基于變分模態分解與優化多核支持向量機的旋轉機械早期故障診斷方法研究

李明

【摘 要】旋轉機械作為現代化工業生產中必不可少的工程設備，被廣泛應用于化工、石油、冶金、電力等關系國計民生的重要領域。一旦旋轉機械設備發生故障輕則致使整個系統癱瘓造成巨大經濟損失，重則產生人員傷亡。研究表明旋轉機械早期故障階段具有較長的潛伏期，如果能在旋轉機械設備故障萌芽即將出現、剛剛出現或故障程度比較輕微時，準確地預測故障可能發生的時間、部位以及故障類別，并據此指導旋轉機械設備的保養和維修工作，將有利于對旋轉機械設備故障發展進行有效控制，并保障其安全可靠地運行。

【關鍵詞】變分模態分解；旋轉機械；故障診斷

引言

旋轉機械作為現代化工業生產中必不可少的工程設備，被廣泛應用于化工、石油、冶金、電力等關系國計民生的重要領域。隨著設備高精度、高轉速、大承載的要求，旋轉機械設備大多具有結構復雜化、體積大型化等特點。而且在實際運行中，旋轉機械大多數時間都處于高速、高載、大溫差等復雜環境狀態下，其故障發生頻率遠高于其它設備。旋轉機械又大多為設備關鍵部件，一旦發生故障輕則致使整個系統癱瘓并造成巨大經濟損失，重則產生人員傷亡。近年來，國內外發生了多起由旋轉設備故障引起的惡性事故，給國家經濟帶來巨大損失并嚴重影響人們生產生活。大部分旋轉機械設備結構復雜，不宜將機組拆開逐一檢查，且故障發生往往是多種因素共同作用的結果，這些因素都增加了故障檢測和診斷的難度。事后維修和定期維修，對于簡單旋轉機械設備具有一定的效果，但事后維修對于事故不具有規避性；而定期維修受隨機因素的影響易產生維修不足，設備易在預定維修前發生故障產生維修不足或容易在設備尚能正常工作時，提前維修造成過剩維修。

1基于模式識別的旋轉機械早期故障診斷現狀

機械故障診斷技術發展至今主要經歷了三個階段：基于維修人員的經驗的推理決策來對機械設備故障排除和維修、基于現代信號處理的故障診斷、機械設備智能故障診斷。第一階段主要依靠維修人員聽覺、視覺以及經驗進行，對維修人員的專業素養要求低，只要會操作簡單的儀表就可勝任；第二階段依托現代傳感器技術、動態測試技術以及現代信號分析技術等，來對機械設備的結構和故障機理進行深入的研究，這也是目前故障診斷中應用最廣泛的故障診斷方法，這一階段對維修人員的專業素養要求較高；而第三階段對旋轉機械的運行狀態進行高精度、自動化的識別是旋轉機械故障診斷和狀態監測追求的目標。

傳統模式識別方法通過對比未知狀態與已知狀態之間的差異來確定故障，無法適應旋轉機械早期小子樣故障過程的不規則性以及漸變性。利用MSVM小子樣條件下旋轉機械早期故障具有其獨特的優勢，然而MSVM構造種類具有多樣性，不同的核函數構造方法、不同參數選擇并非都會帶來最佳的模式識別效果，因此在旋轉機械早期小子樣故障MSVM辨識過程中，在核函數構造、參數優化選取等方面仍需進一步研究。

2旋轉機械早期故障診斷存在的難點

旋轉機械振動信號是其設備運行狀態以及故障信息的載體，對旋轉機械的運行狀態進行長期有效的監測，并對狀態信息進行準確、可靠、有效地管理并加以利用，就能實現對旋轉機械早期故障診斷，提高旋轉機械運行的可靠性以及經濟效益。然而，旋轉機械早期振動信號具有非線性噪聲強、故障特征微弱耦合非線性、故障信號非平穩、故障信息不完備、故障樣本十分稀缺等特點，傳統的旋轉機械故障診斷方法難以解決旋轉機械早期故障診斷中的關鍵科學難題。真正要實現旋轉機械早期故障診斷，還需要解決以下關鍵問題：

2.1非線性強噪音下旋轉機械微弱振動信號增強的問題

旋轉機械故障發生時，裝備本身及各零部件的振動信號十分復雜，各種故障因素相互耦合使得早期振動信號具有噪聲大、強非線性等特點，導致故障沖擊信號幅值小、故障信息微弱，常規方法難以有效獲取旋轉機械早期故障信息。

2.2旋轉機械故障信號非線性、非平穩特征提取難的問題

旋轉機械早期振動信號中蘊含有其運轉狀況的重要信息，可通過特征提取來進行故障識別。然而，旋轉機械早期大多是復雜機電綜合控制系統，具有結構復雜、運行工況不穩定、存在多部件耦合振動、振動干擾大等特點，使得采集到的振動信號具有強烈非平穩、非線性等特點，致使故障征兆不明顯，故障特征十分微弱難以提取。因此，需要解決旋轉機械早期故障信號非線性、非平穩特征提取難的問題。

2.3小子樣條件下旋轉機械故障診斷的問題

相比典型的旋轉機械故障診斷，旋轉機械早期故障樣本獲取更加困難，致使其故障樣本十分稀缺，此外，旋轉機械運行工況多變、機械結構復雜，直接導致旋轉機械狀態特征表征不明確，故障特征值和故障的類別無明確的映射關系。現有診斷方法識別精度過多依賴于對模型參數的選取，自適應學習能力較弱，因此，需要研究參數優化故障診斷模型來實現小子樣條件下的旋轉機械早期故障診斷。

3旋轉機械故障增強方法

傳感器測得的振動信號往往是旋轉機械內部零部件振動信號經過不同的傳遞路徑到達表面后，由不同信號源產生并疊加在一起的混合信號，信號之間相互干擾和相互耦合；此外，與蘊含故障信息的振動信號常被機械自身結構振動以及干擾噪聲所污染，使得故障信號大多十分微弱，直接利用傳感器測得信號進行故障診斷難以保證故障識別能力。因而在實際應用中，對旋轉機械微弱故障信號進行增強就顯得尤為重要。

由于旋轉機械故障產生的振動特征信號出現的時間和強度大小事先無法預估，常規的方法難以反映微弱故障增強方法的性能。共振解調作為精確診斷的有效手段之一，常被用于旋轉機械微弱故障增強中。共振解調通過對低頻沖擊所激起的高頻共振波進行包絡檢波和低通濾波，把機械故障信息從高頻調制信號中解調出來，然后再判定故障的量值和類型。旋轉機械設備正常工作時，其振動幅值呈高斯分布且峭度約為 3，而當旋轉機械出現故障，振動信號中有沖擊成分時，其信號的幅值分布就會出現偏離正態分布，且峭度值也隨之增大。峭度值反映了信號偏離高斯分布程度的指標，對故障信號中的沖擊成分特別敏感，因而峭度值常被用來評價微弱故障增強性能的指標。以峭度值作為評價指標，提出增強型濾波算法從復雜的背景噪聲中分離其噪聲信號，增強微弱故障沖擊信號成分；峭度對沖擊信號敏感，然而當早期故障微弱時，峭度指標易受噪聲干擾而難以無法反映故障信號中沖擊特性。

變分模態分解作為一種新的自適應分解方法，其理論尚沒有完善，需要對其性能進行分析研究；變分模態分解在旋轉機械早期故障診斷領域尚屬起步階段，需要充分挖掘其在早期故障診斷領域的潛力。多尺度樣本熵從不同時間尺度上對時間系列的復雜度進行度量，具有較少依賴于時間序列長度、抗噪聲以及抗干擾的能力較強等優點，不同頻帶下多尺度樣本熵的差異信息可以反映不同運行狀態下特征及其演化過程，具備旋轉機械早期故障多頻帶特征集構建的潛力。

結束語

因此，變分模態分解作為一種自適應信號處理新方法，在旋轉機械早期故障診斷中的應用尚處于起步階段，還需對其理論部分研究做進一步完善。

參考文獻：

[1]劉金朝，丁夏完，王成國.自適應共振解調法及其在滾動軸承故障診斷中的應用[J].振動與沖擊，2007，26（1）：38-41.

[2]周智，朱永生，張優云，朱川峰，王鵬.基于EEMD和共振解調的滾動軸承自適應故障診斷[J].振動與沖擊，2013，32（2）：76-80.

[3]胡愛軍，馬萬里，唐貴基.基于集成經驗模態分解和峭度準則的滾動軸承故障特征提取方法[J].中國電機工程學報，2012，32（11）：106-111.