旋轉機械故障診斷與預測方法及其應用研究

張佳雄 楊振江 趙偉雄

摘 要：本文主要是研究旋轉機械故障診斷與預測的方法，對于機械設備的運行來說，旋轉機械故障的診斷和預測的技術直接影響機械運行的穩定性和安全性。旋轉機械在強背景噪聲的環境下，細小微弱的故障特征不容易被發掘，這也就成為機械故障診斷的難點。而本文根據形態學濾波、局域均值分解、多元經驗模態分解和噪聲輔助多元經驗模態分解等時頻方法及其在旋轉機械的微弱、復合故障診斷中的應用，為機械故障診斷、性能退化狀態識別和趨勢預測提供新的有效手段。

關鍵詞：旋轉機械；故障診斷；預測方法；應用研究

一、旋轉機械故障診斷的基本方法

旋轉機械發生故障主要是因為滾動軸承和齒輪在運轉的過程中因為某種原因而引發的失效，失效的形式主要包括以下幾種，疲勞失效、膠合失效、磨損失效以及斷裂失效等等。在現代機械故障診斷中主要使用信號分析與處理技術以及先進的傳感技術為一體的多學科交叉和融合的新技術，主要是為了保證軸承和齒輪在旋轉機械的環境中，能夠有效的保證工作周期內的運行，也保障了機械設備運行的安全性和穩定性。對于旋轉機械故障診斷來說，是為了觀察、分析和處理能夠反映旋轉機械工作狀態是否正常的信號，進而能夠根據顯示的信號采取對應的措施來維持旋轉機械運行的正常狀態。旋轉機械故障診斷的方法主要有振動信號分析技術、油液分析技術、聲發射分析技術以及濕度分析技術等等。振動信號分析技術主要是同各國對采集的振動信號進行分析，得出運轉過程中軸承的真實狀態，具有診斷效率高、可靠性較強的優勢；油液分析技術主要是通過從齒輪箱中使用的循環油液取出油樣，進行清潔度、光譜以及油液理化分析等來檢測齒輪箱的運行狀態，但是這種檢測方法不能應對突發故障的預報，而且很容易受到其他機械設備的影響，檢測人員的經驗也要比較豐富；還有聲發射分析技術，這是一種比較新的無損檢測技術，主要是檢測金屬材料的損傷程度，機械在運轉的過程中金屬材料的碰撞和摩擦以及金屬材料出現的斷裂都能夠根據聲發射源來進行判斷，機械金屬材料在運行的過程中始終都伴隨著聲發射的現象，利用聲發射技術能夠判斷出機械的狀態；最后是光纖分析技術，但是這種分析技術只能適用與軸承座內允許安裝傳感器的場合，運用的場所不是很普遍。

二、旋轉機械故障診斷的預測方法

1、基于灰色模型的狀態預測方法

對于旋轉機械故障的預測方法中，利用相關數據進行構造的模型來預測未來是目前機械故障預測最為廣泛的方法。現在眾多生產企業為了能夠提高效率，對于發生的機械故障都提前做好準備，爭取維修檢查的時間。旋轉機械在運轉的時候，如果發生故障，機械運轉的狀態也會隨之發生改變，振動的峰值或者振動的幅度數據就會發生改變，主要呈現單調遞增的趨勢。這種灰色模型系統模型建模所用的數據是不變的、靜態的，未考慮未來時刻數據對模型的影響因素。隨著旋轉機械狀態趨勢的變化，舊的振動序列值對預測值的影響逐漸削弱，新的振動數據逐漸加強。因此只使用最初的數據建模進行長期預測，預測精度較低，需對原始模型做改進。把預測得到的新信息加入到模型中，去掉原來的老信息，并保持建模數據維數不變，稱其為新陳代謝模型，能夠對于短期機械運轉狀態進行預測。2、BP網絡故障預測實現

BP是一種類似神經網絡的系統，這種神經網絡具有學習逼近任意非線性映射的特點，將神經網絡應用于旋轉機械故障的預測方法中，它能夠進入非線性系統的建模與辨識中，神經網絡可以不受非線性模型的限制，便于在實際工程預測操作中得到實現。改進閾值量化函數的振動信號小波去噪方法，該方法比傳統軟、硬閾值去噪性能更好。對滾動軸承振動信號的均方根值，建立其神經網絡預測模型，當預測值超過設定的閾值時，則發出預警，實現旋轉機械故障的預測。

3、綜合增長趨勢振動幅度預測實現

旋轉機械在運行的初始階段，各個部件都是處于一個磨合期，如果各個部件受熱產生不均勻膨脹，旋轉機械機組的振動幅值通常會較大。旋轉機械磨合期結束或熱量分布均勻后，振動幅值會逐漸減小，振動變化平緩；但是在運行過程中如果出現潤滑油高溫或靜止部件與運動部件產生碰撞摩擦，振動幅值又將變大；隨著這些因素的消失，振動幅值乂會漸下降當以上因素同時作用于機組時，振值的變化將出現綜合增長趨勢，這是機紐振動發展變化的一種普遍情形，根據這種情況能過準確的預測旋轉機械的故障情況。

結語：總而言之，對于旋轉機械故障診斷和預測技術來說，最主要的目的就是要預防機械設備出現故障，是保證機械設備安全穩定運行的技術基礎機械。齒輪和滾動軸承作為動為傳動系統的關鍵部件，長期在高負荷、高轉速工況下工作，一旦出現故障將直接影響整個系統的安全運行，因此及時、準確地檢測故障己變得越來越重要，保證機械正常運行才能夠節省機械維修檢查的時候，提高企業運行的生產效率和經濟效益。

參考文獻：

[1]武哲. 旋轉機械故障診斷與預測方法及其應用研究[D].北京交通大學，2016.

[2]付元華. 旋轉機械故障診斷及預測方法研究[D].西南石油大學，2014.