测与诊断使用最为广泛的方法，其中，基于傅里叶变换理论的振动监测与诊断在恒工况下已相对成熟。转速发生变化后，由于信号总是按照等时间间隔进行采样的，这样，每个回转周期内的采样点数不再相等，直接采用傅里叶变换处理这些信号所得到的频谱会在与转频相关的各个频率位置处展宽，它们不仅与其他成分发生交织，甚至彼此相互叠加，使得频谱异常混乱，加剧了故障特征检测的难度。

总体上看，针对变转速设备的监测诊断主要从测试技术和信号处理两个方面开展研究。测试技术的方法中，最具代表性的就是阶次跟踪技术。其基本思路就是安装一个可提供时标参考的工装（键相、码盘等），使信号按照等转角间隔进行采样，这样，无论转速如何变化，每转一周所对应的采样点数总是不变的，此时再对信号做傅里叶变换就不再受转速的影响，故障信息可以得到较好体现。基于信号处理的方法主要通过各种非平稳信号处理方法，对常规的等时间间隔采集的信号进行处理，主要有短时傅里叶变换、小波变换、循环平稳分析等，这些方法通过在时频域内对信号进行处理，剥离转速在信号中的影响进行剥离，以达到准确诊断的目的。

毋庸置疑，阶次跟踪技术能够实现最大程度去除转速变化的影响，但必须有相应工装。许多情况下，由于成本、安装空间等限制，无法提供这一条件。事实上，无参考时标的阶次跟踪技术已成为变转速设备监测诊断的发展方向之一，相关工作最早由法国里昂大学科研人员于2005年报道，由于该方法只能容忍1%的转速波动，因而未能产生较大影响，但至少迈出了第一步。随后，英、法、澳、中等国的研究学者相继对无时标的阶次跟踪技术做了进一步发展。近年来，我们课题组提出了一种自适应阶次跟踪技术，能够适应任意转速变化，该项成果已应用于高档数控机床传动链误差溯源、列车轴承损伤的监测诊断中，取得了满意的效果。

：故障微弱特征的提取一直是大型机械设备故障诊断中的关键难题。针对此问题，目前在理论和应用方面都取得了哪些进展？未来关注的重点是什么？

林京：机械故障的早期诊断对避免重大事故至关重要，而故障微弱特征的提取往往又与故障的早期诊断密切相关，因而倍受关注。低信噪比的信号检测与提取本身就是信号处理领域中的难点，如果故障征兆所对应的信号比较复杂，则会进一步加剧故障特征提取的难度，所以，机械故障微弱特征的提取在信号处理领域是一项挑战性难题。

有关机械故障微弱特征提取的理论和方法较多，近些年，随着信号处理理论的发展，相关研究不断深入，其基本思路都是利用故障信号的某些特性、噪声的特点，或者信号与噪声的关联性等。大体可分为如下几类：（1）基于消噪的方法。即对信号进行某种变换（小波变换、S变换、自适应短时傅里叶变换等），故障特征成分与其他成分在变换域内较好分离，再对故障特征成分进行重构，小波消噪就是这类方法的典型代表。（2）基于自适应分解的方法。即利用故障信号的特点，建立相应的目标函数并构造迭代算法，对信号层层剥离，其中较具代表性的有希尔伯特-黄变换（HHT）、独立分量分析（ICA）等。（3）基于非线性模型的方法。如利用混沌算子对初始点敏感的特点，将故障特征与混沌算子的初始点相关联，然后通过观察混沌信号的演化结果来判断是否发生故障。最近还有一些学者致力于研究基于随机共振模型的微弱故障检测方法，其依据也是利用该算子对特异信号的敏感性。

随着装备的高端化、智能化，机械装备的复杂程度以及对状态信息理解程度的要求也在不断提高，对于一些高端装备，如航空发动机，其工作环境日趋恶劣，燃烧温度及工作压力在不断提高，这些因素都加剧了故障微弱特征提取的难度。因此，机械故障微弱特征的提取仍然有很长的路要走。

林京：该多故障的诊断也是机械装备监测诊断的一个难点，一方面，不同故障所表现出的征兆可能具有相似性，相互叠加后，不易分辨，造成漏检；另一方面，多故障之间存在关联，同时发生后，故障特征相互耦合，不再表现为单个故障的简单叠加，此时的诊断往往更加困难。有效解决这一难题，需要同时从两个方面着手：首先需要明晰故障的产生机理、演化机制以及不同故障间的关联规律，从理论上厘清多故障间的耦合关系；其次，建立有效的信号处理方法，能够从原始的测试信号中揭示出多故障的特征信息。已有方法大多侧重于后者，即从测试信号的分析处理来发掘故障信息，这种方式对故障机制已十分明了的情况是有效的，但对“疑难杂症”就显得力不从心。归根结底，故障机理的研究仍是解决这类复杂故障诊断的核心制约。由于装备的复杂性和多样性，已有的故障物理模型往往很难全面覆盖所有装备，加上服役环境、工作参数等方面的变化，需要结合具体情况来建立复杂故障的物理模型，然而，这一工作往往具有较大挑战性。原因主要有以下几点：（1）设备的动态特性及参数无法准确获得；（2）设备的动态特性与机、电、液等多物理场特性密切相关，缺乏相关知识和模型；（3）缺乏有效的试验验证手段及数据。由此可见，对于复杂故障的诊断，仍需要通过大量的基础性试验来完善其故障的物理模型，仅依靠现场的测试数据往往难以全面覆盖所需的信息。