（机械制造及其自动化专业论文）旋转机械故障特征提取技术及其系统研究.pdf

浙江大学硕士学位论文 摘要 摘要 旋转机械故障特征提取是旋转机械故障诊断的核心之一。本论文研究结合国家自然科学 基金项目“基于独立分量分析的旋转机械故障诊断新方法的研究”( 5 0 2 0 5 0 2 5 ) 、浙江省自然 科学基金项目“基于盲源分离的机械嗓声故障诊断技术研究”( 5 0 0 1 0 0 4 ) 以及福建炼化集团、 衢州巨化集团具体应用项目展开，以旋转机械故障信号为研究对象，研究了基于幅域分析、 时域分析以及以傅里叶变换( f t ) 为核心的故障特征提取方法：研究了基于短时傅里叶变换、 小波变换和e m d 时频分析方法的故障时频特征提取方法：通过仿真和实验研究，分析各种故 障特征提取方法的性能特点：著在c + + b u i t d 5 和m a t t a b 6 1 平台下开发了一个旋转机械故 障特征提取软件系统。全文的主要研究内容如下： 第一章介绍了旋转机械故障诊断技术的概况；综述了旋转机械故障特征提取技术的方法 和研究现状；最后，提出了论文的研究目标，概括了论文的研究内容，并给出论文的总体框 架。 第二章研究了传统的基于幅域分析、时域分析以及以傅里叶变换( f t ) 为核心的故障特征 提取方法的一些基本概念和方法，总结了该类方法的特点。 第三章研究了小波变换理论和方法分析了小波变换在旋转机械故障特征提取中的应用 特点。并通过小波变换对仿真信号和实际的旋转机械振动信号进行分析处理，验证了小波变 换方法在旋转机械故障特征提取中的有效性。 第四章介绍了基于e m i ) 时频分析方法的基本概念和算法。研究了e m d 方法中存在的 一个重要的问题端点效应闷题，采用基于短数据序列的直接延拓技术，以此来降低端点 效应的影响，并得出了分析结论。最后对一个实际的旋转机械振动信号进行了基于e m d 时 频分析方法的分析，证明了用基于e m d 的时频分析方法来提取旋转机械故障振动信号的特 征是有效的。 第五章应用f f t 、短时傅里叶变换、小波变换和基于e m d 的时频分析方法对本实验室 的b e n t l y 转予试验台所采集的转子四种故障：转子不平衡、不对中、油膜涡动和转子横向 裂纹的振动信号进行信号处理和故障特征提取，并主要对短时傅里叶变换、小波变换和基于 e m d 的时频分析方法进行了比较研究，得出了分析结论。 第六章结台m a t l a b 和c b u i l d e r 的优点，采用混合编程的方式开发了一个集信号的 幅域分析、时域分析、傅氏频谱分析、倒频谱分析、短时傅里叶变换、小波变换和基于e m d 时频分析方法的旋转机械故障特征提取软件系统。 第七章对全文进行总结，并对今后的工作提出了展望。 关键词：旋转机械故障特征提取f f t 短时傅里叶变换小波变换基于e i d 的时频分析希 尔伯特变换( h t ) 信号序列延拓故障特征提取系统 塑翌查兰堡主兰焦堕苎一一一 竺! ! ! 垒! ! a b s t r a c t e x t r a c t i n gf e a t u r e so f t h er o t a t i n gm a c h i n ef a u l t si so n eo ft h em o s ti m p o r t a n tp r o c e s s e si n t h e r o t a t i n gm a c h i n ef a u l t sd i a g n o s i s b a s e d o nt h e r e s a r c ho nn e wm e t h o df o rr o t a t i n g m a c h i n ef a u l t sd i a g n o s i sb a s e do ni n d e p e n d e n tc o m p o n e n ta n a l y s i s ”( n a t i o n a ln a t u r es c i e n c e f u n dp r o j e c t ，n o ：5 0 2 0 5 0 2 5 ) ，t h e “r e s e a r c ho nt e c h n i q u ef o rf a u l td i a g n o s i sw i t hm e c h a n i c a l n o i s eb a s e do nb l i n ds o u r c es e p a r a t i o n ”m a t u r es c i e n c ef u n dp r o j e c to f z h e j i a n gp r o v i n c e n o ： 5 0 0 1 0 0 4 ) ，a n dt h ep r o j e c t so ff u j t a np e t r o c h e m i c a lc o a n d0 u z h o uj u h u ac o l t d ，w es t u d i e d t h e t e c h n o l o g y o fe x t r a c t i n gf e a t u r e sf r o mv i b r a t i o n a l s i g n a l s o fr o t a r i e sw es t u d i e dt h e t r a d i t i o n a lt e c h n o l o g yo fe x t r a c t i n gf e a t u r e so fr o t a t i n gm a c h i n ef a u l t s ，s u c ha st h en u m e r i c a ld a t a m a g n i t u d ea n a l y z i n g , t i m ea r e aa n a l y z i n ga n ds e v e r a l c l a s s i c a lf e a t u r e e x t r a c t i n gt e c h n o l o g y b a s e do nf t ：d i s c u s s e dt h es e v e r a i s i g n a lp r o c e s s i n g m e t h o d so fs h o r tt i m ef o u r i e r t r a n s f o r m a t i o n ( s t f t ) ，w a v e l e tt r a n s f o r m a t i o n ( w t ) a n dt h ee m p i r i c a lm o d ed e c o m p o s i t i o n ( e m d ) b a s e dt i m e - f r e q u e n c ya n a l y s i sa n dt h e i ra p p l i c a t i o ni nt h er o t a t i n gm a c h i n ef a u l t sf e a t u r e e x t r a c t i n gp r o c e s s w em a d es o m ee x p e r i m e n t s t oc o m p a r et h e s em e t h o d sa n dt e s t i f yo u rr e s e a r c h r e s u l t s i nt h ee n d w eu s e dm a t l a ba n dc 十+ m i x t u r ep r o g r a m m i n g l a n g u a g e st od e v e l o par o t a t i n g m a c h i n e sf a u l t sf e a t u r ee x t r a c t i n gs o t b , v a r es y s t e mb a s e do nf f t s t f lw a v e l e tt r a n s f o r m a t i o n a n de m d t h ed e t a i l sa r es t u d i e da sf o l l o w s ： c h a p t e ro n eb r i e f l y i n t r o d u c e dt h e g e n e r a l s i t u a t i o no fv i b r a t i o n m o n i t o r i n ga n d f a u l t s d i a g n o s i so f t h er o t a t i n gm a c h i n e t h ed e v e l o p i n ga n dt h ec u r r e n ts i t u a t i o n so ft h et e c h n o l o g yo f e x t r a c t i n gf e a t u r eo fr o t a t i n gm a c h i n e s f a u l t sw e r es u m m a r i z e d a tl a s t ，t h e o b j e c t i v e m a i n c o n t e n t s ，g e n e r a ls t r u c t u r es c h e m eo f t h i sd i s s e r t a t i o nw e r ep r e s e n t e d c h a p t e rt w o s t u d i e dt h et r a d i t i o n a lt e c h n o l o g yo f e x t r a c t i n gf e a t u r e sf r o mr o t a t i n gm a c h i n e 7 s f a u l t s ，s u c ha st h en u m e r i c a ld a t am a g n i t u d ea n a l y z i n g ，t i m ea r e aa n a l y z i n ga n ds e v e r a lc l a s s i c a l f e a t u r e e x t r a c t i n gt e c h n o l o g yb a s e do nf t , a n dt h e ns u m m a r i z e dt h ec h a r a c t e r i s t i co ft h e s e m e t h o d s c h a p t e rt h r e er e s e a r c h e dt h eb a s i ci d e a so fw a v e l e tt r a n s f o r m a t i o nt h e o r i e s ，a n dd i s c u s s e d t h es p e c i a l t i e si nu s i n gt h ev i r t u eo f 鼢v e l e tt r a n s f o r m a t i o nt oe x t r a c tf e a t u r e so ft h er o t a t i n g m a c h i n e sf a u l t s v e r i f i e dt h et h e o r i e sa n dm e t h o d so fw t t h r o u g ha n a l y z i n gt h es i m u l a t es i g n a l s a n dt 1 er e a lv i b r a t i o ns i g n a l so f t h er o t a t i n gm a c h i n ew i t hw t c h a p t e rf o u rr e s e a r c h e dt h eb a s i ci d e a so fe m d t h e o r i e sa n da r i t h m e t i c t h e nd i s c u s s e dt h e i m p o r t a n ti s s a eo fe m d se n de f f e c t s t u d i e dt h ed i r e c ts h o r td a t ae x t e n d i n gt e c h n o l o g yt o w e a k e n t h e i n f l u e n c e o f e n d e f f e c t a t l a s t ，a n a l y z e dar e a l v i b r a t i 0 1 3 s i g n a l o f t h er o t a t i n g m a c h i n e t h r o u g ht h em e t h o do f e m da n dt h ec o n c l u s i o nw a sd e d u c e dt h a tt h ee m d b a s e dt i m e f f e q u e n c v a n a l y s i sm e t h o di sv a l i di nt h ef i e l do fs i g n a l sp r o c e s s i n gi nr o t a t i n gm a c h i n e c h a p t e rf i v ec o m p a r e dt h ee m d - b a s e dt i m e f r e q u e n c ya n a l y s i sm e t h o dt o f f t ，s t f t , w a v e l e tt r a n s f o r m a t i o n u s e dt h e s em e t h o d st o s i g n a lp r o c e s sa n de x t r a c tt h ef e a t u r e so ff o u r f a u l t so f b e n t l yr o t o rm a c h i n e ，a n dc o n c l u d e ds o m er e s e a r c hr e s u l t s c h a p t e r s i xu s e dm a t l a ba n dc + + m i x p r o g r a m m i n gl a n g u a g e st ob u i l tt h er o t a t i n gm a c h i n e s f a u l t sf e a t u r ee x t r a c t i n gs o f t w a r es y s t e mb a s e do nf f t ，s t f t w a v e l e tt r a n s f o r m a t i o na n de m d a tl a s tt h eb a s i cc o m p o n e n t sa n df u a c t i o n so f t h es o f t w a r ea r ei l l u s t r a t e d c h a p t e rs e v e n i st h ef i n a l p a r to ft h i sp a p e r , s u m m e du pt h ew o r ko ft h ed i s s e r t a t i o na n d 浙江火学硕士学位论文 a b s t r c 下 p r e s e n t sc o n c l u s i o na n dp r o s p e c t 。 ， k e y w o r d s ：r o t a t i n gm a c h i n e ，f a u l t sf e a t u r ee x t r a c t i n g ，f f t ，s t f t ，w a v e l e tt r a n s f o r m a t i o n ( w t ) ，t h ee m p i r i c a lm o d ed e c o m p o s i t i o n ( e m d ) ，h i l b e r tt r a n s f o r m a t i o n ( h t ) ，s i g n a ld a t a e x l e n d i n g ，f a u l t sf e a t u r ee x t r a c t i n gs o f t w a r es y s f e m 塑垩查堂堕圭兰些婆兰 塑二翌! i 鱼 第一章绪论 1 1 旋转机械故障诊断技术的研究意义 设备故障诊断学是本世纪六七十年代产生并发展起来的一门综合性边缘学科。一方面， 随着现代设备日益大型化、复杂化、自动化和连续化，设备一旦发生故障，给生产和质量以 至人们的生命财产造成的严重影响往往大的惊人，为使设备保持正常运行状态所花的维修费 用在企业经营费用中占了很大的比重，因此，为了使维修工作更加高效而科学，就必须对维 修对象设备的劣化、故障状态、故障部位及其原因有正确的了解：另一方面，信息传感 技术、信号处理技术以及现代测试技术等相关学科的发展，特别是计算机技术及网络技术的 飞速发展，为设备故障诊断提供了强大的技术支持，从而使上述需要成为可能。在这种情况 下，受医疗诊断学中的一些基本逻辑思想的启发，就形成了- - f l 新的学科设备故障诊断 学。 设备故障诊断学经过几十年的发展，理论研究取得了重大进展，按照所采用的技术手段 可分为：振动分析法、声学分析法、红外分析法、润滑油分析法、计算机辅助诊断及专家系 统等方法等。7 ；按照诊断对象可分为：旋转机械故障诊断、往复机械故障诊断、机械零件 故障诊断、工程结构故障诊断、液压设备故障诊断、电气设备故障诊断等“1 1 。 在这些众多的分支中，旋转机械故障诊断是一个极为重要和引人注目的分支，国内外无 论是企业还是高等院校都投入大量人力物力研究。旋转机械的种类繁多，如汽轮机、燃气轮 机、水轮机、发电机、航空动机、离心压缩机、烟机等机械设备，是电力、石油化工、冶金、 机械、航空以及一些军事工业部门的关键设备。随着现代工业和科学技术的发展，旋转机械 正朝着大型化、高速化、连续化、集中化、自动化方向发展。生产设备系统之间的联系也越 来越紧密。旋转机械长期处于高速运行状态( 一般为每分钟3 0 0 0 转以上甚至高达1 0 0 0 0 转) ， 由于各种随机因素的影响，难免会出现一些机械故障，而旋转机械的任何一个小小的故障， 都可能引起连锁反应，因此，旋转机械故障发生频率较高并且故障发生后往往造成巨大经济 损失甚至灾难性后果。1 9 8 6 年与1 9 8 6 年2 月，我国先后于山西和陕西发生两起2 0 万千瓦 电站机组由于运行失稳到机组烈振，轴系断裂，零件飞出毁坏厂房的恶性电站事故”。1 9 8 8 年秦岭电厂5 号机组主轴断裂，损失达亿元以上，1 9 7 1 年美国3 0 0 m w 发电机因振动而引起 断轴毁机事件，1 9 7 3 年前西德6 0 0 岬发电机组联轴器变型事件，国外类似的事故自1 9 7 0 年 以来仅正式报道就达5 0 多起，据国内磊化行业统计，1 9 7 6 至1 9 8 5 年期间，我国化肥五大 机组由于事故停车造成的直接经济损失就高达四亿七千五百万元”1 。旋转机械故障诊断技术 的研究和应用能及早发现故障隐患，故障发生后也能及时准确判别故障发生的原因、部位、 严重程度及其发展趋势，这对于避免巨额的经济损失和灾难性事故的发生有着重要意义。 旋转机械故障诊断技术的研究和应用，可在以下几方面给企业带来重大的经济效益”1 ： 。 通过运行状态监钡4 与趋势分析，以避免不必要的停机检修和盲目大修，节约人力物力， 提高设备利用率； 通过在线故障诊断技术，发现一些潜在故障，及早进行处理，减少事故发生率，确保机 组安全、长期、满负荷运转： 提供发生事故的性质平原因，缩短故障查找和检修时间，提高检修质量： 。 为设计单位和生产厂家提供设备实际运行状况及存在的问题，有利于提高设计和制造质 浙江大学硕士学位论文 第一章绪论 量。 综上所述，对旋转机械故障诊断技术进行探索与研究，对于保证这些机组长 i | j 、可靠、 高效运行，从而保证企业的安全生产与提高经济效益具有重大的意义与实际应用价值。 1 2 旋转机械故障诊断技术的研究内容及发展现状 近3 0 年来，设备故障诊断技术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、物理、力学、化学、电子技术、计算机技术、 信息处理、人工智能等各种现代科学技术于一体的新兴交叉学科。因此，作为设备故障诊断 技术的一个分支旋转机械状态监测与故障诊断技术，其研究领域也同样主要集中在以下 几个研究内容和研究方向”：故障信息检测，故障特征分析，状态监测方法，故障机理研 究，故障识别及其专家系统。其研究领域的进步划分如图卜1 所示。 图卜l旋转机械状态监测与故障诊断技术研究领域 1 2 1 故障信息检测 在旋转机械故障诊断领域中，故障信息检测是指对旋转机械本身的工作参数、性能指标、 相关物理量等信息的信号进行检测和量化的技术，它涉及到传感器、数据预处理、a d 转换、 采集工作站等硬件设备。 近年来传感器技术随着半导体技术进入超大规模集成化阶段而得到了快速的发展，特别 是当前数字技术、光纤技术的兴起，为传感器向数字式、光纤式发展提供了广阔的前景。 在数据预处理方面，多通道高速并行工作、实时数据处理是它的一个重要发展方向。 在计算机硬件平台技术方面，功能强大的工作站、服务器和网络将综合在一起形成网络 系统t 许多先进的计算机硬件技术、网络技术得到广泛应用，如多媒体技术、高速图形显示 技术、大容量高速硬盘技术以及分布式网络技术、现场总线技术等”。 2 塑坚盔兰堡圭堂垡堡苎 。翌二重塑 上述技术的发展为旋转机械故障信息的准确获取提供了必要的技术条彳牛。 1 2 2 状态监测方法 状态监测主要是对旋转机械运行状态作实时监测和趋势分析，目前旋转机械状态监测的 方法按监测时间可以分为连续监测、巡回监测和定期监测：按监测模式可分为单机监测、分 布式监测和远程监测。随着计算机技术、网络技术的发展，分布式实时监测诊断系统现在已 为各大企业广泛采用。它由分布在现场的下位机进行数据采集，通过网络将数据传送到监诊 中心的上位机，对数据进行统一的存储、分析和处理，形成统监诊网络，具有数据采集的 独立性，分析监控的统一性以及结构的开放性等特点，能及时准确地诊断旋转机械故障。这 也是当今旋转机械故障诊断研究和发展的主要方向。例如，浙江大学开发的“大型旋转机 械监测与诊断系统”采用的就是分布式体系结构。 1 2 3 故障特征分析 故障特征分析是故障诊断的核心它通过对原始信号的分析、处理后提取故障特征信息， 为模式识别和故障诊断服务。在旋转机械方面，旋转机械故障特征信息的提取，是当前旋转 机械故障诊断研究中的瓶颈，它直接关系到旋转机械故障诊断的准确性和旋转机械故障早期 预报的可靠性。为了从根本上解决旋转机械故障特征信息提取这个关键问题，人们主要是借 助信号处理的方法来进行信号处理以提取旋转机械信号故障特征。 目前信号处理采用的分析方法主要是以傅里叶变换( f r ) 为核心的传统信号处理分析方 法。它包括频谱分析、相关分析、相干分析、传递函数分析、细化谱分析、时间序列分析、 倒频谱分析、包络分析等方法。这些分析方法是基于信号为稳态和线性的瑕设基础上的。在 一般情况下，这些方法能基本满足工程实践的要求，在旋转机械故障诊断中取得了较好的效 果。 但实际当旋转机械故障发生肘的振动信号，大量是非平稳、非高斯分布和非线性的随机 信号，使上述的这些分析方法遇到了难以克服的困难，也严重影响了故障诊断的准确性。因 此用于研究和分析非线性、非因果、非最小相位系统，非高斯、非平稳、非整数维( 分形信 号) 和非白色的加性噪声的现代信号特征提取技术，实现旋转机械故障的准确诊断是目前研 究和发展的重要方向。目前主要有现代谱分析、时频分析理论( w i n g e r v i l l e 分布( w v d ) 、 短时傅氏变换( s t f r ) 、小波变换( w t ) 和基于e 眇的时频分析方法等) 、离盼统计量分析以及 将混沌与分形动力系统理论中的新方法引入旋转机械故障诊断领域，研究基于非线性信号处 理理论的特征提取方法等”，。 1 2 4 故障机理研究 故障机理研究的目的是为了掌握故障形成和发展过程，了解设备故障内在本质及其特 征，建立合理的故障模式其研究方法是依赖于振动学、摩擦学、空气动力学、材料失效等 相关的基础学科和理论，建立相应的物理或数学模型，进行计算机仿真计算和实验研究，它 是设备状态监测与故障诊断的基础”。 在旋转机械方面，为了故障诊断工作的顺利开展，国内外很多科研人员和科研部门在旋 转机械的故障机理研究方面作了大量的研究工作。例如，具有多年工厂实践经验的美国人 3 堑兰查兰堕主兰堡丝兰 墨三翌笙堡 7 0 h ns o h r e 是研究涡轮机械故障机理的权威他于1 9 6 8 年发表的论文“高速涡轮机械运行 问题的起因和治理”，清晰简洁地描述了典型的机械故障征兆及其可能成因，并将典型的故 障划分为9 类3 7 种”“，该项研究成果已被广泛应用于高速旋转机械故障诊断中。美国g e n t l y n e v a d a 公司的转子动力学研究所对转子和轴承系统典型故障蚱了大量的试验研究，并发表 了许多很有价值的论文1 ”、”1 。日本的故障诊断专家白术万博白2 0 世纪6 0 年代以来发表了 大量有关旋转机械故障诊断方面的文章，积累了丰富的现场故障处理经验并进行了理论分 析1 。国内2 0 世纪8 0 年代中期以来，消华大学、上海交通大学、哈尔滨工业大学、西安交 通大学、西安热工研究院等单位，在旋转机械故障机理的研究方面做了大量的工作，发表了 许多有价值的文章”一“。 1 2 5 故障识别及其专家系统阻。” 1 ，2 5 1 故障识别 故障识别是在故障信息检测和故障特征分析的基础上按一定的规律和标准对机械设备 发生故障舶种类、原因和部位做出判断和推断，也就是故障源的分离与定位。故障识别技求 是故障诊断的关键技术，将故障源定位是故障诊断的最终目标”1 。 2 0 世纪6 0 年代以来，随着故障诊断理论研究的不断深入，人们克服了越限诊断方法的 局限，发展了多种故障识别技术，包括基于系统数学模型的方法、统计分析方法和模糊综合 评判方法等。根据诊断知识的利用方式，可以将故障识别技术分为基于模型的方法与基于规 则的方法两大类。基于模型的方法可以充分利用系统的内部知识，有利于系统整体的故障诊 断其缺点是系统的建模误差或外部干扰将对故障诊断的结果产生重大的影响。基于规则的 方法，其适应性广、灵活，但故障的在线估计比较困难”3 。“。 i 2 5 2 故障诊断专家系统 故障识别所参照的规律和标准一般都是借助于专家系统。所谓专家系统，是人工智能的 一个分支。它是一种典型的知识处理系统，它能获取大量的专家诊断知识。利用专家的推理 方法，解挟故障诊断领域的问题。专家系统的设计有两个显著特点：一是专家系统对专家的 依赖性，因为一个实际的专家系统的设计一般自始至终都离不开一个或多个领域专家的合 作，设计出来的专家系统的性能很大程度上头定于专家的水平和合作效果：二是专家系统的 设计不同于一般的程序设计，需要实现知识的获取，知识的表示，基于知识的推理等功能， 因此是一个智能计算机程序，耍利用知识和推理的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。诊断专家系统的发展为人们提供了种能够希j 用领域专家的经验知识， 基于多种技术来解决复杂系统故障诊断问题的强有力的工具，是机械设备诊断技术发展的一 个里程碑1 。 1 9 8 5 年s t u a r t “”根据s h o r e 给出的故障征兆与起因关系表研制成功了第一个透平机械 故障诊断专家系统以后，相继又有多个专家系统出现“2 ”。1 9 8 7 年美国西屋公司与卡内基 一杨琏大学合作开发了逢平机械、发也机剽水化学处理豹三个专家系统t u r b i n a i d ，g 8 n a i ) 及c h e m a i d “，这个专家系统据称有一万多条规则。各电站机组监测信号数据经压缩处理后， 通过电话线传送到几百公里外的诊断运行中心( d o c ) ，利用专家系统进行昼夜监视、分析、 诊断。 塑坚查兰堡主兰垒堡苎： 一塑二! ! 箜鲨 我国自8 0 年代以来也开始自行研制旋转机械专家诊断系统。其中如哈尔滨工业大学 的3 m d e s l 与e t h y l e n e ( 1 9 8 8 年) ，华中理工大学的k b t g m o ( 1 9 9 3 年) ，郑州工学院的 m m m d s ( 1 9 8 9 年) ，浙江大学的d 系统( 1 9 9 5 年) ，西安交通大学的r m 及其它专家系统”“。 专家系统的核心是知识。大量事实表明，知识获取是建造专家系统的“瓶颈”问题。一 个诊断系统在其运行过程中所获取的诊断信息( 知识) 越丰寓，其诊断结果可靠性越高，因而， 专家系统的性能水平主要取决于它所拥有的知识数量和质量”“。 为了对复杂问题求解，近年来发展了一种分布式人工智能系统，采用多个问题求解器处理 一个复杂问题，可使系统的建立、调试与维护更加容易。 1 2 5 3 基于神经网络的故障诊断方法b 5 神经网络是试图模拟生物神经系统而建立起来的自适应非线性动力学系统，具有可学习 性和并行计算能力，可以实现分类、自组织、联想记忆和非线性优化等功能。神经网络用于 故障诊断领域，可以解决趋势预测和诊断推理问题。其中，诊断推理可以理解为根据特定的 映射关系由故障征兆域到故障原因域的计算求解问题。对于复杂的机械系统而言，这种映射 关系一般为非线性的，由于神经网络可以对各种映射进行有效的逼近，因此，可以用其解决 诊断推理问题。将神经网络用于诊断推理，般需要领域专家提供一系列范例( 如标准的故 障诊断实例) 作为学习样本，若学习样本中只有输入状态而没有输出状态，系统可以通过自 组织方式学习、分类。学习过程中，专家知识如启发性知识与推理方式等，均阻非自然语言、 非显式逻辑和非语言形式化的方式分布于网络互连与权值之中。经过大量标准样本学习的故 障诊断系统，当输入特定的设备状态模式，网络将通过各神经元之间的互连与权值构成的大 规模非线性并行处理模式进行计算，来实现隐含的专家知识的应用，最后生成诊断推理结果。 目前，在故障诊断中应用较多的有多层感知器( m l p ) 网络、自适应共振理论( a r t ) 、白 组织特征映射( m ) 和双向联想记忆( b a m ) 等1 。为了提高神经网络的工作性能，人们对网络的 结构类型、学习算法和样本处理等问题进行了研究：应用模块化神经网络解决大规模复杂问 题l j ；应用剪枝法优化网络连接方式”；将遗传算法。7 1 和混沌理论1 应用于网络的学习训 练中，解决局部极小问题；为提高网络的泛化能力、加快网络学习速度，在训练样本中加入 噪声，或者对样本数据进行优化处理”“。 基于神经网络的智能故障诊断具有如下优点：1 ) 具有统一的知识表达形式，知识库组 织管理容易通用性强，便于移植与扩展；2 ) 知识获取容易实现自动化( 如自组织自学习) ； 3 ) 可以实现并行联想和自适应推理，对知识的完备性要求低。容错性强；4 ) 能够表示事物 之间的复杂关系( 如模糊关系) ；5 ) 可以避免传统专家系统的“组台爆炸”和“无穷递归” 等问题；6 ) 没有复杂的推理过程，可以实现实时在线诊断。神经网络应用于故障诊断也存 在着一些问题：1 ) 训练样本获取困难；2 ) 忽视了领域专家的经验知识：3 ) 连接权重形式 的知识表达方式难于理解。这些问题需要在今后的研究工作中逐步得到解决。 神经网络在旋转机械故障诊断领域中应用得相当普遍“”1 。例如，浙江大学的杨世锡博 士把神经网络的非线性分类方法用于大型旋转机械的故障诊断，取得了较好的效果“1 。 】，2 5 4 隐m a r k o v 模型的故障诊断方法“”o 隐m a r k o v 模型( h i d d e nm a r k o vi i o d e ls ，简称为m m ) 作为种信号时间序列统计模型， 已在信号处理领域，特别在语音处理中获得了广泛的应用。h m m 基本理论是在7 0 年代左右 由b a u m 等人创立的，b a k e r 与j e l i n e k 等人将其成功地应用到语音识别中。由于早期有关 塑兰查兰堡! ：兰垡堡兰 笙二里i 丝 l 删理论只发表在数学期刊中，并未被大多从事信号处理的工程技术人员获悉，有关论文也 没有提供足够的h m m 一般性理论介绍，从而使众多研究人员无法理解其基本理论并将其应用 到各自所从事的研究之中。直至8 0 年代中期，b e l l 实验室的r a b i n e r 等人发表了一系列系 统介绍h 删理论和应用的文章， n 倒才逐渐被广为了解，并将 8 删应用到解决本学科的阅题 上去。现在， m 嘶不论在理论研究上还是在工程应用中，都是信号处理领域中的一个研究热 点1 。 洲作为一种过程模式识别的技术已经开始引入旋转机械故障诊断领域，浙江大学的童 进博士“、冯长健博士“”等人对该技术进行了详细的研究，把该技术应用于旋转机械故障 诊断领域，取得了较好的效果。 1 3 旋转机械故障特征提取技术的研究内容 本章在前几节中对旋转机械故障诊断技术作了一个整体性的介绍，其中在1 2 3 节中 简单介绍了旋转机械故障诊断领域中的一个重要研究内容和发展方向故障特征分析。正 如本章前面所述，旋转机械故障诊断般有三个步骤：首先是故障信号的获取，其次是提取 故障的特征，最后是模式识别和故障诊断。其中准确提取故障信号的特征是故障诊断的关键。 因为在实际应用中，故障与征兆之间往往并不存在简单的一一对应关系+ 一种故障可能对应 着多种征兆，反之一种征兆也可能是由于多种故障所致。因此，借助信号处理等手段从采集 的原始数据中提取特征信息，保证有效、准确地进行故障诊断，是旋转机械故障诊断中必不 可少的一个重要环节，是故障诊断的基础，也是本文研究的主要内容。 1 3 1 传统的旋转机械故障特征提取技术“ 传统的旋转机械故障特征提取技术主要有：信号的幅域分析、信号的时域分析以及以傅 里叶变换( f t ) 为核心的经典信号处理分析方法( 主要有频谱分析、相关分析、相干分析、传 递函数分析、细化谱分析、倒频谱分析、包络分析等) 。它们在旋转机械故障特征提取中发 挥了巨大作用”、”1 。 1 3 2 旋转机械故障特征提取中的现代谱分析方法n “5 “5 7 3 利用给定的个样本数据估计一个平稳随机信号的功率谱密度叫做谱分析“。谱分析 方法分为两大类：非参数化方法和参数化方法。非参数化谱分析( 如周期图法) 又叫“经典” 谱分析，它是以f o u r i e r 分析为基础的。其主要缺陷是频率分辨率低。参数化谱分析又叫现 代谱分析，它具有频率分辨率高的特点。主要有a r m a 谱分析、最大似然法、熵谱估计法和 特征分解法四种。其中a r m a 谱分析是一种建模方法，即通过对平稳线性信号过程建立模型 来估计功率谱密度，是应用较广的一种现代谱分析方法。它采用时间序列线性预测建模的方 法来描述信号，由a r m a 得到的频谱较f f t 更为平滑、频谱分辨率更高、对信号处理点数要 求也不高，其中由一阶白噪声驱动的a r m a 模型即a r 模型在实践中得到更为广泛的应用。由 于在a r 模型中，信号可视为自噪声通过一滤波环节产生的输出，因此信号a r 模型的线性预 6 浙江大学硕士学位论文 第一章绪论 测系数也可作为信号的特征之一 s o s 4j o 例如东南大学的黄石勇、陈勇等人对大型旋转机械 汽车发电机的振动信号进行时序信号分析，通过a r 模型将信号数据拟合成一个参数模型以 提取该设备的故障特征，取得了较好的效果“2 ”；北京机械工业学院的韩秋实，许宝杰等人 研究了a r 时间序列线性预测建模的方法，建立了旋转机械的信息距离判别函数，并将此作 为一种故障特征提取方法应用到旋转机械故障诊断专家系统的模式识别中”1 。 1 3 3 旋转机械故障特征提取中的高阶统计量分析方法嫡。” 一般情况下，总是假定被分析信号服从高斯分布。而事实上，现实系统都是非线性的， 即便输入高斯信号，输出却为非高斯信号。对于非高斯信号而言，需要用高阶统计量反映信 号的更多信息。经过短短几年的迅速发展+ 高阶统计量已在雷达、声纳、通信、地球物理及 生物医学等领域获得了大量应用。高阶统计量方法在故障特征信息提取上也具有很大的潜 力，特别是三阶统计量分析已广泛应用于非因果、非最小相位系统、非线性系统辨识，掷制 高斯或非高斯分布的有色噪声，提取多种信号特征等领域。早在1 9 7 7 年t s a t o 等人就将双 谱应用于齿轮振动信号分析，但由于双谱的物理解释困难，在当时其应用受至了限制。1 9 9 3 年，r w b a r k e r 等人”3 介绍了利用高阶谱特征来监测加工刀具磨损的结果。1 9 9 5 年，j w a f a c k r e l l 等人”在将双谱用于故障诊断上作了有益的尝试。他们指出双谱应用于故障诊 断有三个优势：1 ) 机器故障总是与零部件的失效及运行状态的非线性有关，双相关只用一个 传感器的数据即可提供非线性信息，并旦双谱可用于检测二次相位耦合，并确定是否存在二 次非线性。2 ) 许多机器包含了旋转部件，其振动信号带有周期性，而周期性的偏离往往预示 着机械故障。周期性信号的双谱一般呈“钉床”形。3 ) 机械故障诊断一般能获得大量实验数 据，可以得到比较准确的h o s 估计。2 0 0 2 年，浙江大学的李志农博士结合双谱和因子隐m u r k o v 模型，提出了一种基于双谱的特征提取建立机组各状态相应的因子隐m a r k o v 模型状态识别 法，并成功地应用到旋转机械升降速过程的故障诊断中”“。随着对高阶统计量分析理论和方 法的研究不断深入，相信它将目益成为旋转机械故障特征提取领域中一个十分活跃的研究方 向。 1 3 。4 旋转机械故障特征提取中的时频分析方法“o 基于f o u r i e r 变换的信号频域表示及其能量的频域分布揭示了信号在频域的特征，它们 在传统的信号分析与处理的发展史上发挥了极其重要的作用。但是，f o u r i e r 变换是一种整 体变换，它只是建立了从时域到频域的通道，并没有将时域和频域组合成个域，即对信号 的表征要么完全在时域，要么完全在频域，信号的时间信息在频域中无法得到。 对于一个f o u r i e r 变换与f o u r i e r 反变换： 鼻( 力= z o x - j 2 叫d t 浙江大学硕士学位论文 第一章绪论 x ( f ) = x ( f ) e ：2 # 7 d f ( i 一2 ) 谱j ( 厂) 只是显示任一频率厂包含在信号x ( t ) 内的总强度，它通常不能提供谱分量时 间局域化的信息。如果x ( f ) 是由几个平稳分量( 例如正弦波等) 组成，则由傅里叶分析就 足够了。然而非平稳信号x ( t ) 随时间的任何突变都会传遍x ( f ) 的整个频率轴。因此，适用 于非平稳信号的分析比傅里叶变换的要求更为严格。 时频分析法将时域和频域组合成一体，这就兼顾到非平稳信号的要求。它的主要特点在 于时间和频率的局部化，通过时间轴和频率轴两个坐标组成的相平面，可以得到整体信号在 局部时域内的频率组成，或者看出整体信号各个频带在局部时间上的分布和排列情况。时频 分析在语音处理、地震资料分析、信号检测和数据压缩等多个领域得到了广泛应用。对于旋 转机械而畜，当其发生故障时的振动信号，大量是非平稳、非线性的信号，因此，时频分析 方法是进行旋转机械故障特征提取的个重要的方法和特征提取工具，并广泛应用于旋转机 械故障诊断中。 信号的时频分析分为线性和二次型两种。典型的线性对频表示有：短时f o u r i e r 变换、 小波变换和g a b o r 变换等。在很多实际场台，我们还要求_ c - 次型的时频表示能够描述该信号 的能量密度分布。这样一种更加严格意义下的时频表示称为信号的时频分布”。而基于经验 模态分解( e m p i r i c a lm o d ed e c o m p o s i t i o n ，e f 1 3 ) 的时频分析方法，是一种优秀的时频信 号分析方法，尤其适合于非线性、非稳态的信号序列处理。 i 3 4 1 短时傅里叶变换 虽然傅氏变换是全局的，不能反映信号频率成分的时间特性，但是如果随着时间轴把信 号在时域上加以分段，每一段作傅氏变换，计算其频谱，则可以从各时段频谱特性随时间变 化上看出信号的时变特性。这就是目前在时变信号分析中用的最多，最广的分析方法短 时傅里叶变换( s h o r tt i m ef o u r i e rt r a n s f o r m a t i o n ) 。短时傅里叶变换的概念撮早是由 g a b o r 于1 9 4 6 年提出，后经a l l e n 、 a b i n e r 等人改善，其计算公式为： s 7 玎( f ，f ) = ix ( r ) h 。( f ，弦- j 2 4 d f( 1 3 ) 其中，冉( f 一，) 是滑移肘窗坝r 一哆的共轭，滑移对窗用来对信号进行分段截取。 短时傅里叶变换简单、高效，但是，根据测不准原理，其时域分辨率和频域分辨率相 互矛盾，符合以下不等式： 1 a t a f ( 1 4 ) 要提高频域分辨率就得降低时域分