基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究

李明

【摘 要】旋转机械作为现代化工业生产中必不可少的工程设备，被广泛应用于化工、石油、冶金、电力等关系国计民生的重要领域。一旦旋转机械设备发生故障轻则致使整个系统瘫痪造成巨大经济损失，重则产生人员伤亡。研究表明旋转机械早期故障阶段具有较长的潜伏期，如果能在旋转机械设备故障萌芽即将出现、刚刚出现或故障程度比较轻微时，准确地预测故障可能发生的时间、部位以及故障类别，并据此指导旋转机械设备的保养和维修工作，将有利于对旋转机械设备故障发展进行有效控制，并保障其安全可靠地运行。

【关键词】变分模态分解；旋转机械；故障诊断

引言

旋转机械作为现代化工业生产中必不可少的工程设备，被广泛应用于化工、石油、冶金、电力等关系国计民生的重要领域。随着设备高精度、高转速、大承载的要求，旋转机械设备大多具有结构复杂化、体积大型化等特点。而且在实际运行中，旋转机械大多数时间都处于高速、高载、大温差等复杂环境状态下，其故障发生频率远高于其它设备。旋转机械又大多为设备關键部件，一旦发生故障轻则致使整个系统瘫痪并造成巨大经济损失，重则产生人员伤亡。近年来，国内外发生了多起由旋转设备故障引起的恶性事故，给国家经济带来巨大损失并严重影响人们生产生活。大部分旋转机械设备结构复杂，不宜将机组拆开逐一检查，且故障发生往往是多种因素共同作用的结果，这些因素都增加了故障检测和诊断的难度。事后维修和定期维修，对于简单旋转机械设备具有一定的效果，但事后维修对于事故不具有规避性；而定期维修受随机因素的影响易产生维修不足，设备易在预定维修前发生故障产生维修不足或容易在设备尚能正常工作时，提前维修造成过剩维修。

1基于模式识别的旋转机械早期故障诊断现状

机械故障诊断技术发展至今主要经历了三个阶段：基于维修人员的经验的推理决策来对机械设备故障排除和维修、基于现代信号处理的故障诊断、机械设备智能故障诊断。第一阶段主要依靠维修人员听觉、视觉以及经验进行，对维修人员的专业素养要求低，只要会操作简单的仪表就可胜任；第二阶段依托现代传感器技术、动态测试技术以及现代信号分析技术等，来对机械设备的结构和故障机理进行深入的研究，这也是目前故障诊断中应用最广泛的故障诊断方法，这一阶段对维修人员的专业素养要求较高；而第三阶段对旋转机械的运行状态进行高精度、自动化的识别是旋转机械故障诊断和状态监测追求的目标。

传统模式识别方法通过对比未知状态与已知状态之间的差异来确定故障，无法适应旋转机械早期小子样故障过程的不规则性以及渐变性。利用MSVM小子样条件下旋转机械早期故障具有其独特的优势，然而MSVM构造种类具有多样性，不同的核函数构造方法、不同参数选择并非都会带来最佳的模式识别效果，因此在旋转机械早期小子样故障MSVM辨识过程中，在核函数构造、参数优化选取等方面仍需进一步研究。

2旋转机械早期故障诊断存在的难点

旋转机械振动信号是其设备运行状态以及故障信息的载体，对旋转机械的运行状态进行长期有效的监测，并对状态信息进行准确、可靠、有效地管理并加以利用，就能实现对旋转机械早期故障诊断，提高旋转机械运行的可靠性以及经济效益。然而，旋转机械早期振动信号具有非线性噪声强、故障特征微弱耦合非线性、故障信号非平稳、故障信息不完备、故障样本十分稀缺等特点，传统的旋转机械故障诊断方法难以解决旋转机械早期故障诊断中的关键科学难题。真正要实现旋转机械早期故障诊断，还需要解决以下关键问题：

2.1非线性强噪音下旋转机械微弱振动信号增强的问题

旋转机械故障发生时，装备本身及各零部件的振动信号十分复杂，各种故障因素相互耦合使得早期振动信号具有噪声大、强非线性等特点，导致故障冲击信号幅值小、故障信息微弱，常规方法难以有效获取旋转机械早期故障信息。

2.2旋转机械故障信号非线性、非平稳特征提取难的问题

旋转机械早期振动信号中蕴含有其运转状况的重要信息，可通过特征提取来进行故障识别。然而，旋转机械早期大多是复杂机电综合控制系统，具有结构复杂、运行工况不稳定、存在多部件耦合振动、振动干扰大等特点，使得采集到的振动信号具有强烈非平稳、非线性等特点，致使故障征兆不明显，故障特征十分微弱难以提取。因此，需要解决旋转机械早期故障信号非线性、非平稳特征提取难的问题。

2.3小子样条件下旋转机械故障诊断的问题

相比典型的旋转机械故障诊断，旋转机械早期故障样本获取更加困难，致使其故障样本十分稀缺，此外，旋转机械运行工况多变、机械结构复杂，直接导致旋转机械状态特征表征不明确，故障特征值和故障的类别无明确的映射关系。现有诊断方法识别精度过多依赖于对模型参数的选取，自适应学习能力较弱，因此，需要研究参数优化故障诊断模型来实现小子样条件下的旋转机械早期故障诊断。

3旋转机械故障增强方法

传感器测得的振动信号往往是旋转机械内部零部件振动信号经过不同的传递路径到达表面后，由不同信号源产生并叠加在一起的混合信号，信号之间相互干扰和相互耦合；此外，与蕴含故障信息的振动信号常被机械自身结构振动以及干扰噪声所污染，使得故障信号大多十分微弱，直接利用传感器测得信号进行故障诊断难以保证故障识别能力。因而在实际应用中，对旋转机械微弱故障信号进行增强就显得尤为重要。

由于旋转机械故障产生的振动特征信号出现的时间和强度大小事先无法预估，常规的方法难以反映微弱故障增强方法的性能。共振解调作为精确诊断的有效手段之一，常被用于旋转机械微弱故障增强中。共振解调通过对低频冲击所激起的高频共振波进行包络检波和低通滤波，把机械故障信息从高频调制信号中解调出来，然后再判定故障的量值和类型。旋转机械设备正常工作时，其振动幅值呈高斯分布且峭度约为 3，而当旋转机械出现故障，振动信号中有冲击成分时，其信号的幅值分布就会出现偏离正态分布，且峭度值也随之增大。峭度值反映了信号偏离高斯分布程度的指标，对故障信号中的冲击成分特别敏感，因而峭度值常被用来评价微弱故障增强性能的指标。以峭度值作为评价指标，提出增强型滤波算法从复杂的背景噪声中分离其噪声信号，增强微弱故障冲击信号成分；峭度对冲击信号敏感，然而当早期故障微弱时，峭度指标易受噪声干扰而难以无法反映故障信号中冲击特性。

变分模态分解作为一种新的自适应分解方法，其理论尚没有完善，需要对其性能进行分析研究；变分模态分解在旋转机械早期故障诊断领域尚属起步阶段，需要充分挖掘其在早期故障诊断领域的潜力。多尺度样本熵从不同时间尺度上对时间系列的复杂度进行度量，具有较少依赖于时间序列长度、抗噪声以及抗干扰的能力较强等优点，不同频带下多尺度样本熵的差异信息可以反映不同运行状态下特征及其演化过程，具备旋转机械早期故障多频带特征集构建的潜力。

结束语

因此，变分模态分解作为一种自适应信号处理新方法，在旋转机械早期故障诊断中的应用尚处于起步阶段，还需对其理论部分研究做进一步完善。

参考文献：

[1]刘金朝，丁夏完，王成国.自适应共振解调法及其在滚动轴承故障诊断中的应用[J].振动与冲击，2007，26（1）：38-41.

[2]周智，朱永生，张优云，朱川峰，王鹏.基于EEMD和共振解调的滚动轴承自适应故障诊断[J].振动与冲击，2013，32（2）：76-80.

[3]胡爱军，马万里，唐贵基.基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法[J].中国电机工程学报，2012，32（11）：106-111.