谐波小波包：旋转机械故障诊断的创新利器

谐波小波包：旋转机械故障诊断的创新利器一、引言1.1研究背景与意义在现代工业生产体系中，旋转机械作为关键设备，广泛应用于能源、化工、制造业、交通运输等众多领域，是保障各行业稳定运行的核心部件。从能源领域的汽轮机、发电机，到制造业的各类机床、压缩机，再到交通运输行业的发动机等，旋转机械犹如工业生产的“心脏”，驱动着整个工业体系的高效运转。以风力发电为例，风力发电机叶片的旋转将风能转化为电能，是清洁能源生产的关键环节；在化工行业，离心泵用于物料输送，搅拌机用于物料混合与反应，它们的稳定运行直接关系到化工产品的质量和生产效率。然而，旋转机械在长期运行过程中，由于受到复杂的工作环境、交变载荷、零部件磨损等多种因素的影响，不可避免地会出现各种故障。一旦旋转机械发生故障，往往会引发一系列严重后果。在石油化工行业，大型旋转设备的故障可能导致生产中断，造成原材料和产品的浪费，同时还可能引发安全事故，对人员生命和环境安全构成威胁；在电力行业，发电机等旋转机械的故障会影响电力供应的稳定性，导致大面积停电，给社会生产和生活带来极大不便，造成巨大的经济损失。据相关统计数据显示，每年因旋转机械故障导致的经济损失高达数十亿元，这不仅严重影响了企业的生产效率和经济效益，也对整个工业生产的稳定性和可持续发展造成了阻碍。2003年4月20日，某厂高炉炉顶传动齿轮箱内的齿轮断齿，大型回转支承轴承被压溃，高炉被迫停产5天，直接经济损失3千万元以上；2006年某钢铁公司多次出现粗轧机“烧箱”事故，严重影响了企业的正常运转，因设备损坏导致的直接经济损失达数百万元。传统的旋转机械故障诊断方法主要依赖于人工经验和简单的检测手段，如人工巡检、听诊等。这些方法存在着检测效率低、准确性差、实时性不足等缺点，难以满足现代工业对旋转机械故障诊断的高精度、高效率和实时性要求。随着信息技术和计算机技术的飞速发展，基于智能算法和数据分析的故障诊断技术应运而生，为旋转机械故障诊断提供了新的思路和方法。在众多故障诊断技术中，小波分析由于其窗函数可变，能将信号分解成多种尺度成分，并对不同的尺度成分采用相应大小的时域采样步长，所以能够聚焦到被测对象的任意微小细节，能够从含有强噪声的振动信号中有效地识别出突变信号，在旋转机械的故障诊断中获得了广泛的应用。谐波小波作为小波分析的一种，具有严格盒形谱特征及简单的解析表达式，在信号分析与处理方面展现出独特的优势。通过对仿真信号和现场采集数据的分析，表明谐波小波有很好的特征信号提取能力和工程应用价值。为进一步提高谐波小波变换在高频段的分辨率，谐波小波包分解变换被引入，它能在通频范围内得到不同频段内的分解系列，在时域和频域均有更精细的局部化分析功能，利用此方法能大大提高故障诊断的准确性。因此，开展谐波小波包在旋转机械故障诊断中的应用研究，对于提高旋转机械故障诊断的准确性和可靠性，及时发现设备潜在故障，避免重大事故的发生，保障工业生产的安全、稳定和高效运行具有重要的现实意义。同时，该研究也有助于推动故障诊断技术的发展，为相关领域的理论研究和工程应用提供新的方法和思路。1.2国内外研究现状旋转机械故障诊断技术一直是国内外学者和工程技术人员研究的重点领域，随着工业自动化程度的不断提高以及对设备可靠性要求的日益增加，该领域的研究取得了丰硕的成果。国外在旋转机械故障诊断方面的研究起步较早，技术相对成熟。在上世纪六七十年代，随着计算机技术和传感器技术的发展，基于振动监测的故障诊断方法开始得到应用。学者们通过对振动信号的分析，提取故障特征，实现对旋转机械故障的诊断。例如，美国西屋电气公司开发的汽轮发电机组监测与诊断系统，利用振动、温度等参数对设备运行状态进行实时监测和故障诊断，取得了良好的应用效果。进入八十年代，人工智能技术逐渐引入到故障诊断领域，专家系统、神经网络等智能诊断方法得到了广泛的研究和应用。日本三菱重工开发的“机械保健系统”，运用专家系统对汽轮发电机组的故障进行监测和诊断，能够及时准确地识别故障类型和原因，有效提高了设备的可靠性和维护效率。在神经网络方面，国外学者通过大量的研究，提出了多种神经网络模型，并将其应用于旋转机械故障诊断中，取得了一定的成果。例如，BP神经网络被广泛用于故障模式识别，通过对大量故障样本的学习，能够准确地识别出不同类型的故障。近年来，随着大数据、云计算、物联网等新兴技术的不断涌现，旋转机械故障诊断技术迎来了新的发展机遇。基于大数据分析的故障诊断方法能够对海量的设备运行数据进行处理和分析，挖掘数据中的潜在信息，提高故障诊断的准确性和可靠性。例如，美国通用电气公司利用Predix平台对工业设备进行实时监测和故障诊断，通过对大量设备运行数据的分析，实现了对设备故障的预测和预警。此外，基于深度学习的故障诊断方法也成为了研究热点，卷积神经网络（CNN）、循环神经网络（RNN）等深度学习模型在旋转机械故障诊断中展现出了强大的性能。CNN能够自动提取振动信号的特征，对故障类型进行准确分类；RNN则适用于处理时间序列数据，能够对设备的运行状态进行动态监测和故障预测。国内在旋转机械故障诊断领域的研究虽然起步较晚，但发展迅速。上世纪八九十年代，国内主要引进和吸收国外的先进技术和经验，开展了相关的理论研究和应用实践。随着国内科研实力的不断增强，自主研发的故障诊断技术逐渐增多。在传统故障诊断方法方面，国内学者对振动监测、油液分析、声发射等技术进行了深入研究，提出了一系列新的算法和方法。例如，在振动监测方面，通过对振动信号的时域、频域分析，结合小波变换、经验模态分解等时频分析方法，能够更准确地提取故障特征。进入二十一世纪，国内在智能诊断技术方面取得了显著进展。专家系统、神经网络、支持向量机等智能算法在旋转机械故障诊断中得到了广泛应用。许多高校和科研机构开展了相关的研究工作，取得了一批具有自主知识产权的成果。例如，清华大学研发的基于神经网络的旋转机械故障诊断系统，能够对多种类型的故障进行准确诊断；上海交通大学提出的基于支持向量机的故障诊断方法，在实际应用中表现出了良好的性能。近年来，国内在新兴技术与故障诊断技术融合方面的研究也取得了一定的成果。基于物联网的故障诊断系统能够实现设备的远程监测和诊断，通过传感器将设备运行数据传输到云端，利用云计算平台进行数据分析和处理，为设备维护提供决策支持。例如，国能神华九江发电有限责任公司申请的“基于MMSD度量和时频增强CNN模型的抗噪声迁移学习方法”专利，利用先进的深度学习方法和数据增强技术，提高了旋转机械故障诊断的精度和抗噪性能。谐波小波包作为一种新型的信号分析方法，在旋转机械故障诊断中的应用研究相对较新。国外学者最早提出了谐波小波的概念，并对其基本理论和性质进行了研究。随后，将谐波小波应用于信号处理和故障诊断领域，取得了一些初步的成果。例如，通过谐波小波变换对旋转机械振动信号进行分析，能够有效地提取故障特征信息。国内在谐波小波包应用于旋转机械故障诊断方面的研究也逐渐展开。一些学者通过对谐波小波包的理论研究，提出了改进的算法和应用方法。例如，通过优化谐波小波包的分解算法，提高了信号分析的效率和精度；将谐波小波包与其他智能算法相结合，如神经网络、支持向量机等，进一步提高了故障诊断的准确性。然而，当前的研究仍存在一些不足之处。一方面，对于复杂工况下旋转机械故障特征的提取和分析，现有的方法还存在一定的局限性，难以准确地识别出所有类型的故障。例如，在多故障耦合的情况下，故障特征相互干扰，增加了故障诊断的难度。另一方面，谐波小波包在实际应用中还面临一些挑战，如参数选择的优化、计算效率的提高等。此外，对于故障诊断系统的可靠性和稳定性研究还不够深入，如何确保故障诊断系统在长时间运行过程中准确可靠地工作，是需要进一步解决的问题。综上所述，未来的研究可以在以下几个方向展开：一是深入研究复杂工况下旋转机械故障特征的提取和分析方法，提高故障诊断的准确性和可靠性；二是进一步优化谐波小波包的算法和应用方法，提高其在旋转机械故障诊断中的性能；三是加强对故障诊断系统可靠性和稳定性的研究，开发更加完善的故障诊断系统；四是探索新兴技术与故障诊断技术的深度融合，如人工智能、大数据、物联网等，为旋转机械故障诊断提供新的思路和方法。1.3研究目标与内容本研究旨在深入探索谐波小波包在旋转机械故障诊断中的应用，以提高故障诊断的准确性和效率，为旋转机械的安全稳定运行提供有力的技术支持。具体研究目标如下：深入剖析谐波小波包原理：全面深入地研究谐波小波包的数学原理、时频特性以及信号分解与重构算法，为其在旋转机械故障诊断中的应用奠定坚实的理论基础。通过理论推导和仿真分析，明确谐波小波包在不同参数设置下的性能表现，以及其对不同类型信号的处理能力。构建谐波小波包故障诊断模型：基于谐波小波包理论，结合旋转机械的故障特征，构建适用于旋转机械故障诊断的模型。通过对大量故障样本数据的分析和处理，确定模型的关键参数和结构，使其能够准确地提取故障特征，并实现对不同故障类型的有效识别和分类。提升故障诊断准确性和效率：利用谐波小波包良好的时频局部化特性，有效提取旋转机械振动信号中的故障特征，克服传统方法在处理复杂信号时的局限性，提高故障诊断的准确性和可靠性。同时，优化算法实现过程，提高计算效率，满足实际工程中对故障诊断实时性的要求。围绕上述研究目标，本研究的具体内容包括：谐波小波包基本理论研究：详细阐述谐波小波包的基本定义、构造方法和数学性质。研究谐波小波包的时频分析特性，包括时频分辨率、频率覆盖范围等。对比谐波小波包与其他小波分析方法，如传统小波变换、小波包变换等，分析其优势和适用场景，明确谐波小波包在旋转机械故障诊断中的独特价值。旋转机械故障特征提取：针对旋转机械常见故障，如不平衡、不对中、轴承故障、齿轮故障等，分析故障产生的机理和振动信号特征。研究如何利用谐波小波包对旋转机械振动信号进行分解和重构，提取能够准确反映故障状态的特征参数，如能量特征、频率特征、时域特征等。通过对大量故障样本数据的分析，建立故障特征与故障类型之间的映射关系，为故障诊断提供依据。谐波小波包在故障诊断中的应用研究：将谐波小波包应用于旋转机械故障诊断实际案例中，验证其有效性和可靠性。结合机器学习算法，如支持向量机、神经网络等，构建基于谐波小波包的故障诊断系统。通过实验测试和数据分析，评估系统的诊断性能，包括诊断准确率、误诊率、漏诊率等。对比不同算法和参数设置下的诊断结果，优化故障诊断系统的性能。实际案例分析与验证：选取实际运行中的旋转机械，采集其振动信号数据，并对数据进行预处理和分析。运用谐波小波包方法对实际数据进行故障特征提取和诊断分析，与实际故障情况进行对比验证。针对实际案例中出现的问题，进一步优化谐波小波包算法和故障诊断模型，提高其在实际工程中的应用效果。1.4研究方法与技术路线本研究综合运用多种研究方法，以确保研究的科学性、可靠性和实用性，具体如下：理论分析：深入研究谐波小波包的基本理论，包括其数学定义、构造方法、时频特性等。通过数学推导和理论论证，分析谐波小波包在信号分解与重构过程中的特性和优势，为后续的仿真实验和实际应用提供坚实的理论基础。同时，对旋转机械的故障机理进行深入剖析，明确不同故障类型下振动信号的特征和变化规律，为故障特征提取和诊断模型构建提供理论依据。仿真实验：利用MATLAB等仿真软件，构建旋转机械振动信号的仿真模型。通过设置不同的故障类型和工况条件，生成大量的仿真振动信号数据。运用谐波小波包对这些仿真信号进行分析处理，提取故障特征，并验证谐波小波包在故障特征提取方面的有效性和准确性。通过仿真实验，可以在虚拟环境中快速验证算法的性能，为实际应用提供参考和优化方向，降低实验成本和风险。实际案例研究：选取实际运行中的旋转机械，如工厂中的压缩机、电机等，采集其振动信号数据。对采集到的数据进行预处理后，运用谐波小波包方法进行故障特征提取和诊断分析。将诊断结果与实际故障情况进行对比验证，评估谐波小波包在实际工程应用中的效果。针对实际案例中出现的问题，进一步优化谐波小波包算法和故障诊断模型，提高其在实际工程中的适用性和可靠性。本研究的技术路线图如图1所示，详细展示了研究的步骤和流程。首先，对谐波小波包的基本理论进行深入研究，掌握其原理和特性；接着，采集旋转机械的振动信号数据，包括仿真信号和实际运行数据，并对数据进行预处理；然后，运用谐波小波包对预处理后的数据进行分解和重构，提取故障特征；将提取的故障特征输入到机器学习算法中，构建故障诊断模型，并对模型进行训练和优化；利用训练好的故障诊断模型对新的信号数据进行故障诊断，并对诊断结果进行评估和分析；最后，根据评估结果对模型和算法进行改进和完善，提高故障诊断的准确性和可靠性。[此处插入技术路线图1]通过以上研究方法和技术路线，本研究旨在深入探究谐波小波包在旋转机械故障诊断中的应用，为旋转机械的故障诊断提供一种新的、有效的方法和技术手段，提高旋转机械的运行可靠性和安全性，减少故障带来的损失和影响。二、旋转机械故障类型及诊断方法概述2.1常见故障类型2.1.1不平衡不平衡是旋转机械最为常见的故障之一，其产生原因较为复杂。在转子的设计阶段，若结构设计不合理，例如质量分布不均匀、几何形状不对称等，就会为后续的不平衡故障埋下隐患。在机械加工过程中，加工精度不足，如尺寸偏差、表面粗糙度不符合要求等，以及装配过程中的误差，如零部件安装位置不准确、紧固程度不一致等，都可能导致转子质量中心与旋转中心不重合，从而引发不平衡故障。此外，材质不均匀、动平衡精度差也是导致不平衡的重要因素。在运行过程中，联轴器相对位置的改变、转子部件缺损（如腐蚀、磨损、介质不均匀结垢、脱落，以及转子受疲劳应力作用造成零部件局部损坏、脱落等），都会使转子的质量分布发生变化，进而产生不平衡。不平衡故障对旋转机械的运行有着显著的影响。由于转子不平衡，在旋转过程中会产生离心力，该离心力的大小与转子的质量、偏心距以及转速的平方成正比。随着转速的增加，离心力会急剧增大，从而引起旋转机械的强烈振动。这种振动不仅会降低设备的运行稳定性和可靠性，还会加速轴承、密封等零部件的磨损，缩短设备的使用寿命。在严重情况下，甚至可能导致设备的损坏，引发安全事故。不平衡故障的表现特征较为明显，在振动信号方面，其原始时域波形接近纯正弦波，这是因为不平衡产生的离心力是周期性变化的，使得振动信号呈现出较为规则的正弦特性。在频谱图中，谐波能量主要集中在转子的工作频率（1X）上，即基频振动成分所占比例很大，而其他倍频成分所占比例相对较小。这是由于不平衡故障主要是由转子的质量偏心引起的，其振动频率主要为转子的旋转频率。在升降速过程中，当转速低于临界转速时，振幅随转速的增加而上升，这是因为随着转速的提高，离心力逐渐增大，导致振动加剧。当转速越过临界转速之后，振幅随转速的增加反而减小，并趋向于一个较小的稳定值，这是因为在临界转速时，转子发生共振，振幅达到最大值，而超过临界转速后，振动系统的阻尼作用逐渐显现，使得振幅逐渐减小。当转速等于或接近临界转速时，转子将会产生共振，此时的振幅具有最大峰值，这是不平衡故障在升降速过程中的典型特征。当工作转速一定时，振动的相位稳定，这是因为不平衡故障产生的离心力方向相对固定，使得振动相位也相对稳定。转子的轴心轨迹图呈椭圆形，这是由于不平衡引起的振动在不同方向上的分量不同，导致轴心轨迹呈现出椭圆形。转子的涡动特征为同步正进动，即转子的涡动方向与旋转方向相同，且涡动频率与旋转频率相同。在纯静不平衡时，支承转子的两个轴承同一方向的振动相位相同，而纯力偶不平衡时，支承转子的两个轴承振动呈反相，即相位差180°。但实际转子一般既存在一定的静不平衡，又存在一定的力偶不平衡（即存在动不平衡），此时支承转子的两个轴承同一方向振动相位差在0°-180°之间变化。在外伸转子不平衡情况下，可能会产生很大的轴向振动，且在转子外伸端不平衡时，支承转子的两轴承的轴向振动相位相同。当介质不均匀结垢时，工频幅值和相位会缓慢变化，这是因为结垢过程是逐渐发生的，导致转子的不平衡状态也逐渐改变。2.1.2不对中转子不对中是指相邻两转子的轴心线与轴承中心线存在倾斜或偏移的现象，可分为联轴器不对中和轴承不对中两种情况。联轴器不对中又可细分为平行不对中、偏角不对中和平行偏角不对中三种类型。平行不对中时，两转子的轴心线平行但不重合，这种情况下振动频率为转子工频的两倍，这是因为在平行不对中时，联轴器所受的力呈现周期性变化，其变化频率为转子旋转频率的两倍，从而导致振动频率也为工频的两倍。偏角不对中时，两转子的轴心线存在一定的夹角，这会使联轴器附加一个弯矩，以力图减小两个轴中心线的偏角。轴每旋转一周，弯矩作用方向就交变一次，因此，偏角不对中增加了转子的轴向力，使转子在轴向产生工频振动。平行偏角不对中则是以上两种情况的综合，会使转子发生径向和轴向振动，其振动特征兼具平行不对中和偏角不对中的特点。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，这是因为轴承不对中导致轴系受力不均，产生了复杂的非线性力，从而激发出高次谐波。负荷较轻的轴承容易失稳，同时还会使轴系的临界转速发生改变。轴承不对中包括偏角不对中和标高变化两种情况，当轴承座的热膨胀不均匀时，会引起轴承的不对中，进而使转子的振动发生变化。由于热传导的惯性，振动的变化在时间上要比负荷的改变滞后一段时间。不对中故障的特征较为明显，在转子径向振动方面，会出现二倍频，且以一倍频和二倍频分量为主，轴系不对中越严重，二倍频所占的比例就越大，多数情况甚至出现二倍频能量超过一倍频能量的现象。这是因为不对中故障导致联轴器和轴承受到周期性的交变力作用，产生了与工频相关的倍频振动。振动信号的原始时域波形呈畸变的正弦波，这是由于不对中引起的振动包含了多种频率成分，使得原始时域波形不再是标准的正弦波。联轴器两侧相邻两个轴承的油膜压力呈反方向变化，一个油膜压力变大，另一个则变小，这是因为不对中导致轴系的受力分布发生改变，从而影响了轴承油膜的压力分布。联轴器不对中时，轴向振动较大，振动频率为一倍频，振动幅值和相位稳定，这是由于偏角不对中增加了转子的轴向力，使得轴向振动较为明显，且振动频率与转子的旋转频率相同。联轴器两侧的轴向振动基本上呈现出180°反相的特点，这是由于联轴器不对中时，两侧的受力情况相反，导致轴向振动相位相反。典型的轴心轨迹为月牙形、香蕉形，严重对中不良时的轴心轨迹可能出现“8”字形，涡动方向为同步正进动，这是因为不对中故障使转子的运动轨迹变得复杂，呈现出不同的形状。振动对负荷变化敏感，当负荷改变时，由联轴器传递的扭矩立即发生改变，如果联轴器不对中，则转子的振动状态也立即发生变化，一般振动幅值随着负荷的增加而升高。2.1.3轴弯曲和热弯曲轴弯曲是指转子的中心线处于不直状态，可分为永久性弯曲和临时性弯曲两种类型。转子永久性弯曲是由于多种原因造成的，如转子结构不合理，在设计阶段就存在缺陷，导致其在运行过程中容易发生弯曲变形；制造误差大，如加工精度不足，使得转子的几何形状不符合要求；材质不均匀，导致转子各部分的力学性能不一致，在受力时容易产生不均匀的变形；转子长期存放不当，如未采取正确的支撑方式，也会导致其发生永久性的弯曲变形。此外，热态停车时未及时盘车或盘车不当、转子的热稳定性差、长期运行后轴的自然弯曲加大等原因，也会造成转子永久性弯曲。转子临时性弯曲则是由其他因素引起的，如转子上有较大预负荷，在开机运行时，由于预负荷的作用，可能会导致转轴发生临时性的弯曲；开机运行时的暖机操作不当，如暖机时间过短、升温速度过快等，会使转轴热变形不均匀，从而造成临时性弯曲；升速过快也会使转轴受到较大的冲击，导致其发生临时性弯曲。转子永久性弯曲与临时性弯曲虽然是两种不同的故障，但它们的故障机理是相同的。当转子发生弯曲时，其质量中心会偏离旋转中心，从而产生与质量偏心情况相类似的旋转矢量激振力。这种激振力会引起旋转机械的振动，其振动特性与不平衡故障有一定的相似之处，但也存在一些差异。轴弯曲故障会对旋转机械的振动特性产生显著影响，由于轴弯曲导致质量偏心，会使振动幅值增大，尤其是在转子的一阶临界转速附近，振动幅值会急剧增加。同时，振动频率也会发生变化，除了基频外，还会出现高次谐波，这是因为轴弯曲引起的振动是一种复杂的非线性振动，包含了多种频率成分。轴弯曲还会导致轴心轨迹发生变化，不再是规则的圆形或椭圆形，而是呈现出不规则的形状，这是由于轴弯曲使转子的运动变得不稳定，其轴心轨迹也随之变得复杂。此外，轴弯曲故障还会对轴承等部件产生额外的作用力，加速其磨损，降低设备的使用寿命。2.1.4油膜涡动和油膜振荡油膜涡动和油膜振荡是滑动轴承中由于油膜的动力学特性而引起的自激振动现象，它们在旋转机械的故障中较为常见，对设备的运行稳定性有着重要影响。油膜涡动是指转子围绕轴心线与轴承中心线旋转时，轴心线与轴承中心线不重合而产生的一种运动形式。其产生机制与油膜力密切相关，当转子轴在动压轴承中稳定运转时，油膜压力的合力和承载力相互平衡，轴的中心处于一定的位置，即静平衡点。然而，当转子在运转中受到干扰力作用时，轴心线会偏离其平衡位置，该干扰力改变了轴承载荷，并相应地改变了油膜力。由于润滑油受压后产生的反力方向是油楔和轴形成的容腔壁的各个方向，油膜压力与干扰力之间的关系是非线性的，因此轴线的偏离并不沿着载荷的方向，油膜力便不再与载荷处于同一直线上，大小也不再相等。两者的合力分解为径向分量和切向分量，径向分量有将轴线恢复到平衡位置的趋势，是一种弹性力；而切向分量和位移方向垂直，有使轴线绕原平衡点旋转的趋势，从而引起转子的涡动。油膜涡动的回转频率约为转子回转频率的一半，通常油膜本身以略低于50%轴表面速度的平均速度环绕轴转动，润滑和冷却轴承，轴浮在油膜之上，并略偏离垂直线，高于轴承给定的姿态角和偏心距处。油膜振荡则是在油膜涡动的基础上发展而来的，当油膜涡动频率等于系统的固有频率时，就会发生油膜振荡。油膜振荡只有在机器运行转速大于二倍转子临界转速的情况下才可能发生。当转速升至二倍临界转速时，涡动频率非常接近转子临界转速，因此产生共振而引起很大的振动。通常一旦发生油膜振荡，无论转速继续升至多少，涡动频率将总保持为转子一阶临界转速频率。油膜涡动和油膜振荡之间存在着密切的联系，油膜涡动是油膜振荡的前奏，当油膜涡动得不到有效抑制时，就可能发展为油膜振荡。两者也存在明显的区别，油膜涡动时，转子的轴心轨迹为一稳定的封闭图形，转子仍能相对平稳地工作；而油膜振荡时，轴心轨迹变成扩散的不规则曲线，轴与轴承表面接触、撞击、油膜破裂，会对设备造成严重的损害。油膜振荡发生时，具有一系列明显的特征。在时间波形上，会发生畸变，表现为不规则的周期信号，通常是在工频的波形上面叠加了幅值很大的低频信号，这是因为油膜振荡是一种复杂的非线性振动，包含了多种频率成分。在频谱图中，转子的固有频率ω0处的频率分量的幅值最为突出，这是由于油膜振荡发生时，转子系统在固有频率处发生共振，导致该频率分量的幅值急剧增大。油膜振荡发生在工作转速大于二倍一阶临界转速的时候，在这之后，即使工作转速继续升高，其振荡的特征频率基本不变，始终保持为转子一阶临界转速频率。油膜振荡的发生和消失具有突然性，并带有惯性效应，也就是说，升速时产生油膜振荡的转速要高于降速时油膜振荡消失的转速。油膜振荡时，转子的涡动方向与转子转动的方向相同，为正进动。油膜振荡剧烈时，随着油膜的破坏，振荡停止，油膜恢复后，振荡又再次发生，如此持续下去，轴颈与轴承会不断碰摩，产生撞击声，轴承内的油膜压力有较大的波动。油膜振荡时，其轴心轨迹呈不规则的发散状态，若发生碰摩，则轴心轨迹呈花瓣状。轴承载荷越小或偏心率越小，就越容易发生油膜振荡。油膜振荡时，转子两端轴承振动相位基本相同。2.1.5其他故障类型除了上述常见故障类型外，旋转机械还可能出现蒸汽激振、机械松动、转子断叶片与脱落等故障。蒸汽激振通常发生在大功率汽轮机的高压转子上，其产生原因主要有两个方面。一是由于调节阀开启顺序的原因，高压蒸汽产生了一个向上抬起转子的力，从而减少了轴承比压，使轴承失稳；二是由于叶顶径向间隙不均匀，产生切向分力，以及端部轴封内气体流动时所产生的切向分力，使转子产生了自激振动。当发生蒸汽振荡时，振动的主要特点是振动对负荷非常敏感，而且振动的频率与转子一阶临界转速频率相吻合。在绝大多数情况下（蒸汽激振不太严重），振动频率以半频分量为主。蒸汽激振故障会对设备的运行产生较大影响，严重时可能导致设备停机，影响生产的正常进行。机械松动也是旋转机械常见的故障之一，通常有三种类型。第一种类型是机器的底座、台板和基础存在结构松动，或水泥灌浆不实以及结构或基础的变形，这种松动会导致设备整体的稳定性下降，在运行过程中产生较大的振动。第二种类型主要是由于机器底座固定螺栓的松动或轴承座出现裂纹引起，这会使设备的连接部位出现松动，导致振动加剧，同时也可能影响设备的精度和可靠性。机械松动故障会使设备的振动信号发生变化，出现不规则的振动成分，其频率和幅值也会随松动程度的不同而有所变化。严重的机械松动还可能导致设备部件的损坏，引发更严重的故障。转子断叶片与脱落故障通常是由于叶片受到疲劳应力、腐蚀、冲蚀等作用，导致叶片的强度下降，最终发生断裂和脱落。在一些高速旋转的机械中，如汽轮机、压缩机等，叶片的工作环境恶劣，承受着巨大的离心力和气流作用力，容易出现疲劳裂纹，随着裂纹的扩展，叶片最终会断裂。此外，介质中的杂质、腐蚀性气体等也会对叶片造成腐蚀和冲蚀，降低叶片的强度。转子断叶片与脱落故障会使转子的质量分布发生突变，产生不平衡力，从而引起强烈的振动。这种振动不仅会对设备本身造成损坏，还可能导致周围设备的损坏，甚至引发安全事故。在振动信号方面，会出现突发的高频振动成分，同时振动幅值也会急剧增大。2.2传统诊断方法及其局限性2.2.1基于物理模型的方法基于物理模型的故障诊断方法是通过对旋转机械的结构、力学特性、运动学等方面进行深入分析，建立起能够准确描述设备运行状态的物理模型。以齿轮箱为例，在建立物理模型时，需要考虑齿轮的啮合原理、齿面接触应力分布、齿轮的材料特性以及轴承的支撑刚度等因素。通过对这些因素的综合分析，运用力学原理和数学方法，建立起齿轮箱的动力学模型，该模型能够反映齿轮箱在不同工况下的振动、应力等参数的变化规律。在实际应用中，当齿轮箱发生故障时，如齿轮磨损、断齿等，故障会导致物理模型中的某些参数发生改变。通过实时监测这些参数的变化，并将监测数据与正常状态下的模型参数进行对比分析，就可以判断设备是否出现故障以及故障的类型和程度。如果监测到齿轮的啮合频率发生变化，或者振动幅值超出正常范围，就可能意味着齿轮出现了磨损或断齿等故障。然而，这种方法在面对复杂的旋转机械系统时存在诸多局限性。一方面，复杂机械系统的结构和工作原理往往非常复杂，包含众多的零部件和相互作用的子系统，要精确地建立其物理模型难度极大。以大型航空发动机为例，其内部结构复杂，涉及到高温、高压、高速等极端工况，各零部件之间的相互作用和热-机耦合关系十分复杂，建立准确的物理模型需要考虑众多因素，如叶片的气动力、热应力、振动特性，以及轴承的润滑、磨损等，这使得建模过程变得异常困难。另一方面，实际运行中的旋转机械会受到各种不确定因素的影响，如环境温度、湿度的变化，以及负载的波动等，这些因素会导致物理模型的参数发生变化，从而降低模型的准确性和可靠性。在不同的环境温度下，材料的弹性模量、热膨胀系数等参数会发生改变，这会影响到物理模型对设备运行状态的描述精度。而且，建立物理模型往往需要大量的先验知识和精确的参数测量，对于一些难以测量的参数，如内部零部件的磨损程度、材料的疲劳损伤等，获取准确的数据非常困难，这也限制了基于物理模型方法的应用。2.2.2基于信号处理的方法基于信号处理的故障诊断方法是利用信号处理技术，对旋转机械运行过程中产生的振动、声音、温度等信号进行分析和处理。以振动信号为例，该方法首先通过传感器采集旋转机械的振动信号，这些信号中包含了设备运行状态的丰富信息。由于实际采集到的信号往往会受到各种噪声的干扰，所以需要先对信号进行降噪处理，采用滤波技术，如低通滤波、带通滤波等，去除信号中的高频噪声和低频干扰，提高信号的信噪比。在降噪的基础上，运用各种信号处理算法，如傅里叶变换、小波变换、短时傅里叶变换等，对信号进行变换和分析，以突出其中蕴含的故障特征信息。傅里叶变换可以将时域信号转换为频域信号，通过分析频域信号中的频率成分和幅值分布，能够识别出与故障相关的特征频率。对于轴承故障，在频域中会出现与轴承故障特征频率相关的峰值，通过检测这些峰值的出现和变化，就可以判断轴承是否存在故障以及故障的类型。小波变换则具有良好的时频局部化特性，能够在不同的时间和频率尺度上对信号进行分析，对于非平稳信号的处理具有独特的优势，能够更准确地捕捉到信号中的突变信息，如故障发生时的冲击信号。但是，基于信号处理的方法也存在一些缺点。它在很大程度上依赖于专家知识和经验，不同的故障类型在信号特征上可能存在相似性，如何准确地从信号中提取出有效的故障特征，并进行准确的故障诊断，需要专家具备丰富的经验和专业知识。对于一些复杂的故障，如多故障耦合的情况，信号特征相互交织，增加了故障诊断的难度，专家也可能难以准确判断。此外，该方法的可移植性较弱，不同类型的旋转机械由于结构、工作原理和运行工况的差异，其故障信号特征也各不相同。一种针对特定设备开发的信号处理和故障诊断方法，很难直接应用于其他设备，需要根据不同设备的特点进行重新调整和优化。在对风机进行故障诊断时所采用的信号处理方法和特征提取算法，可能并不适用于压缩机的故障诊断，需要针对压缩机的特性重新研究和开发相应的方法。2.2.3基于数据驱动的方法基于数据驱动的故障诊断方法是在不依赖于系统物理模型的情况下，充分利用监测信号和历史数据来实现故障诊断。以机器学习算法为例，该方法首先收集大量的旋转机械正常运行和故障状态下的监测数据，这些数据可以包括振动信号、温度、压力、转速等多种参数。对这些数据进行预处理，包括数据清洗、归一化、特征提取等操作，去除数据中的噪声和异常值，并提取出能够反映设备运行状态的特征参数。将预处理后的数据划分为训练集和测试集，利用训练集数据对机器学习模型进行训练，如支持向量机（SVM）、神经网络（NN）等。在训练过程中，模型通过学习数据中的模式和规律，建立起输入特征与故障类型之间的映射关系。当有新的监测数据输入时，模型可以根据已学习到的知识，对设备的运行状态进行判断，识别出是否存在故障以及故障的类型。然而，这种方法也面临一些挑战。在实际应用中，获取的样本数据往往存在不均衡的问题，即不同故障类型的样本数量差异较大。某些故障类型可能由于发生概率较低，导致在数据集中的样本数量较少，而正常状态的样本数量则相对较多。这种样本不均衡会影响机器学习模型的训练效果，使得模型对少数类故障的识别能力较差，容易出现误判和漏判的情况。数据的质量也对诊断结果有着重要影响，如果数据存在噪声、缺失值或错误标注等问题，会降低模型的准确性和可靠性。而且，基于数据驱动的方法通常需要大量的数据来训练模型，数据的收集和标注工作往往需要耗费大量的时间和人力成本。对于一些新的故障类型，由于缺乏相应的历史数据，模型可能无法准确地进行诊断。三、谐波小波包理论基础3.1小波变换基本原理小波变换作为一种重要的信号分析方法，在众多领域得到了广泛的应用。其基本思想源于对傅里叶变换的改进和发展，旨在解决傅里叶变换在处理非平稳信号时的局限性。傅里叶变换通过将时域信号转换为频域信号，能够清晰地展示信号的频率组成，在分析平稳信号时表现出色。但在面对非平稳信号时，由于其假设信号在整个时间范围内具有平稳性，傅里叶变换无法准确捕捉信号中随时间变化的频率信息，导致分析结果存在较大误差。为了克服傅里叶变换的不足，小波变换应运而生。小波变换通过伸缩和平移对信号进行多分辨率分析，能够在不同的时间和频率尺度上对信号进行局部化分析。其核心在于小波函数的选择，小波函数是一个具有有限支撑且均值为零的函数，通过对小波函数进行伸缩和平移操作，可以得到一系列不同尺度和位置的小波基函数。具体而言，对于给定的信号f(t)，其连续小波变换定义为：W_f(a,b)=\frac{1}{\sqrt{a}}\int_{-\infty}^{\infty}f(t)\psi^*(\frac{t-b}{a})dt其中，a为尺度参数，控制小波函数的伸缩程度，a越大，小波函数的支撑范围越宽，对应于低频信息；a越小，小波函数的支撑范围越窄，对应于高频信息。b为平移参数，决定小波函数在时间轴上的位置，通过改变b的值，可以对信号在不同时间点进行分析。\psi(t)为基本小波函数，\psi^*(\cdot)表示其共轭函数。在实际应用中，连续小波变换的计算量较大，因此常采用离散小波变换。离散小波变换通过对尺度参数a和平移参数b进行离散化，将连续的小波变换转化为离散的形式。通常选择a=a_0^j，b=kb_0a_0^j，其中j,k\inZ，a_0\gt1，b_0\gt0，这样得到的离散小波基函数为\psi_{j,k}(t)=a_0^{-\frac{j}{2}}\psi(a_0^{-j}t-kb_0)，信号f(t)的离散小波变换为：W_f(j,k)=a_0^{-\frac{j}{2}}\int_{-\infty}^{\infty}f(t)\psi^*(a_0^{-j}t-kb_0)dt小波变换的多分辨率分析特性是其重要优势之一。通过不同尺度的小波基函数对信号进行分解，可以将信号分解为不同频率的子信号，从而实现对信号的多分辨率分析。在低频段，采用较大的尺度参数，能够捕捉信号的整体趋势和主要特征；在高频段，采用较小的尺度参数，能够细致地分析信号的局部变化和细节信息。这种多分辨率分析能力使得小波变换能够有效地处理非平稳信号，准确地提取信号中的时频特征。以语音信号处理为例，语音信号包含了不同频率的成分，如基频、共振峰等，且这些成分随时间变化。通过小波变换的多分辨率分析，可以将语音信号分解为不同频率的子带，分别对每个子带进行处理，从而实现对语音信号的降噪、特征提取等操作。小波变换还具有良好的时频局部化特性，能够在时频平面上准确地定位信号的能量分布。与傅里叶变换不同，小波变换的时频窗口大小和形状会随着频率的变化而自适应调整，在高频段具有较高的时间分辨率和较低的频率分辨率，在低频段具有较高的频率分辨率和较低的时间分辨率，能够更好地适应信号的时频特性。在分析含有瞬态冲击的信号时，小波变换能够准确地捕捉到冲击发生的时间和频率信息，而傅里叶变换则难以做到这一点。3.2谐波小波的定义与特性3.2.1谐波小波的数学定义谐波小波是1993年由Newland从小波的频谱出发提出的一种具有独特构造形式的小波，其在频域的广义表达式为：W_{mn}(\omega)=\begin{cases}\frac{1}{2\pi\sqrt{n-m}}\cdote^{-i\frac{m+n}{2}\omega},&2\pim\leq\omega\leq2\pin\\0,&\text{其他}\end{cases}其中，m、n为实数，且m<n，它们决定了谐波小波变换的尺度j，并且n=2m。当m=0时，n=1。在这个表达式中，m和n起着至关重要的作用，它们界定了谐波小波在频域中的作用范围。m和n的取值不同，会导致谐波小波所覆盖的频率区间发生变化，从而实现对不同频率成分信号的分析。尺度j与m、n紧密相关，尺度j的变化反映了谐波小波对信号分析的精细程度。较大的尺度对应着较低的频率分辨率，但能捕捉到信号的整体趋势；较小的尺度则具有较高的频率分辨率，能够聚焦于信号的局部细节。通过调整m和n的值，可以灵活地选择合适的尺度，以适应不同信号分析的需求。相应的时域小波函数W_{mn}(t)可通过傅里叶逆变换得到：W_{mn}(t)=\frac{1}{2\pi}\int_{-\infty}^{\infty}W_{mn}(\omega)e^{i\omegat}d\omega当m=1，n=2时，通过上述公式计算得到的谐波小波函数波形具有特定的形态。其实部呈现出一种对称的分布，在一定的时间范围内有明显的峰值和谷值，反映了信号在该尺度下的低频成分特征。虚部则与实部相互正交，呈现出不同的变化趋势，体现了信号在该尺度下的高频成分特征。通过对不同m、n取值下谐波小波函数波形的分析，可以更深入地理解谐波小波在时域和频域的特性，以及它们对信号分析的影响。3.2.2谐波小波的盒形谱特征谐波小波最显著的特性之一是具有严格的盒形谱特征，从其频域表达式和对应的频谱图可以清晰地看出这一点。在频谱图中，谐波小波的频谱在指定的频率区间[2\pim,2\pin]内呈现出矩形的形状，具有明确的边界和恒定的幅值。这种盒形谱特征使得谐波小波在信号分析中具有独特的优势。在传统的信号分析方法中，如傅里叶变换，虽然能够将信号分解为不同频率的成分，但由于其基函数是无限长的三角函数，在分析非平稳信号时，容易出现频带重叠和能量泄漏的问题。对于一个包含多个频率成分的非平稳信号，傅里叶变换会将不同频率成分的能量分散到整个频域范围内，导致在某些频率区间内，不同频率成分的频谱相互重叠，难以准确区分和提取。这就使得在分析信号的频率特征时，容易产生误差，无法准确地识别出信号中包含的各个频率成分。相比之下，谐波小波的盒形谱特征有效地避免了这些问题。由于其频谱具有明确的边界，不同频率区间的谐波小波之间不存在频谱重叠的现象。在对信号进行分析时，每个谐波小波只对其对应的频率区间内的信号成分进行处理，不会受到其他频率区间信号的干扰。这使得谐波小波能够准确地提取出信号中不同频率成分的特征，提高了信号分析的准确性和可靠性。在对旋转机械的振动信号进行分析时，振动信号中可能包含了多种故障特征频率，通过谐波小波分析，可以利用其盒形谱特征，将不同故障特征频率对应的信号成分准确地分离出来，为故障诊断提供更准确的依据。3.2.3谐波小波的相位锁定功能谐波小波由实部偶小波和虚部奇小波组成，这两个小波之间相互成90°相差。根据数字信号处理的基本知识，实部偶小波和虚部奇小波都是零相移滤波器，这使得谐波小波具有“锁定”信号相位的功能。在信号分析中，相位信息对于准确理解信号的特性和变化非常重要。对于一些复杂的信号，如旋转机械的振动信号，相位的变化往往反映了设备运行状态的改变。在轴承故障初期，振动信号的相位可能会发生微小的变化，通过监测相位的变化，可以及时发现设备的潜在故障。然而，传统的信号分析方法在处理信号时，往往容易丢失或改变信号的相位信息，导致对信号的分析不够全面和准确。谐波小波的相位锁定功能有效地解决了这个问题。由于谐波小波能够保持信号的相位信息不变，在对信号进行分析和处理时，可以准确地捕捉到信号相位的变化。这对于旋转机械故障诊断具有重要的意义，通过分析振动信号的相位变化，可以更准确地判断设备的故障类型和故障程度。在判断轴承故障时，不仅可以通过分析振动信号的幅值和频率特征，还可以结合相位信息进行综合判断，提高故障诊断的准确性。同时，相位锁定功能也使得谐波小波在信号的合成和重构中具有优势，能够更准确地恢复原始信号的特征。3.3谐波小波包分解与重构算法3.3.1谐波小波包分解原理谐波小波包是在谐波小波的基础上发展而来的一种信号分析方法，它对信号频带进行更加精细的划分。与传统的小波包不同，谐波小波包能够对信号的频带进行均匀划分，克服了传统小波包在高频段分辨率较低的问题。传统的小波包分解在对信号进行分解时，通常采用二进划分的方式，即将信号的频带划分为低频和高频两个子频带，然后对低频子频带继续进行二进划分，而高频子频带不再细分。这种划分方式导致在高频段的频率分辨率较低，对于一些高频成分丰富的信号，难以准确地提取其特征。例如，在旋转机械故障诊断中，一些早期故障信号的特征频率往往处于高频段，传统的小波包分解可能无法准确地捕捉到这些微弱的高频特征信号，从而影响故障诊断的准确性。谐波小波包则通过对谐波小波的尺度和平移参数进行灵活调整，实现了对信号频带的均匀划分。它不仅可以对低频部分进行深入分解，还能对高频部分进行同样精细的分解，从而在整个频域范围内都能获得较高的分辨率。具体来说，谐波小波包分解将信号f(t)分解为一系列不同频带的子信号f_{mn}(t)，其中m和n分别表示不同的频率范围。通过选择合适的m和n值，可以将信号的频带划分为多个窄带，每个窄带对应一个特定的频率范围。这种均匀划分的方式使得谐波小波包在处理高频信号时具有明显的优势，能够更准确地提取高频信号的特征。在分析旋转机械的振动信号时，谐波小波包可以将振动信号的频带划分为多个窄带，从而更细致地分析不同频率范围内的振动特征，对于识别早期故障信号具有重要意义。以旋转机械的滚动轴承故障诊断为例，滚动轴承在发生故障时，会产生一系列特征频率，这些特征频率可能分布在不同的频带范围内。传统的小波包分解可能无法准确地将这些特征频率所在的频带分离出来，而谐波小波包由于其均匀划分频带的特性，可以更精确地将包含故障特征频率的频带提取出来，从而提高故障诊断的准确性。通过谐波小波包分解，可以将滚动轴承振动信号的频带划分为多个窄带，对每个窄带进行分析，能够更清晰地观察到故障特征频率的变化，及时发现轴承的故障隐患。3.3.2分解算法实现步骤谐波小波包分解算法的实现主要包括滤波器的选择和信号的分解过程。滤波器的选择：谐波小波包分解使用的滤波器是基于谐波小波的特性设计的。在频域上，这些滤波器具有严格的盒形谱特征，能够准确地对信号的不同频带进行滤波。对于一个特定频率范围[2\pim,2\pin]的谐波小波，其对应的滤波器在该频率范围内具有恒定的幅值，而在其他频率范围幅值为零。这种盒形谱滤波器能够有效地将信号中对应频率范围的成分提取出来，避免了其他频率成分的干扰。在对旋转机械振动信号进行分析时，通过选择合适的盒形谱滤波器，可以将振动信号中特定频率范围内的成分准确地分离出来，为后续的故障特征提取提供纯净的信号。信号的分解过程：首先，将原始信号f(t)与谐波小波包滤波器进行卷积运算。以一个简单的信号f(t)=\sin(2\pif_0t)+\sin(2\pif_1t)为例，其中f_0和f_1为两个不同的频率成分。假设我们要分析频率范围在[2\pim,2\pin]内的信号成分，将信号f(t)与对应频率范围的谐波小波包滤波器进行卷积。根据卷积的定义，卷积运算可以表示为y(t)=\int_{-\infty}^{\infty}f(\tau)h(t-\tau)d\tau，其中h(t)为谐波小波包滤波器的时域响应。通过卷积运算，信号f(t)中频率在[2\pim,2\pin]范围内的成分被保留下来，而其他频率成分则被滤除。多尺度分解：对卷积后的结果进行多尺度分解。按照一定的尺度参数j，将信号依次分解为不同频率分辨率的子信号。在第j层分解中，信号被分解为2^j个子信号，每个子信号对应一个特定的频率范围。随着分解层数的增加，频率分辨率逐渐提高，能够更细致地分析信号的频率成分。在对旋转机械振动信号进行三层分解时，第一层分解将信号分为两个子信号，分别对应低频和高频部分；第二层分解将低频子信号和高频子信号分别再分为两个子信号，进一步细化了频率范围；第三层分解继续对第二层的子信号进行细分，从而得到更精细的频率划分。通过多尺度分解，可以将信号的频率成分逐步细化，提取出更详细的故障特征信息。3.3.3重构算法及应用谐波小波包重构算法是分解算法的逆过程，其目的是根据分解得到的子信号重构出原始信号。在谐波小波包分解中，原始信号f(t)被分解为一系列不同频带的子信号f_{mn}(t)。重构时，首先对这些子信号进行逆卷积运算。以某个子信号f_{mn}(t)为例，其逆卷积运算可以表示为\hat{f}_{mn}(t)=\int_{-\infty}^{\infty}f_{mn}(\tau)h^{-1}(t-\tau)d\tau，其中h^{-1}(t)为谐波小波包滤波器的逆时域响应。通过逆卷积运算，将子信号恢复到原始信号的频域范围。将所有经过逆卷积运算的子信号进行叠加，得到重构信号\hat{f}(t)=\sum_{m,n}\hat{f}_{mn}(t)。经过严格的数学推导和实际验证，在理想情况下，重构信号\hat{f}(t)能够精确地恢复原始信号f(t)。然而，在实际应用中，由于信号采集过程中可能存在噪声干扰、滤波器的非理想特性以及计算过程中的数值误差等因素，重构信号可能会与原始信号存在一定的偏差。为了减小这种偏差，需要对采集到的信号进行去噪处理，选择性能优良的滤波器，并采用高精度的数值计算方法。在旋转机械故障诊断中，谐波小波包重构算法具有重要的应用价值。通过对故障信号进行谐波小波包分解和重构，可以有效地提取故障特征。在旋转机械的齿轮故障诊断中，齿轮在运行过程中发生故障时，其振动信号会包含丰富的故障特征信息。利用谐波小波包分解算法将振动信号分解为不同频带的子信号，然后对这些子信号进行重构。在重构过程中，重点关注与齿轮故障特征频率相关的子信号。通过对这些子信号的分析，可以提取出齿轮故障的特征参数，如故障特征频率的幅值、相位等。将提取到的故障特征参数作为输入，输入到故障诊断模型中，如支持向量机（SVM）、神经网络（NN）等，就可以实现对齿轮故障类型和故障程度的准确判断。谐波小波包重构算法还可以用于故障信号的降噪处理。在实际采集的旋转机械振动信号中，往往包含大量的噪声，这些噪声会干扰故障特征的提取。通过谐波小波包分解和重构，可以将噪声信号与故障信号分离，从而提高故障诊断的准确性。四、谐波小波包在旋转机械故障诊断中的优势4.1对非平稳信号的分析能力在旋转机械的运行过程中，其振动信号往往呈现出非平稳的特性，这给故障诊断带来了极大的挑战。传统的傅里叶变换作为一种经典的信号分析方法，在处理平稳信号时具有显著的优势，能够准确地将信号分解为不同频率的成分，清晰地展示信号的频率组成。当面对非平稳信号时，傅里叶变换的局限性就凸显出来。傅里叶变换假设信号在整个时间范围内是平稳的，它将信号从时域转换到频域时，是对整个时间历程进行积分，这就使得傅里叶变换无法捕捉到信号中随时间变化的频率信息。对于一个在短时间内出现频率突变的非平稳信号，傅里叶变换会将这种突变信息平均分配到整个频域中，导致无法准确地确定频率变化发生的时间和持续的时长，从而难以有效地提取出故障特征。在旋转机械的故障诊断中，许多故障的发生往往伴随着振动信号的瞬时变化，如轴承故障初期产生的微小冲击，傅里叶变换很难准确地捕捉到这些瞬态特征，从而影响故障的早期诊断。相比之下，谐波小波包在分析非平稳信号方面具有独特的优势。谐波小波包基于小波变换的原理，通过伸缩和平移小波函数对信号进行多分辨率分析，能够在不同的时间和频率尺度上对信号进行局部化分析。这种局部化分析能力使得谐波小波包能够准确地捕捉到非平稳信号中随时间变化的频率信息。对于旋转机械振动信号中的瞬态冲击，谐波小波包可以通过调整小波函数的尺度和位置，聚焦到冲击发生的时间点，同时在相应的频率尺度上分析冲击的频率特征，从而有效地提取出故障特征。谐波小波包的多分辨率分析特性使其能够对信号进行多层次的分解。在每一层分解中，信号被划分为不同频率范围的子带，随着分解层数的增加，频率分辨率逐渐提高，能够更细致地分析信号的频率成分。在对旋转机械振动信号进行谐波小波包分解时，第一层分解可以将信号分为低频和高频两个子带，低频子带包含了信号的主要趋势和低频成分，高频子带则包含了信号的细节和高频成分。对低频子带和高频子带继续进行分解，进一步细化频率范围，能够更准确地提取出不同频率范围内的故障特征。通过这种多分辨率分析，谐波小波包能够在不同的频率尺度上对非平稳信号进行分析，从而更好地适应信号的时频特性。以滚动轴承故障诊断为例，滚动轴承在运行过程中，由于磨损、疲劳等原因，会产生一系列非平稳的振动信号。当轴承出现故障时，振动信号中会包含与故障相关的特征频率，这些特征频率可能分布在不同的频率范围内，且随时间变化。传统的傅里叶变换难以准确地提取出这些时变的故障特征频率。而谐波小波包通过对振动信号进行多分辨率分析，能够将信号分解为不同频率范围的子带，准确地捕捉到故障特征频率的变化。在某一特定的分解层数下，能够将包含故障特征频率的子带分离出来，通过对该子带信号的进一步分析，可以提取出故障的特征参数，如故障特征频率的幅值、相位等，从而实现对滚动轴承故障的准确诊断。4.2高频段分辨率的提升传统小波变换在高频段分辨率较低，这是其在信号分析中面临的一个重要问题。传统小波变换采用的是二进划分方式，在对信号进行分解时，低频部分被不断细分，而高频部分的分辨率则保持不变。随着分解层数的增加，低频部分的频率分辨率越来越高，能够捕捉到信号中更细微的低频特征。高频部分由于没有进一步细分，其频率分辨率相对较低，难以准确地提取高频信号中的特征。在分析旋转机械的振动信号时，一些早期故障信号的特征频率往往处于高频段，传统小波变换可能无法准确地捕捉到这些微弱的高频特征信号，从而影响故障诊断的准确性。谐波小波包则有效地克服了传统小波变换在高频段分辨率低的问题。谐波小波包通过对谐波小波的尺度和平移参数进行灵活调整，实现了对信号频带的均匀划分。它不仅可以对低频部分进行深入分解，还能对高频部分进行同样精细的分解。在对信号进行谐波小波包分解时，高频部分会被进一步划分为多个窄带，每个窄带对应一个特定的频率范围。这种均匀划分的方式使得谐波小波包在高频段具有更高的分辨率，能够更准确地提取高频信号的特征。在检测高次谐波故障时，谐波小波包的优势尤为明显。高次谐波故障在旋转机械中较为常见，如电力变压器中的铁芯饱和、电力电子设备的非线性特性等都可能导致高次谐波的产生。这些高次谐波故障的特征频率通常处于高频段，传统的信号分析方法难以准确地检测和诊断。谐波小波包由于其在高频段的高分辨率，能够将高次谐波故障的特征频率准确地分离出来，通过对这些特征频率的分析，可以及时发现高次谐波故障的存在，并判断其严重程度。以电力变压器的铁芯饱和故障为例，当铁芯饱和时，会产生一系列高次谐波，如3次、5次、7次谐波等。这些高次谐波的频率较高，传统的小波变换可能无法准确地将它们从复杂的振动信号中分离出来。而谐波小波包通过对振动信号的均匀频带划分，能够将包含这些高次谐波频率的窄带准确地提取出来。通过对这些窄带信号的进一步分析，可以计算出高次谐波的幅值、相位等参数，从而判断铁芯饱和的程度，为电力变压器的故障诊断和维护提供准确的依据。4.3故障特征提取的准确性为了深入验证谐波小波包在旋转机械故障特征提取方面的准确性，以某工厂的大型离心压缩机为例进行详细分析。该离心压缩机在化工生产中承担着关键的气体压缩任务，其稳定运行对于整个生产流程至关重要。在长期运行过程中，由于受到复杂工况和交变载荷的影响，压缩机的轴承容易出现故障。在实验过程中，通过安装在压缩机轴承座上的加速度传感器，采集了压缩机正常运行和轴承故障状态下的振动信号。采样频率设定为10240Hz，以确保能够准确捕捉到信号中的高频成分。对采集到的原始振动信号进行预处理，去除噪声和干扰，为后续的分析提供高质量的数据。运用谐波小波包对预处理后的振动信号进行分解。根据压缩机的工作频率和可能出现的故障特征频率范围，选择合适的分解层数和频带划分参数。将信号分解为8层，得到256个子频带，每个子频带对应一个特定的频率范围。通过对各子频带信号的分析，发现第128-160子频带的信号能量在轴承故障状态下发生了显著变化。在正常运行状态下，这些子频带的信号能量相对较低，且分布较为均匀；而在轴承故障状态下，这些子频带的信号能量明显增加，且出现了与轴承故障特征频率相关的周期性脉冲信号。进一步对这些子频带的信号进行特征提取，计算其能量特征、频率特征和时域特征等参数。在能量特征方面，计算每个子频带的信号能量，并与正常运行状态下的能量值进行对比，发现故障状态下相关子频带的能量增加了数倍。在频率特征方面，通过傅里叶变换分析子频带信号的频率成分，准确地检测到了轴承故障的特征频率，如滚动体通过内圈频率、滚动体通过外圈频率等。在时域特征方面，计算信号的峰值指标、峭度指标等，发现故障状态下这些指标也发生了明显的变化。为了更直观地展示谐波小波包提取故障特征的准确性，将提取到的故障特征与传统小波包提取的特征进行对比。在相同的信号处理条件下，传统小波包虽然也能检测到轴承故障的一些特征，但由于其在高频段分辨率较低，无法准确地分离出与故障相关的细微频率成分，导致故障特征不够明显。而谐波小波包通过对频带的均匀划分和精细分解，能够清晰地提取出故障特征频率，并且其能量特征和时域特征的变化也更加显著，为故障诊断提供了更准确、更丰富的信息。将提取到的故障特征输入到支持向量机（SVM）分类器中，进行故障类型的识别。通过大量的样本训练，SVM分类器能够准确地识别出压缩机的正常运行状态和轴承故障状态，诊断准确率达到了95%以上。这充分证明了谐波小波包在旋转机械故障特征提取方面具有较高的准确性，能够有效地提高故障诊断的可靠性。4.4抗干扰能力强在旋转机械的实际运行环境中，其振动信号往往不可避免地受到各种噪声的干扰，这些噪声来源广泛，包括设备周围的电磁干扰、环境噪声以及测量系统本身的噪声等。噪声的存在会严重影响故障诊断的准确性，使得传统的故障诊断方法在复杂噪声环境下难以准确地提取故障特征信号。谐波小波包在复杂噪声环境下展现出了强大的抗干扰能力，这主要得益于其独特的时频分析特性和信号分解与重构算法。谐波小波包具有严格的盒形谱特征，在频域上能够准确地对信号的不同频带进行划分和分析。在对含有噪声的旋转机械振动信号进行处理时，谐波小波包可以通过选择合适的尺度参数，将信号分解为不同频率范围的子频带。由于噪声的频率分布通常较为广泛且杂乱，而故障特征信号往往集中在某些特定的频率范围内，谐波小波包能够将噪声和故障特征信号分离开来。通过设置合适的滤波器，只保留与故障特征频率相关的子频带，而滤除其他频率范围内的噪声信号，从而有效地抑制噪声的干扰。在某工厂的电机故障诊断实验中，电机在运行过程中受到了来自周围电气设备的电磁干扰以及环境中的机械噪声的影响。通过安装在电机轴承座上的振动传感器采集到的信号中包含了大量的噪声，传统的信号处理方法，如傅里叶变换，在分析这些信号时，由于噪声的干扰，无法准确地提取出电机故障的特征频率。运用谐波小波包对采集到的振动信号进行分析。首先，根据电机的工作频率和可能出现的故障特征频率范围，选择合适的分解层数和频带划分参数。将信号分解为10层，得到1024个子频带。通过对各子频带信号的分析，发现第256-512子频带的信号中包含了电机轴承故障的特征频率。由于谐波小波包的盒形谱特征，能够准确地将这些特征频率所在的子频带与其他噪声频带分离开来。通过对这些子频带信号进行进一步的处理和分析，如计算能量特征、频率特征等，准确地提取出了电机轴承故障的特征。将提取到的故障特征输入到故障诊断模型中，成功地诊断出了电机轴承的故障类型和故障程度。谐波小波包的相位锁定功能也有助于提高其抗干扰能力。由于谐波小波由实部偶小波和虚部奇小波组成，且两者相互成90°相差，都是零相移滤波器，能够保持信号的相位信息不变。在噪声干扰下，信号的相位可能会发生变化，而谐波小波包能够准确地捕捉到这些相位变化，从而更准确地分析信号的特征。在旋转机械故障诊断中，相位信息对于判断故障类型和故障程度具有重要的参考价值。通过分析振动信号的相位变化，可以更准确地判断设备的故障状态，提高故障诊断的准确性。五、基于谐波小波包的故障诊断方法与流程5.1故障诊断总体框架基于谐波小波包的旋转机械故障诊断总体框架涵盖了从信号采集到故障识别的一系列关键环节，各环节紧密协作，共同实现对旋转机械运行状态的准确监测和故障诊断，其结构如图2所示。[此处插入故障诊断总体框架图2]信号采集环节：在旋转机械的关键部位，如轴承座、机壳等，合理安装振动传感器，以实时获取振动信号。这些传感器应具备高灵敏度和宽频响应特性，能够准确捕捉到机械运行过程中产生的微弱振动信号。为了确保信号的准确性和可靠性，需根据旋转机械的工作频率范围和振动幅值等参数，精心选择合适的传感器型号和安装位置。在对大型电机进行故障诊断时，可在电机两端的轴承座上安装加速度传感器，以全面监测电机在运行过程中的振动情况。同时，为了提高信号采集的精度，还需对传感器进行定期校准和维护，确保其性能的稳定性。信号预处理环节：由于实际采集到的振动信号往往会受到各种噪声的干扰，因此需要对信号进行预处理。首先，采用硬件滤波技术，如低通滤波器、高通滤波器、带通滤波器等，去除信号中的高频噪声和低频干扰，提高信号的信噪比。然后，进行数据归一化处理，将信号的幅值调整到一个统一的范围内，以消除不同传感器之间的差异和测量误差对后续分析的影响。在对某工厂的风机振动信号进行预处理时，通过设置带通滤波器，去除了50Hz的工频干扰和高频的电磁噪声，使信号的质量得到了显著提升。同时，采用最小-最大归一化方法，将信号的幅值归一化到[0,1]区间，为后续的谐波小波包分析提供了更优质的数据。谐波小波包分解环节：运用谐波小波包对预处理后的信号进行深入分解，将其划分为多个不同频带的子信号。根据旋转机械的工作特点和常见故障的特征频率范围，科学合理地选择分解层数和频带划分参数，以确保能够准确提取出故障特征。在对齿轮箱故障进行诊断时，通过分析齿轮的啮合频率和故障特征频率，选择将信号分解为6层，得到64个子频带，从而能够更细致地分析不同频率范围内的振动信号特征。故障特征提取环节：从谐波小波包分解得到的子信号中，提取能够有效反映故障状态的特征参数，如能量特征、频率特征、时域特征等。能量特征可通过计算子信号的能量分布来获取，能够反映信号在不同频带的能量集中程度。频率特征则通过傅里叶变换等方法分析子信号的频率成分，识别出与故障相关的特征频率。时域特征可通过计算信号的峰值指标、峭度指标等参数来获取，这些指标能够反映信号的时域特性和故障的冲击特性。在对轴承故障进行特征提取时，通过计算特定子频带信号的能量，发现故障状态下该子频带的能量明显增加，同时通过傅里叶变换分析，准确地检测到了轴承故障的特征频率，如滚动体通过内圈频率、滚动体通过外圈频率等。故障识别环节：将提取到的故障特征输入到预先训练好的故障诊断模型中，如支持向量机（SVM）、神经网络（NN）等，实现对故障类型和故障程度的准确识别。在训练故障诊断模型时，需收集大量的正常运行和故障状态下的样本数据，并对数据进行标注和分类。采用交叉验证等方法对模型进行训练和优化，提高模型的泛化能力和诊断准确率。在对旋转机械的故障进行识别时，将提取到的故障特征输入到训练好的SVM模型中，模型能够快速准确地判断出故障类型，如不平衡、不对中、轴承故障等，并给出相应的故障程度评估。5.2信号采集与预处理5.2.1信号采集方法与传感器选择在旋转机械故障诊断中，信号采集是获取设备运行状态信息的关键环节，而振动信号由于其包含丰富的设备运行状态信息，成为故障诊断中最常用的信号类型之一。振动信号的采集方法主要包括接触式和非接触式两种。接触式采集方法通常使用加速度传感器，其工作原理基于压电效应，当传感器受到振动加速度作用时，内部的压电材料会产生电荷，电荷的大小与加速度成正比。加速度传感器具有灵敏度高、频率响应范围宽等优点，能够准确地测量旋转机械的振动加速度信号。在对汽轮机的振动信号采集时，可在汽轮机的轴承座、机壳等部位安装加速度传感器，以监测不同部位的振动情况。其安装方式主要有螺栓连接、磁吸连接和胶粘连接等。螺栓连接方式能够提供稳定的连接，适用于振动幅值较大的场合；磁吸连接方式安装方便，可快速拆卸，适用于临时监测；胶粘连接方式则适用于对安装位置有特殊要求或不允许钻孔的情况。非接触式采集方法中，激光振动传感器应用较为广泛。它利用激光的多普勒效应，通过测量激光束照射到振动表面后反射光的频率变化，来计算物体的振动速度和位移。激光振动传感器具有非接触、高精度、高分辨率等优点，尤其适用于对高速旋转部件或对安装有严格要求的设备进行振动监测。在对航空发动机的叶片振动监测中，由于叶片处于高速旋转状态，且安装空间有限，激光振动传感器能够在不接触叶片的情况下，准确地测量其振动参数。传感器的选择需要综合考虑多个因素。首先是旋转机械的工作频率范围，不同的传感器具有不同的频率响应特性，应选择频率响应范围能够覆盖旋转机械工作频率的传感器。在对电机进行故障诊断时，电机的工作频率通常在几十赫兹到几千赫兹之间，应选择频率响应范围满足该区间的加速度传感器。其次是振动幅值，根据旋转机械可能产生的振动幅值大小，选择量程合适的传感器，以确保传感器能够准确测量振动信号，同时避免因振动幅值过大而损坏传感器。还要考虑传感器的精度、稳定性、抗干扰能力等性能指标。在工业现场，传感器可能会受到电磁干扰、温度变化等因素的影响，应选择具有良好抗干扰能力和稳定性的传感器，以保证采集到的信号质量。5.2.2信号预处理的方法与目的在旋转机械故障诊断过程中，信号预处理是至关重要的环节，其主要目的是去除信号中的噪声和干扰，提高信号的质量，为后续的谐波小波包分析提供可靠的数据基础。去噪是信号预处理的关键步骤之一，常用的去噪方法包括小波阈值去噪和经验模态分解（EMD）去噪。小波阈值去噪是基于小波变换的时频局部化特性，将信号分解为不同尺度的小波系数。由于噪声在小波变换后的高频系数中占据主导地位，而信号的主要能量集中在低频系数中，通过设定合适的阈值，对高频小波系数进行处理，将小于阈值的系数置零，保留大于阈值的系数，再进行小波逆变换，从而实现去噪。在对某风机振动信号进行去噪处理时，采用小波阈值去噪方法，选择合适的小波基和阈值，能够有效地去除信号中的高频噪声，使信号的信噪比得到显著提高。经验模态分解去噪则是将信号分解为若干个固有模态函数（IMF）分量。这些IMF分量是通过对信号进行多次筛选得到的，每个IMF分量都具有不同的时间尺度特征，能够反映信号的局部特征。在分解过程中，噪声通常会集中在高频的IMF分量中，通过去除或调整这些包含噪声的IMF分量，再对剩余的IMF分量进行重构，就可以达到去噪的目的。在对某压缩机振动信号进行处理时，运用经验模态分解去噪方法，将信号分解为多个IMF分量，去除其中噪声占主导的IMF分量后，对剩余分量进行重构，有效地去除了信号中的噪声，突出了故障特征。滤波也是信号预处理的重要手段，常见的滤波方法有低通滤波、高通滤波和带通滤波。低通滤波主要用于去除信号中的高频噪声，通过设置合适的截止频率，使低于截止频率的信号成分通过，高于截止频率的信号成分被滤除。在旋转机械振动信号采集过程中，可能会受到周围电气设备产生的高频电磁干扰，采用低通滤波器可以有效地去除这些高频噪声，使信号更加平滑。高通滤波则与之相反，用于去除信号中的低频干扰，保留高频信号成分。在某些情况下，旋转机械的振动信号中可能包含低频的环境振动干扰，高通滤波器可以将这些低频干扰滤除，突出信号中的高频故障特征。带通滤波则是同时设置上限截止频率和下限截止频率，只允许在这两个频率之间的信号成分通过，能够有效地提取出特定频率范围内的信号。在对齿轮箱