（测试计量技术及仪器专业论文）小波神经网络在旋转机械故障诊断中的应用研究.pdf

摘要 摘要 机械设备故障诊断技术在生产安全中具有重要意义，已成为机械和测 量领域的重要研究方向。近年来，有关机械故障诊断的新理论、新方法、 新手段不断涌现，逐步完善，有的已形成相关产业，使得我国机械设备故 障诊断水平有了显著提高。 本文以机械设备振动为主要研究对象，给出小波神经网络的时频两域 分析和特征值提取方法。研究了小波分析的相关理论，针对故障信号中含 有的噪声信号，给出了一种小波去噪模型；对于故障中的奇异信号，用小 波分析良好的时频局部化特性克服了傅立叶变换只能在整体上分析的缺 陷。在神经网络理论研究的基础上，给出了神经网络的学习算法，针对传 统算法收敛速度慢以及容易陷入局部极小等问题，从学习率和误差修正两 个方面对算法进行改进。 研究了小波与神经网络的结合方式，给出了小波网络的三种构造形式， 在此基础上阐述了小波网络的共轭梯度和多分辨分析的学习算法，并给出 y d , 波网络中小波基个数及初始参数的确定原则；以m e x i c a nh a t 为例推导 了学习算法：针对小波网络的“维数灾”问题，给出了遗传算法优化的小 波网络，简化网络结构、加快收敛速度。 针对旋转机械的典型故障，以振动信号为输入训练网络，给出训练结 果：以轴承的振动信号分类为例，给出诊断步骤及诊断结果：针对多输入 输出的高维问题，给出一种集成的小波网络故障诊断系统，能够有效的提 高确诊率，减少误判。 关键词故障诊断；振动信号：小波；神经网络；小波神经网络 燕山大学工学硕士学位论文 i ti so u to fq u e s t i o nt h a tm e c l l a i l i c a ld e f a u l td i a g n o s i si sv e r yi m p o r t a n ti n s a f e t yp r o d u c t i o n ；i th a sb e c o m ea ni m p o r t a n tr e s e a r c hd i r e c t i o no f m a c h i n ea n d m e a s u r e m e n tf i e l d l a t e l y , t h en e wt h e o r y , n e wm e t h o da n dn e wm e a s u r ea b o u t m e c h a n i c a ld e f a u l td i a g n o s i sh a v ea p p e a r e di n c e s s a n t l y , t h e yh a v eb e c o m e p e r f e c ts t e pb ys t e p s o m eo ft h e mh a v ec o m ei n t ob e i i l gc o r r e l a t i v ei n d u s t r y , w h i c hm a k e so u rc o u n t r y sl e v e lo fm e c h a n i c a ld e f a u l td i a g n o s i s i m p r o v e o b v i o u s l y i nt h i s d i s s e r t a t i o n ，u s i n gv i b r a t i o ns i g n a la sp r i m a r ys t u d yo b j e c t , a w a v e l e tn e u r a ln e t w o r ku s e dt oa n a l y s i si nt i m ef i e l da n df r e q u e n c yf i e l da n d u s e dt op i c ku pc h a r a c t e rp a r a m e t e ra l eg i v e n t h e o r ya b o u tw a v e l e ta n a l y s i si s s t u d i e d ，a c c o r d i n gt ot h ep m b l e mo fn o i s eo ff a u l ts i g n a l ，ak i n do fm o d e lo f d e n o i s i n gb a s e do nw a v e l e ti sg i v e n t h et i m e - f r e q u e n c yc h a r a c t e r so fw a v e l e t t h e o r yc a ng i v eo v e tt h el i m i t a t i o no ff o u r i e rt r a n s f o r mw h i c hi tc a no n l y a n a l y z ei n w h o l e b a s eo nt h es t u d yt h e o r yo fn e u r a l n e t w o r k ，l e a r n i n g a l g o r i t h mo fn e u r a ln e t w o r ki sg i v e n a c c o r d i n gt ot h ep r o b l e mo fs l o w c o n v e r g e n c es p e e da n de a s i l ys e 衄n gi n t ol o c a ls m a l le x t r e m u m , w eg i v et h e i m p r o v e m e n ta l g o r i t h mi nl e a r nr a t i oa n de r r o rc o r r e c t i o nr e s p e c t i v e b i n d i n gm o d eo fw a v e l e ta n dn e u r a ln e t w o r ki ss t u d i e da n dt h r e e c o n s t r u c t i o nf o r m sa r e g i v e n e x p l a i nc o n j u g a t ef a d i e ma l g o r i t h ma n d m u l t i - r e s o l u t i o na n a l y s i sa l g o r i t h mt h e nt h ep r i n c i p l eu s e dt oc o n f i r mw a v e l e t b a s i sa n di n i t i a l i z ep a r a m e t e ro fw a v e l e ti sg i v e n ；u s i n gm e x i c a nh a ta s e x a m p l et od e d u c el e a r n i n ga l g n r i t h m t os o l v et h ep m b l e mo f “d i m e n s i o n d i s a s t e ”o f t h ew a v e l e tn e u r a ln e t w o r k ，ag e n e t i co p t i m i z a t i o na l g o r i t h mt h a tc a n s e a r c hf o rt h eo p t i m u mw a v e l e tp a r a m e t e ra n dn e t w o r kn e u r a la d a p t i v e l yi nt h e l e a r n i n gp r o c e s s i n g ，i tc a r lp m d i g e s tn e t w o r kf r a m ea n di m p r o v ec o n s t r i n g e n c y s p e e d a b s l r a c t a tl a s t ，w a v e l e tn e u r a ln e t w o r kt h a ta p p l a i e di nm e c h a n i c a lf a u l td i a g n o s i s i s r e s e a r c h e d ，a c c o r d i n gt o t e nk i n d so fr o t a t i n gm a c h i n e r yf a u l t s ，u s i n g v i b r a t i o ns i g n a la si n p u to fn e t w o r ka n dg i v i n gt r a i n i n gr e s u l t ；u s i n gv i b r a t i o n s i g n a lc l a s s i f yo fb e a r i n ga se x a m p l et og e td i a g n o s i ss t e p sa n dr e s u l t t os o l v e t h ep r o b l e mo fh i g h e rd i m e n s i o n a lm u l t i p l yi n p u ta n do u t p u ta ni n t e g r a t e d w a v e l e tn e u r a ln e t w o r ki nm e c h a n i c a lf a u l td i a g n o s i si s g i v e n ，w h i c hc a n i m p r o v ed i a g n o s i sr a t i oe f f e c t i v e l y k e y w o r d s f a u l td i a g n o s i s ；v i b r a t i o ns i g n a l ；w a v e l e t ；n e u r a ln e t w o r k ； w a v e l e tn e u r a ln e t w o r k i l l 第1 章绪论 第1 章绪论 1 1 机械设备故障诊断的意义 随着科学技术的飞速发展，各工业部门的生产设备日益向大型化、连 续化、高速化、系统化及自动化方向发展，其结果是设备的组成和结构越 来越复杂，生产系统本身的规模越来越大、功能越来越强、性能指标越来 越高、各级生产环节的关联度越来越密切，形成了一个具有整体性的生产 链【l j 。科技的发展带来了高效率，同时也存在一些负面影响，如果某一设备 一旦发生故障就可能引起连锁反应，导致整个生产系统不能正常运行，从 而造成巨大的经济损失，严重的设备故障还可能会造成灾难性的事故和人 员伤亡，因此，现代化工业生产对设备的安全性及可靠性提出了越来越高 的要求。 工况监视与故障诊断技术是了解和掌握设各的运行状态，区分、识别 设备的异常表现的技术。不仅能够预防事故，保证人身和设备的安全，而 且能够推动设备维修制度的改革，可避免类似失修造成的故障，也可防止 过剩维修带来的浪费。设备故障诊断技术的最终日的是避免故障( 尤其是重 大事故) 的发生，使零部件的寿命得到充分发挥，延长检修周期，提高维修 的精度和速度，降低维修费用，提高生产效率，获得最佳经济效益。因此， 无论从安全的角度，还是从经济效益出发，对生产设备建立完备的监测与 诊断系统都具有极其重要的意义【2 】。 1 2 机械故障诊断技术的发展及现状 设备故障诊断技术起源于1 9 世纪产业革命时期，纵观其发展的历史过 程，可以分为四个阶段f 3 】。 ( 1 ) 原始诊断阶段1 9 世纪末至2 0 世纪初，这是故障诊断技术产生阶 段，个体专家依靠感官获取设备的状态信息，并凭借其经验做出直接判断； ( 2 ) 基于材料寿命分析与估计的诊断阶段2 0 世纪初至6 0 年代，可靠 燕山大学工学硕士学位论文 性理论的产生和应用，使得人们能够依靠事先对材料寿命的分析与估计以 及对设备材料性能的部分检测来完成诊断任务； ( 3 ) 基于传感器与计算机技术的诊断阶段2 0 世纪6 0 年代中期，传感 器技术的发展，使得对各种诊断信号和数据的测量变得容易，而计算机的 使用弥补了人类在数据处理上的低效率。这种建立在信号测试基础上的诊 断技术是目前比较成熟的发展阶段，已经广泛应用于军备、钢铁、核设备 等领域； ( 4 ) 智能化诊断阶段它是目前刚刚发展起来且远未达到完善的阶段。 人工智能技术的发展，特别是专家系统在故障诊断领域中的应用，为设备 故障诊断的智能化提供了可能性，也使诊断技术进入新的发展阶段。原来 以数值计算和信号处理为核心的诊断过程被以知识处理和知识推理为核心 的诊断过程所代替。因而，故障智能诊断是当前诊断技术的发展方向。 由于故障诊断在国民经济中的重要作用，各国都将设备故障诊断作为 一项重要的工作，早在2 0 世纪6 0 年代末，美国国家宇航局就创立美国机 械故障预防小组，英国也成立了机械保健中心，积极从事故障诊断技术的 研究和开发。在旋转机械故障诊断方面，首推美国西屋公司，到1 9 9 0 年已 发展成网络化的汽轮发电机组智能化故障诊断专家系统。英国在核发电、 钢铁和电力工业等方面都有相应机构提供诊断技术服务。欧洲的一些国家 也都在某一方面具有特色或占领先地位，如瑞典的轴承监测技术，挪威的 船舶诊断技术，丹麦的振动诊断技术等等【4 】。 故障诊断技术的研究在我国起步较晚，从2 0 世纪7 0 年代末期开始。 广泛的研究则从2 0 世纪8 0 年代开始发展起来，随后在各领域分别确定了 设备诊断的目标、方向和试点单位。因而，我国的设备诊断技术的研究虽 然起步较晚，但发展还是比较快的，如西安交通大学的“大型旋转机械计 算机状态检测与故障诊断系统”，哈尔滨工业大学的“机组振动微机监测 和故障诊断系统”，东北大学的“风机工作状态监测诊断系统”等。目前， 故障诊断技术在我国的化工、冶金、电力、铁路等行业得到了广泛的应用， 取得了可喜的成果【5 1 。 工况监视与故障诊断技术在企业的成功应用和因此而带来的巨大经济 2 第t 章绪论 效益促使人们不断研究和开发新的理论和技术，并且不断吸取现代科学技 术发展的新成果，从理论到实际应用都有迅速的发展。至今已发展成为集 数学、力学、振动分析、信号处理、人工智能、电子技术等各种现代科学 技术于一体的新兴交叉学科，其研究内容主要反映在故障机理研究、故障 倍息处理技术研究、故障诊断方法研究、诊断仪器和系统的开发与研究等 几个方面。 ( 1 ) 故障机理的研究故障机理研究的目的是了解机械故障的形成和发 展过程，掌握故障的内在本质及特征。其研究方法是依赖于相关的基础学 科，建立恰当的物理或数学模型，求出模型的解析解或近似解，从中总结 出一般性的规律。国内外广大学者已对于转子一轴承系统、滚动轴承、齿 轮、机床及机械制造过程的典型故障的机理进行了大量的理论和实验研究。 目前关键问题仍然是如何全面掌握机器的运行信息，分析各种故障的表现 特征以及对各种特征的识别，从而正确区分机器的各种常见故障，确定故 障发生部位及程度。 ( 2 ) 故障信息处理技术的研究故障信息处理技术是对故障信号进行检 测和分析处理。它对监测机器运行状态的变化，作出正确诊断结论起着非 常重要的桥梁作用。可用于机械工况监视与故障诊断的信号有振动、噪声、 温度、压力、流量等，但目前使用最方便、最常用的是振动信号，而信号 的分析处理就是对这些信号进行加工、变换，提取出对诊断有用的敏感征 兆。它包括以傅里叶变换为核心的经典信号处理分析方法，和以时序模型 为代表的应用较广的现代谱分析方法，还有用于时间一频率分析的短时傅 氏变换，小波变换等方法。 ( 3 ) 故障诊断方法的研究人工智能诊断技术是目前设备故障诊断的发 展方向。其中专家系统是人工智能的一个分支，它是一个智能计算机程序， 利用知识和推理过程来解决那些需要大量人类专家知识才能解决的复杂问 题。另外，近年来发展起来的人工神经网络以其全新的信息表达方式、高 度平行分布处理、联想、自学习及自组织等能力和极强的非线性映射能力 使它比传统模式分类法有着更为稳定的性质，分类能力更强，因此人工神 经网络在旋转机械故障诊断应用的相当普遍1 6 1 。还有一些新的诊断方法也不 燕山大学工学硕士学位论文 断出现，演化算法，小波神经网络在故障诊断中都有应用。总之诊断方法 研究的总体目标就是为了实现诊断的自动化。 ( 4 ) 诊断仪器和系统的开发与研究机械工况监视与故障诊断技术的各 种理论和方法研究最终都必须落实到具体监测诊断装置的研制上。随着电 子技术与计算机技术的发展，故障诊断装置和仪器已经由最初的模拟式监 测仪表发展到现在的基于微机的实时在线监测与智能故障诊断系统和基于 微机的便携式检测分析系统。这类系统一般具有强大的信号分析与数据管 理功能，能全面记录反映机器运行状态变化的各种信息，实现故障的精确 诊断。随着网络技术的发展。远程分布式监测诊断系统成为目前的一个研 究开发热点 t j 。 综上可知，设备故障诊断技术是一门紧密结合实际的工程科学，生产 实际的需要是它发展的根本原因。因此，它具有广阔的工程背景和实用价 值，而它的发展也与其它许多学科的发展密切相关。 1 3 小波神经网络起源 在2 0 世纪4 0 年代，人们对智能问题产生了浓厚的兴趣，并通过模拟 人脑神经活动提出了人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s - - a n n ) 的概 念。经过半个世纪的研究，神经网络的理论不断发展，并且得到广泛的应 用i s 。它所具有的学习能力、多输入并行处理能力、非线性逼近和容错能力 以及自适应能力，使其影响日益增大。但是在神经网络的应用过程中，隐 层神经元节点数的确定、参数的优化和神经网络结构的构造等缺乏有效的 理论性指导方法，而这些都将直接影响神经网络的实际应用效果。究其原 因，神经网络的激励豳数是其主要因素。就常见的激励函数s i g m o i d 函数 和径向基函数来说，s i g m o i d 函数为全局函数，其支集为整个欧氏空间，存 在严重重叠；径向基网络是利用紧支撑基函数中的成员来表示函数的一种 方式，基函数的局域性使径向基网络更适合学习那些可变的不连续的函数， 但是径向基网络中激励函数是非正交的，也就是说它的基函数是有冗余的， 所以其逼近函数的表达式并不唯一，此时，小波函数的出现，为神经网络 激励函数的选取，提供了一个行之有效的方法。 4 第1 章绪论 小波分析( w a v e l e ta n a l y s i s ) 是2 0 世纪8 0 年代在傅立叶分析的基础上发 展起来的一种强有力的数学工具【9 】。作为一种时频域分析方法，小波分析比 傅立叶分析有着突出的优点，主要表现在对非平稳随机信号的处理上，小 波分析具有良好的时频局部特性和变焦能力，无论分析低频局部信号还是 高频局部信号，都能自动调节时频窗，以适应实际分析的需要；在局部时 频域分析中具有很强的灵活性，能聚焦到信号时段和频段的任意细节，被 誉为时频域分析的显微镜【io 】。但是，小波理论的应用一般被限制在小规模 的范围内，其主要原因是，在大规模的范围内对小波基的构造和存储需要 大量的花费，而神经网络是处理大规模问题的一种的有效工具，这使得神 经网络与小波分析的结合成为可能【u 】。 另外，用小波函数作为神经网络激励函数有着明显的优势：首先，小 波函数可以是正交性的，保证逼近函数的表达式的唯一性；其次，对于不 同的逼近函数，小波函数可以有更广泛的选择，可以根据逼近函数的特性 来选择不同的小波函数；最后，小波函数具有对突变函数逐步精细描述的 特性，使得函数的逼近效果更好，这是径向基函数所不具备的。小波神经 网络的提出是与小波理论紧密联系的，小波理论体系为小波网络的分析和 综合提供了可靠的理论基础【1 2 】。 1 4 小波神经网络的特点及应用 小波神经网络是基于小波分析而构成的神经网络，它充分利用小波变 换的良好局部化性质并结合神经网络的自学习功能，因而具有较强的逼近、 容错能力。因此，小波神经网络具有如下特点：首先，小波基元及整个网 络结构的确定有可靠的理论根据，可避免b p 神经网络等结构设计上的盲目 性；其次，网络权值系数线性分布和学习目标函数的凸性，使网络训练过 程避免了局部最优等非线性优化问题；第三，有较强的函数学习能力和推 广能力【l ”。因此，小波神经网络己经广泛地应用于信号处理、数据压缩、 工程控制和故障诊断等领域。 ( 1 ) 函数逼近函数逼近具有非常重要的意义，很多实际问题通过建模 都可归结于非线性函数逼近问题【1 4 】。由于神经网络和小波分析都具有良好 燕山大学工学硕士学位论文 的函数逼近能力，而小波神经网络很好地将神经网络理论和小波理论融合 起来，在函数逼近性能上表现非常出色u ”。z h a n g 和b c n v c n i s t c 首次提出小 波神经网络理论，并将其应用于函数逼近【嘲。他们分别对一维、二维非线 性函数进行拟合逼近的研究，采用高斯推导式作为小波基函数，将拟合结 果与b p 神经网络和小波分解方法进行对比，结果显示小波神经网络对非线 性函数的拟合逼近明显要优于b p 神经网络和小波分解方法。 在这之后，大多数文献都采用函数逼近的模拟实验来研究小波神经网 络理论与算法的改进。李金屏【1 7 】和何苗口砌分别提出一种自适应调整学习率 的方法以提高小波神经网络的学习速度。 ( 2 ) 语音处理s z u 等对于小波神经网络在语音处理上的应用研究做出 了突出的贡献【1 9 1 ，他们采用m o r l 砒小波作为激励函数，提出了自适应小波 神经网络结构，引入了超j 、波( s u p e r - w a v e l e t ) 新概念( 根据具体问题，超小波 能够自适应地确定小波形状) ，并将其应用于语音识别。何强等提出了自适 应周期小波神经网络并应用于人元音识别【2 0 l 。文献 2 h 提出了白适应时延小 波神经网络，以解决存在时延的多个同类声学信号的逼近问题。 ( 3 ) 混沌时间序列预测时间序列分析被广泛应用在经济预测、天气预 报、地震勘探等众多领域。小波神经网络融合了神经网络的自组织、自学 习能力以及小波变换的局部化特性，因此在混沌时间序列预测上将发挥重 要作用田j 。b a k s h i 和s t e p h a n o p o u l o 首次将小波神经网络应用于混沌时间序 列预测1 2 ”，并将其应用于逻辑方程产生的混沌时间序列的预测。c a o 等较为 系统地研究和分析了小波神经网络在混沌时间序列预测上的应用 2 4 1 。小波 神经网络在经济混沌时间序列预测中显示出巨大潜力【2 5 1 ，如股市预测口t 2 7 1 ， 市场分析与预测等i 勰矧。 ( 4 ) 故障诊断故障诊断是工程系统中的重要问题之一，亦是研究热点。 w 啦等将小波神经网络用于机械故障的预测删，c h e n 等应用小波神经网络 进行瞬时故障信号探测与诊断【3 i j 。基于小波神经网络的故障诊断还有很多， 江磊等将小波网络用于旋转机械的故障诊断【3 2 1 ，郑海波等将小波网络用于 齿轮的故障诊蚓3 3 1 。还有如导航系统的故障检测3 4 1 ，电力系统中的故障诊 断阢3 6 1 。 6 第1 章绪论 ( 5 ) 图像信息处理近几年来，小波神经网络在图像信息处理领域中的 应用逐渐受到重视，尤其在人脸追踪与识别上应用较多。k r u g e r 等最先开展 这项研究工作，在一系列文章中逐步完善和系统地阐述了这项研究。他们 提出了g a b o r 超小波和g a b o r t j , 波神经网络的概念，并应用于实时脸部遍踪、 姿势不变的脸部识别以及头部位置预测等 3 7 ，3 8 1 。 ( 6 ) i 程控制关于小波神经网络在电机控制中的应用，w 甜领导的研究 小组做了大量的研究工作【3 9 】。他们基于小波神经网络，融入了多种技术， 提出了智能地控制感应伺服电机的转子位置的相应方案【帅】。小波神经网络 应用于机器人控制亦有文献报道。张克等提出了一种基于广义波基函数网 络的神经元集聚模型，并将其应用于双足步行机器人步态规划【4 ”。王海斌 等研究了基于小波神经网络的机械臂控制问题【4 2 】。 综上所述，小波神经网络很好地融合了神经网络的自组织、自学习特 性和小波的局部化特性，因此应用领域极为广泛。但是，小波神经网络理 论建立不过短短十几年，还需要进一步改进和完善。例如，在高维数据处 理方面小波神经网络的研究还很少，这是由于多维小波理论构造比较复杂 所决定的。因此，小波神经网络的发展也取决于小波理论的进一步研究。 此外，任何研究如果只是单纯依赖某种理论和技术是不现实的，因此，今 后研究小波神经网络应该注意充分利用模糊逻辑、分形技术、混沌理论、 进化计算等交叉学科的研究成果，以开拓小波神经网络研究更为广阔的前 景。 1 5 论文的主要研究内容 ( 1 ) 研究了机械故障诊断的方法分类；针对旋转机械的振动诊断技术， 研究了故障信号的特征提取方法和常见的旋转机械故障形式。 ( 2 ) 研究了小波分析的相关理论，给出了故障信号的去噪模型和奇异信 号的小波检测方法；研究了神经网络的的特点，给出了神经网络的学习算 法和改进算法，及神经网络在机械故障诊断中的应用。 ( 3 ) 研究了小波与神经网络的结合方式和小波神经网络的多种结构；给 出了用于小波网络学习的共轭梯度算法和多分辨分析算法，并结合参数选 7 燕山大学工学硕士学位论文 择推导网络的学习算法；给出一种基于遗传算法改进的小波神经网络。 ( 4 ) 研究了小波神经网络对旋转机械常见故障的诊断，给出仿真结果及 误差曲线。给出小波网络在机械故障信号分类应用中的方法及步骤。 第2 章机械故障诊断方法及特征提取分析 第2 章旋转机械故障诊断方法及特征提取分析 2 1 概述 旋转机械设备故障诊断技术根据诊断的目的及所选取的诊断方法的不 同其实旌过程也有所不同，但其基本过程是相同的，主要包括机械设备状 态信号的获取、故障特征的提取、故障诊断及维修决策的形成。 机械设备状态信号是机械设备异常或故障信息的载体，选用一定的方 法和检测系统采集最能反映诊断对象状态特征的信号，是故障诊断技术实 施过程中不可缺少的环节。所采集到的表征诊断对象运行的原始状态信号 混杂有大量的背景噪声，为提高诊断的灵敏度和可靠性，必须采用信号处 理技术，在状态信号中排除噪声、干扰的影响，提取有用的故障信息，以 突出故障特征。因此，故障特征提取就是将原始状态信号进行维数压缩、 形式变换、排除干扰、保留或增强有用信号、精化故障特征信息的过程， 并由此形成待检模式。故障诊断是一个典型的模式识别过程，诊断文档中 的各种故障样板模式就是进行状态识别的基础。所谓状态识别，是指将待 检模式与诊断文档库中的样板模式进行对比，并将待检模式归属到某一已 知的样板模式中去的过程。由此便可判定诊断对象所处的状态模式是否正 常，并预测其可靠性和状态的发展趋势。 旋转机械是生产中应用最广泛的一类机械设备，如透平机、压缩机、 鼓风机、发电机、泵及电动机等，它覆盖着动力、电力、化工、冶金及机 械制造等重要工程领域，而且旋转机械速度一般都较高，这类机械设备往 往是工厂的关键设备，其工况状态不仅关系到该机器本身的运行，还会影 响后续生产，因此对其故障诊断技术的要求就特别迫切。 2 2 旋转机械故障诊断方法 2 2 1 按检测手段分类 ( 1 ) 振动检测诊断法以机器振动作为信息源，在机器运行过程中，通 9 燕山大学工学硕士学位论文 过振动参数的变化特征判别机器的运行状态。 ( 2 ) 噪声检测诊断法以机器运行中的噪声作为信息源，在机器运行过 程中，通过噪声参数的变化特征判别机器的运行状态。此法的本质与振动 检测诊断法是一致的，因为噪声主要是由振动产生的。此法虽然简便，但 容易受到环境噪声影响，不如振动检测诊断法准确。 ( 3 ) 温度检测诊断法以可观测的机械零件的温度作为信息源，在机器 运行过程中，通过温度参数的变化特征判别机器的运行状态。 ( 4 ) 压力检测诊断法以机械系统中的气体、液体的压力作为信息源， 在机器运行过程中，通过压力参数的变化特征判别机器的运行状态。 ( 5 ) 声发射检测诊断法金属零件在磨损、变形、破裂过程中产生弹性 波，以此弹性波为信息源，在机器运行过程中，分析弹性波的频率变化特 征判别机器的运行状态。 2 2 2 按诊断方法原理分类 ( 1 ) 频域诊断法应用频谱分析技术，根据频谱特征变化，判别机器的 运行状态及故障形成原因。 ( 2 ) 时域分析法应用时间序列模型及其有关的特性函数，判别机器的 工况状态的变化。 ( 3 ) 统计分析法应用概率统计模型及其有关的特性函数，实现工况状 态监视与故障诊断。 ( 4 ) 信息理论分析法应用信息理论建立的某些特性函数，如库尔伯克 信息数，j 散度等在机器运行过程中的变化，进行工况状态分析与故障诊断。 ( 5 ) 模式识别法利用检测信号，提取对工况状态反映敏感的特征量构 成模式矢量，设计合适的分类器，判别工况状态。是人工智能的技术之一。 ( 6 ) 其它人工智能方法如入工神经网络、专家系统等，这些都是新发 展的新领域。 上述方法是从应用方面考虑，就学科角度而言，它们是交叉的，例如 许多统计方法都包括在统计模式识别范畴之内。 第2 章机械故障诊断方法及特征提取分析 2 3 旋转机械故障振动诊断技术 在机械故障诊断中，可用于监测与诊断的信息很多，包括振动、温度、 压力、声响和变形等，在众多信息中，振动信号能够更迅速、更直接的反 应机械设备的运行状态 4 3 】。在机械设备的监测诊断技术中，振动检测技术 是一种普遍被采用的基本方法，这是因为： ( 1 ) 对机械设备来说，振动是普遍存在的，当机械内部发生异常时，一 般都会随之出现振动的增大和工作性能的变化。据统计，有6 0 以上的机械 故障都是通过振动反映出来； ( 2 ) 不用停机和解体，通过机械的振动信号的测量和分析，就可对其劣 化程度和故障性质作出判断； ( 3 ) 振动的理论和测量方法比较成熟。 振动信号是设备或结构状态信息的载体，它蕴涵了丰富的设备异常或 故障信息，而且振动特征是设备运行状态好坏的重要标志，因此，对振动 信号的检测能够获得设备状态的有效信息。 2 3 1 机械振动及其分类 机械振动是指表示机械设备在运动状态下，机器上某观测点的位移量 围绕其均值或相对基准随时间不断变化的过程。旋转机械振动情况可分成 稳态振动和随机振动两大类【村】： ，确定性振动f 周期振动 妻羹昌翥羹耄 振动 韭确常桦糯非周期振动 善昙羹翥动 l 非确定性振动 i 阱世嘏列 、( 随机振动) 2 3 1 1 简谐振动简谐振动是一种最基本的振动形式，了解它的特性，对 了解其它振动的特性和掌握振动监测诊断技术都是十分重要的。简谐振动 的一般数学表达式为： 燕山大学工学硕士学位论文 x ( 0 = a s i n ( 甜+ 妒)( 2 - 1 ) 对于该简谐振动的速度v 和加速度口分别为： v ( r ) = 警= 础o s ( 肼( 2 - 2 ) 删= 警= - o f l a s i n ( 出t + 劝( 2 - 3 ) 2 3 1 2 复杂周期振动所谓复杂周期振动，就是指除简谐振动以外的周期 振动。可以用周期性的时间变量函数来描述，即： x ( t ) = x ( t 士n t )一= 1 , 2 ，3 ( 2 4 ) 复杂周期振动，可按傅立叶级数展开而分解为简谐振动的叠加，即： 一 m ，) = 粤+ ( c o s 2 7 吲r f + 屯s i x a 肋a t ) ( 2 5 ) 式中 = ；+ r 苫( ，) c 。s 2 a n f d d t 玎= l ，2 ，3 以= 争f s i l l 2 嘶胁n = 1 船- 若将上式e e 的正弦函数与余弦函数相加，则该式变为： x ( t ) = x o 十五c o s ( 2 ，口! r f + ) ( 2 6 ) 式中 五= 要 x n = _ + 碡 纸：a r c t a n 盘) 由式( 2 6 ) 可见，复杂周期振动是由一个静态分量；c o 和无限个谐波余弦 分量( 振幅为五，相角为吼) 组成。实践中产生复杂周期振动的情况远多于 产生简谐振动的情况。事实上，简谐振动往往是复杂周期振动的一种近似。 第2 章机械故障诊断方法及特征提取分析 2 3 1 3 准周期振动所谓准周期振动，也是由一些不同周期的简谐振动合 成的振动。但是，准周期振动没有周期性，组成它的简谐分量中总会有一 个分量与另一个分量的频率之比值为无理数。而复杂周期振动的诸简谐分 量中任何两个分量的频率之比是有理数。所以说准周期振动是一种非周期 振动，可用下面的函数描述： 旦 x ( t ) = x s i n ( 2 u n f t + 僻) ( 2 7 ) n - i 式( 2 7 ) 中，的任意两个值之比在任何情况下都不等于有理数( 即每一 正弦函数的周期都不是基本周期的整数倍) 。在实际中，有两个或几个无关 联的周期性现象混合作用时，会出现准周期振动。 2 3 1 4 瞬态振动除了准周期以外的非周期振动都属于瞬态振动，换句话 说。瞬态振动包括前面一切没有讨论过的，可以用各种脉冲函数或衰减函 数描述的振动。可用如下函数式近似描述： x ( f ) ：a 8 “。o s 6 f ( f o ) ( 2 8 ) l 0q 0 ) 2 3 1 5 随机振动随机振动是一种非确定性振动，不能用精确的数学关系 式描述。随机振动虽然具有不确定性，但却有一定统计规律性。所谓统计 规律性，就是在一定条件下多次重复某项实验或观察某种现象所得结果呈 现出的规律性。在工程实际中，一种振动是属于确定性的振动还是属于随 机振动是很难区分的，因为确定性振动中也难免有意外因素的影响，使得 振动有一定的随机性。从这个意义上说，绝对的确定性的振动是不存在的， 若判断振动属于哪一类，通常是以在相同的条件下是否产生相同的振动结 果作为依据。如果在相同的条件下多次重复同一实验，所得振动结果相同， 则认为该振动是确定性的振动，否则为随机振动。 2 3 2 故障特征提取分析 信号特征提取是故障诊断过程中的一个重要环节。早期的信号特征提 取主要是借助于傅立叶变换进行的，称为经典信号分析方法。基于傅立叶 1 3 燕山大学工学硕士学位论文 变换的信号分析发展缓慢，主要是由于计算量大，直到1 9 6 5 年c o o l y 和 t u k e y 提出快速傅立叶变换( f f d 之后，经典信号分析方法才得到迅速地发 展，并在设备状态监测和故障诊断中发挥巨大的作用。经典信号分析方法 实际上就是状态信号的提取方法，即提取能量在不同频段上的分布情况， 以此作为诊断的依据，可以运用f f t 频谱分析、相关分析、包络分析和倒 谱分析等。直至今日，经典信号分析方法仍然是信号处理的主要方法之。 一般来说，征兆是设备和结构出现的异常现象，如振动增大、噪声超 过设定值，结构产生裂纹等。从故障诊断的角度来说，征兆是有助于判断 故障的各种现象，包括某些正常现象，如振动稳定、完好无损的结构等， 利用正常现象的对比可以排除某些故障。 系统的振动信号反映了其运行状况和当前的状态，其时域、频域和幅 值域分析结果均可以作为故障征兆。由于以快速傅立叶变换为基础的数字 信号处理技术在动力学中应用广泛，测试分析方法己经达到了比较完善的 程度，而且，振动信号在频域内的能量分布具有比较明显的特点，因此， 可以用振动信号的频域特征作为主要的故障征兆来进行故障诊断。 2 3 3 旋转机械故障特征提取方法 机械故障诊断过程包括故障特征提取和故障诊断，其中故障特征提取 是主要的。特征提取过程就是从监测参数中提取故障征兆，征兆获取过程 先对数据采集和状态监测得到的基本数据进行必要分析，如对振动数据进 行时域、频域和趋势分析等，经过分析转换成特征数据，如各种频率成分 的幅值大小，振幅和相位的交化量等，再经过征兆获取程序，计算征兆的 可信度，成为具有可信度大小的征兆事实，供给系统诊断推理时使用1 4 5 。 征兆应是和故障有稳定联系的参数特征，考虑到和诊断的联系，它还应该 是易于表达的。这里对常见的特征提取方法进行论述。 2 3 3 1 时间域分析时间域分析的主要特点是故障信号的特征与设备的 故障点有良好的相对应关系，对局部严重故障识别有利，它在大型旋转机 械故障诊断中得到较广泛的应用。 1 4 第2 章机械故障诊断方法及特征提取分析 ( 1 ) 时域幅值分析设时域信号为工( f ) ，时间长度为丁，进入计算机后的 离散数据为x ( 吣，共有个数据点。 1 ) 最大值和最小值。 信号的最大值。和最小值矗。是信号的极值，它给出了信号的变化范 围，表示为： m2m a x ( x ( t ) ) 2m i n ( x ( t ) ) 或 。= m a x c x ( n ) ) ，= m i n ( x ( n ) ) 2 ) 峰峰值， 峰，峰值是最大值与最小值之差： 唯p2 一 3 ) 平均值 i = 告l x ( o a t 或 2 专善x ( 刀) 4 ) 绝对平均值i 是指信号在一个周期内的绝对平均幅值： i = 专肛r ) j d r 或i 2 专善i x ( 行) i 5 ) 有效值x m 。 是指信号在一个周期内的均方根值： = 据r 巾灿 或 。= 1 房1 善n x ( 帕2 6 ) 方差2 方差反应了信号在均值位置匕波动的情况： ( 2 - 9 ) r 2 - 1 0 ) ( 2 一1 1 ) f 2 - 1 2 ) ( 2 - 1 3 ) f 2 1 4 ) ( 2 1 5 ) r 2 1 6 ) ( 2 - 1 7 ) 燕山大学工学硕士学位论文 或 蠢= ；r ( 刊2 d f = 专喜o ( n ) 一声) 2 ( 2 1 8 ) ( 2 - 1 9 ) 7 ) 偏态系数c o c o = 专粪掣r 8 ) 峰态系数c k g = 专羹学4 ( 2 ) 相关分析相关是指变量之间的线性关系。对于确定性信号两个变 量之间可以用函数关系来描述，而对于两个随机信号之间就不具有这样的 确定性关系，只有通过大量统计发现它们之间存在的某种内涵的物理关系， 通常用相关分析研究两个信号之间的相关性，判定设备振动和噪声与其部 件振动的关系等。相关分析分为自相关分析和互相关分析两种。 1 ) 自相关函数自相关函数是描述信号茗( f ) 一个时刻的取值与另一个 时刻的取值之间的依赖关系，计算公式为 r ( f ) = l i m 亍1r x ( 棚o + r ) d t ( 2 - 2 2 ) 其中，鼍( f ) 为相关函数，x ( t ) 为要分析的信号序列，f 为时间延迟。 工程中通常使用相关系数来描述相关性，更具有对比性和方便性。相 关系数函数定义如下： n ( f ) ：掣( 2 - 2 3 ) 盯。 式中，t ，一均值 仃：一方差 根据自相关函数图的形状可以判断原信号的性质。比如周期信号的自 相关函数仍为周期相同的周期函数。因此，自相关函数可用与检测混于随 机噪声中的确定性信号，因为周期信号或任意确定性数据在所有时间上都 1 6 第2 章机械故障诊断方法及特征提取分析 有其自相关函数，而随机信号则不是。这样，即可利用自相关图的变化趋 势来判断机械故障。 2 ) t f _ 相关函数互相关函数是对两个信号x ( ，) 和y ( r ) 进行分析的，描述 x ( f ) 一个时刻的取值与y ( o 另一个时刻的取值之间的依赖关系，可以表示 为： 1 一 如( f ) 2 f u n7 - - j ：x ( t ) y ( t + r ) d t ( 2 - 2 4 ) 同样互相关系数的定义如下： 风( f ) ：生坠丝生 ( 2 2 5 ) 叮z 口y 互相关函数利用同频检测技术把振动信号中感兴趣的特定频率成分的 振幅和相位检测出来，而将非同频信号滤掉。互相关函数中虽然失去了原 来各信号的相位信息，但保留了各信号之间的相位差信息，这在对研究平 稳随机过程的动态特性和机械系统传递特性上起着十分重要的作用。 ( 3 ) 时域模型分析时域模型分析又称时间序列分析，被广泛地用于机 械设备故障诊断中。主要是指采用参数模型对观测得到的有序随机数据进 行分析的一种处理方法，时序模型反映了不同时刻观测值的相关性，即状 态变化的“惯性”，这种惯性现象实际上反映了设备运行状态的变化趋势。 如果把设备某个状态变化的时间序列看作一个随机序列o ) ，而将已有 的观测值作为样本，那么所需要做的工作就是利用样本数据建立时序模型。 a r m a ( a u t o r e g r e s s i v em o v i n ga v e r a g e ) 模型( 特别是其中的a r 模型) 是时序 分析最基本的、也是实际应用最广的参数模型。a r m a 模型的一般形式为： 式中，y 。一按“时间”顺序排列的一系列信号观测( 采样) 值 一对应的观测噪声序列 吼一自回归系数 b ，一滑动平均系数 m ，一模型阶次 1 7 r 2 - 2 6 ) 叶玩 + t”y m 一 = 靠 燕山大学工学硕士学位论文 若b o = 1 ，髓= 0 ，f = 1 , 2 ，m ，则 y 。= 一吼y ，t ( 2 - 2 7 ) i - l 式( 2 2 7 ) 描述了这样一种序列，即观测值儿可以表示成过去若干时刻观 测值和当前时刻观测噪声的线性组合。y 。对n 。的这种依赖关系称为自回 归，相应式( 2 - 2 7 ) 被称为自回归模型，简称a r 模型。 对于一个具有某种规律的信号序列，序列观测值之间的内在联系凝聚 在模型参数m ，n ，吼，b j 之中。当模型参数m ，n ，a i ，缸确定后， 便可以用当前以及历史观测值y 。，y 。，以一对设备的未来状态y 。进 行预测。 显然，用a r m a 模型进行状态预测时，要满足两个条件：一是实际的 信号序列应与a