旋转机械故障机理与故障特征提取技术研究

张艺超

（郑州铁路职业技术学院，河南 郑州 450052）

大型旋转机械是石化等诸多产业发展的主要组成部分，对于相关企业经济效益的获取具有一定的决定性作用，同时也会对生产过程中的安全性能产生影响。为了增强旋转机械故障诊断的准确性，在提高设备运行安全性目的同时尽可能多的降低运行成本，有关企业加大了对旋转机械故障机理及故障特征提取技术的研发力度。

1 旋转机械故障机理

1.1 不平衡故障机理

大型旋转机械运转过程质量不平等故障出现的频率较高。受到技术本身等多种因素的限制，再加上材料质量的影响，转子旋转过程中的周期性离心力不可避免的会受到影响。机器的振动往往是在轴承动载荷的驱动下产生的，按照振动发生时间等的不同将其分为三种类型。1）原始不平衡。该情况发生的原因主要是转子运行过程中误差的出现导致的，当然，装配过程中出现误差或材质本身均匀程度也会造成该现象发生。2）渐发性不平衡。相对来说较为简单，不均匀的积灰通常是导致该现象出现的主要原因。3）突发性不平衡。一旦在运行过程中转子零件脱落，机械运行的平衡状态就会受到影响，从而发生突发性不平衡的状态。此时，机组振幅突然增加，在经过一段时间后，振幅稳定在某一水平线上[1]。

1.2 转子不对中故障机理

转子不对中故障通常发生于设备安装或转运过程中，其主要表现为联轴节的三种非标准连接状态，从而导致机器振动、联轴节偏转等问题出现。据统计，某石化公司机械运转过程中60%以上的机械故障是转子不对中故障造成的。因此，有关工作人员有必要对转子不对中故障进行梳理。机械设计过程中，不可避免的会出现对对中考虑不周全的情况，容易导致计算偏差的出现；其次，机械安装过程中考虑找正误差及对热态转子的不对中量也是十分重要的；再者，机械运行过程中可能会由于操作失误等原因造成机组保温状态不佳或运行负荷超出标准量等；最后，机器基础及底座沉降不均匀也会对对中产生影响。除此以外，环境温度发生变化会逐渐使得机器本身发生热变形[2]。

转子不对中可分为联轴器不对中和轴承不对中，轴承不对中本身不会产生振动，它主要影响到油膜性能和阻尼，在转子不平衡情况下，由于轴承不对中对不平衡力的反作用，会出现工频振动。轴承不对中实际上反映的是轴承座标高和轴中心位置的偏差。轴承不对中使轴系的载荷重新分配。负荷较大的轴承可能会出现高次谐波振动，负荷较轻的轴承容易失稳，同时还使轴系的临界转速发生改变。

2 旋转机械故障特征提取技术研究

2.1 基于平稳子空间分析的旋转机械故障特征提取

经济社会的发展对旋转机械设备提出的要求较高，因此其复杂程度较高，环境条件本身也存在诸多不确定性。传感器所采集到的振动信号并不是独立存在的，出现多个原信号与噪声成分相交情况的可能性较大。因此，各信号之间能够发生诸多混合的可能。为了将这种复杂的信号进行分离，操作人员通常在工作中采用盲源分离技术进行操作。该方法的主要应用形式为：首先确定检测设备并进行信号采集工作，利用盲源分离技术的技术优势，完成对叠加的源信号的分离，然后提取故障特征相关信息。目前，旋转机械运行过程中常应用的盲源分离方法为独立分量分析法。但若要使用传统的盲源分离方法必须在满足独立性假设条件的基础上进行，并不能充分证明算法的全局收敛性和其稳定性。基于此，采用平稳子空间分析法进行信号分析尤为重要[3]。

就平稳子空间分析法本身而言，其应用原理主要是通过高维信号对平稳源、非平稳源信号进行区分与分离。相较于前文提到的独立分量分析方法而言，该方法并不受到原信号各分量间独立性的影响。一般来说，实际故障诊断过程中的传感器数目相较于信号源数目而言并不占据优势，这就要求有关工作人员在对单一传感器的振动信号进行采集时首先要对信号本身进行合理升维。基于此，本文对信号升维方法进行系统研究，同时运用SSA方法对多源故障信号的故障特征进行提取。

奇异值分解的本质是首先对原信号的基本结构或内容等进行分解，之后对已经分离出的分量信号进行适当的叠加。严格意义上来说，信号分离出来的过程就是对上述复杂的原信号进行简单的处理，即将原信号中不必要的部分进行删减与排查。尽管原信号的结构会随着信号分离程度的不断增加变得清晰，但所分离出的信号并不会受此影响发生结构或功能上的改变。由此可见，该技术零相位偏移特性还是十分显著的。在实际工作过程中，奇异值差分谱理论在奇异值有效个数计算方面的应用较多。通过简单的计算，有关工作人员能够对当前分离信号中所存在的有效信息等进行掌握，为信号重构的实现指明方向[4]。

2.2 基于AR模型和总变差去噪的降噪方法

由于旋转机械设备运行过程中振源较多，工作人员所获得的旋转机械设备振动信号中不可避免的掺杂着其他机械设备的部分声源。在此情形下，故障特征信号检测及故障特征相关信息的提取就会受到各种污染噪声的影响，使其准确性大大降低，也为工作人员后续工作内容的开展增加了难度。因此，在对故障特征的相关信息进行提取时应首先对污染噪声所产生的影响进行思考。近年来，奇异值降噪等多种方法的应用范围较广，不同的降噪方法凭借不同的发展优势获得了诸多信任与青睐。但仅有基数本身是远远不够的，奇异值降噪相空间的重构需要在已知延迟时间和嵌入维数的基础上进行。小波降噪方法也是旋转机械运转过程中应用的降噪方法之一。除此以外，形态学降噪方法也在旋转机械运转过程中有所应用，但形态滤波结构元素长度选择的问题经过多年的讨论与发现依然没有明确答案。再加上传统降噪方法本就存有局限性，会受到边缘特性的约束。因此，降噪过程中的冲击特征很容易被误认为污染噪声[5]。

总变差去噪方法是正则化技术的主要体现与应用方向。在正则化技术主要思想的引导下，重构信号的结构分布更加严谨，大大降低了噪声被污染的程度。结合前文所述，该方法能够实现对上述内容的补充，不仅在很大程度上弥补了传统降噪方法存在的边缘性差的问题，也逐渐应用于图像恢复等多个领域。将总变差去噪方法与AR模型相结合对故障特征进行提取，首先需要运用AR模型进行预处理。此时，非平稳信号与噪声信号的残差部分将能够得到适当处理，受总变差去噪方法基本原理的影响，残差信号的噪声成分大大降低，最后在包络解调处理作用的支持下完成相关信息的提取。值得注意的是，残差信号本身包含诸多噪声成分，且原信号中的非平稳成分依然存在。因此，在正式开始应用AR模型及总变差去噪方法之前，需要对残差信号进行相应处理。研究表明，AR模型的分析阶数与AR模型预测滤波效果之间的衔接是十分紧密的。目前来说，模型最优阶次方法选取常用的方法多种多样，如AIC、最大峭度准则等。峭度指标的高低能够十分真实的将信号冲击的特性及其本质反映出来，因此，可选取最大峭度准则进行尝试[6]。

总的来说，基于AR模型和总变差去噪的故障特征提取方法主要是为了解决低信噪比旋转机械故障振动信号的特征提取问题。经过系列仿真分析与实践表明，AR模型的使用能够在一定程度上对故障振动信号中的可线性预测成分进行剔除，再加上总变差去噪方法的应用，故障特征提取的边缘特性被优化，时域降噪效果大大增加。

2.3 基于1.5维Teager峭度谱的弱故障特征提取

Teager峭度与信号偏离高斯分布程度之间是具有较大联系的，一旦掌握了Teager峭度的计算结果，就能够对其分布程度进行准确推断。该提取技术的实现与上述内容有所不同，更多的依赖于滑动Teager峭度法。其方法的主要内容为：首先，对Teager峭度计算长度变化程度进行观察，从而有效地对时间长度进行控制。其次，转换计算方式，将滑动计算方式作为主要方法，完成对某一滑动窗长度的Teager能量算子的时间序列峭度的计算。

由于1.5维Teager峭度谱主要是依靠三四阶和Teager能量算子的演化所得到的，因此，其具备高阶累积量与Teager能量算子所拥有的各种两性特征。该方法在旋转机械故障方面的应用能够起到抑制噪声的基本作用，同时能够将信号的非高斯性特性反映出来。

旋转机械原件如滚动轴承等，在发生故障的情况下可将其与幅值调制现象相结合，加强对载波信号幅值与故障信号变化程度的观察，从而有针对性的对局部非高斯性分布情况进行了解。最终，观察1.5维Teager峭度谱，并据此对信号偏离高斯分布程度进行描述，完成解调调幅信号。

3 结束语

一直以来，旋转机械故障诊断都是机械故障诊断领域的难题。在对旋转机械故障诊断技术进行综合分析的基础上，本文对基于1.5维Teager峭度谱的弱故障特征提取等关键技术进行了分析。并针对故障诊断过程中存在的信号源丰富、信噪比低等问题进行分析，从一定程度上来说取得了一定的研究成果。尽管如此，旋转机械故障中依然存在故障振动信号特点不同等问题，上述提取技术中也存在诸多可优化的内容。因此，关于旋转机械故障特征提取技术问题还需要进一步研究，有关工作人员的工作素养等也需要不断优化与提升。要想实现旋转机械故障特征提取技术的可持续发展，需要对其中存在的各种问题进行仔细思考，找到问题解决的根源，从而达到更好的应用效果。