旋转机械振动故障诊断的图形识别方法研究

旋转机械振动故障诊断的图形识别方法研究CONTENTS目录01绪论02旋转机械振动基础03振动信号采集与预处理04图形识别方法理论基础CONTENTS目录05典型图形识别方法及应用06故障诊断案例分析07诊断系统构建与实现08结论与展望01绪论旋转机械的重要性及故障影响

01旋转机械的工业地位旋转机械是现代工业的核心设备，广泛应用于电力、石化、航空航天、交通运输等领域，如汽轮机、燃气轮机、离心式压缩机、发电机等，其运行状态直接关系到工业生产的连续性和稳定性。

02故障对生产效率的影响旋转机械故障会导致设备停机，造成生产中断。据行业统计，因振动故障引发的停机时间占设备总停机时间的30%以上，显著降低生产效率，增加生产成本。

03故障对安全的潜在威胁严重的旋转机械故障可能引发设备损坏、火灾甚至人员伤亡。例如，高速旋转部件的不平衡或轴承磨损若未及时诊断，可能导致轴系断裂、机组倾覆等重大安全事故。

04故障的经济损失分析旋转机械故障不仅带来直接维修成本，还包括停机损失、产品报废等间接损失。某大型石化企业数据显示，一台离心压缩机故障导致的单日经济损失可达数百万元。振动故障诊断的意义保障设备运行安全旋转机械故障可能引发严重安全事故，如轴承磨损、齿轮断裂等故障若未及时诊断，可能导致设备失控，威胁操作人员安全与生产环境。提升生产运行效率准确诊断可减少设备非计划停机时间，避免因故障导致的生产中断，提高生产线连续性，进而提升整体生产效率与经济效益。降低维护成本投入通过早期故障诊断，可针对性制定维护计划，避免过度维修或突发故障带来的高额维修费用，延长设备使用寿命，降低综合维护成本。推动工业智能化发展振动故障诊断技术是工业智能化的重要组成部分，其与传感器、数据分析及AI算法的结合，促进工业生产向预测性维护、智能监控方向升级。图形识别方法在故障诊断中的应用现状传统图形识别技术应用传统图形识别技术通过对振动信号进行时域、频域分析，提取如小波变换多尺度特征、傅里叶变换频率特征等，构建图像后利用灰度共生矩阵等方法描述纹理信息，实现故障识别。其原理简单易于实现，但对复杂多模态信号需手动设定阈值，预处理要求高，适用于特征明显的简单信号分析。深度学习方法应用进展深度学习在故障诊断中应用广泛，采用神经网络、卷积神经网络等算法自动学习信号特征并分类。如BN-1DCNN模型对一维振动数据直接卷积，平均诊断准确率达98.43%；CNN可对图像深层次特征提取分类，具有自适应性和鲁棒性，能减少人工干预提高准确性，但需大量数据集训练，对计算资源要求较高。工业领域实际应用案例在电力、石油、化工等领域，图形识别方法用于汽轮机、风机等设备故障诊断。如某工厂风机通过振动监测，利用图形识别技术发现轴承磨损，及时更换避免故障；风力发电领域对齿轮箱、轴承等关键部件实时监测，航空航天领域对发动机等设备进行状态判断，均体现其应用价值。现存挑战与发展方向当前图形识别技术面临特征提取困难、图形特征描述准确性不足等挑战，且复杂工况下识别精度有待提升。未来需研究高效深度学习模型、智能信号预处理方法，结合多传感器融合与工业互联网大数据技术，实现实时监测预警，推动旋转机械故障诊断智能化发展。02旋转机械振动基础旋转机械的分类及结构组成

按振动形式分类旋转机械振动主要分为横向振动（发生在横向平面内，多数故障为此类）、轴向振动（沿转轴轴线方向，如不对中故障激发）和扭转振动（沿转轴轴线扭振，多盘柔性轴易产生）。

按临界转速分类以一阶临界转速为界，分为刚性转子系统（工作频率<100Hz，采用滚动轴承，振动为同步强迫振动）和柔性转子系统（工作频率>100Hz，采用滑动轴承，振动多为亚同步自激振动）。

核心结构组成旋转机械核心为转子系统，包括转子（轴、齿轮、叶轮、联轴器）、轴承系统（滑动/滚动轴承）、支座（定子、机座）及密封装置，转速范围从每分钟几十到几十万转。振动类型及特点横向振动振动发生在包括转轴的横向xoy平面内，大多数故障如不平衡、不对中、油膜失稳等所激发的振动为此类振动。轴向振动振动发生在转轴轴线z方向上，某些故障如不对中将会激发轴向振动，通过轴向位移检测可监测此类振动。扭转振动沿转轴轴线发生的扭振，多盘转子的柔性轴将会产生扭振，其振动特性与系统的刚度和转动惯量相关。刚性转子系统与柔性转子系统对比

系统分类依据与判别标准以一阶临界转速为分界：刚性转子系统工作转速<一阶临界转速，一般工作频率<100Hz；柔性转子系统工作转速>一阶临界转速，一般工作频率>100Hz。

轴承类型与激振特性差异刚性系统通常采用滚动轴承，激振源于外部周期激振力或位移，振动为强迫振动；柔性系统多采用滑动轴承，激振由系统内部能量输入引发，振动表现为自激振动（亚同步振动）。

振动频率与工作频率关系刚性系统振动频率与工作频率同步（同步振动）；柔性系统振动频率<工作频率，且与一阶横向自振频率相关，振动频率一般低于工频。

振幅与转速变化特征比较刚性系统振幅随转速增加而增大，临界转速处达峰值后减小并趋于定值；柔性系统振幅随转速变化可能突发增大或减小，涡动频率与一阶横向自振频率关联。03振动信号采集与预处理振动信号采集原理传感器技术选择

根据监测需求选用加速度传感器（高频振动）、位移传感器（低频振动）或速度传感器（能量监测），确保信号灵敏度与机械特性匹配。信号传输与预处理

采集信号需经过放大、滤波等处理，去除噪声干扰，保留关键频率段信息，为后续特征提取奠定基础。采样定理应用

遵循采样定理确定合理采样频率（通常为信号最高频率的2倍以上），保证信号完整性，避免频谱混叠影响分析精度。传感器选型与布置振动传感器类型及适用场景加速度传感器适用于高频振动监测（>1kHz），可测量振动加速度；位移传感器适用于低频振动监测（10~100Hz），测量振动位移；速度传感器介于两者之间，可反映振动能量，适用于中频范围（10~1000Hz）的振动速度测量。关键部位传感器布置原则轴承、齿轮、电机等关键部件应布置传感器，同时需考虑传感器方向（垂直、水平、轴向）和数量，以全面捕捉振动信息。例如测轴承振动时，应在垂直Y、水平X和轴向Z三个方向布置测点。传感器选型依据根据振动频率范围选择参数：低频（10~100Hz）选用位移参数（xp-p值），中频（10~1000Hz）选用速度参数（vrms振动烈度），高频（>1kHz）选用加速度参数（arms、ap-p值）。传感器质量、灵敏度及安装方式直接影响信息准确性。布置注意事项为保证数据可比性，需遵循“三同”原则：同一测点、相同工况、相同仪器及方法。辅助测点可布置在机壳、箱体、基础等部位，用于监测结构共振等情况。信号预处理技术

噪声抑制方法采用模糊形态边缘检测算子去除振动信号中的干扰噪声，通过权值和阈值调整实现图形降噪滤波，提升故障特征提取精度。

特征增强处理对时域、频域信号进行模糊增强运算，突出故障相关的纹理特征与灰度变化，为后续图形识别提供更清晰的特征向量。

信号标准化处理将振动信号转换为统一量纲的图形数据，确保不同工况下的信号具有可比性，为多源数据融合与智能诊断奠定基础。

数据维度优化通过灰度-基元-梯度共生矩阵等方法提取关键特征，降低数据维度同时保留故障敏感信息，提高诊断算法的运算效率。04图形识别方法理论基础传统图形识别方法01时域波形分析法通过观察振动位移、速度或加速度随时间变化的曲线特征进行诊断。同步振动故障波形以基频为主，含高次谐波及随机噪声，可直观判断周期振动成分及冲击特征。02频谱分析技术包括幅值谱、相位谱、功率谱等，通过傅里叶变换将时域信号转换为频域，提取特征频率。如不平衡故障在转频处有峰值，不对中则出现二倍频分量，广泛用于故障特征频率识别。03轴心轨迹识别法采集相互垂直方向的位移信号合成轨迹，形状与故障类型相关：不平衡呈椭圆，不对中为香蕉形或"8"字形，油膜失稳表现为亚同步涡动轨迹。可直观判断转子振动形态及进动方向。04时频分析方法如短时傅里叶变换（STFT）和小波变换，适用于非平稳信号。STFT通过加窗实现时频局部化，小波变换多分辨率分析可提取早期故障微弱特征，常用于启动/停机过程的故障诊断。基于深度学习的图形识别方法深度学习模型基础架构核心为神经网络，通过多层处理单元模拟人脑结构，利用激活函数引入非线性因素，采用梯度下降优化权重，结合正则化技术（如L1、L2）防止过拟合，实现复杂故障特征的自动学习与映射。一维卷积神经网络（1DCNN）应用针对旋转机械一维振动信号，将二维卷积核改进为一维卷积核，可直接对原始振动数据进行卷积操作。如BN-1DCNN模型通过批归一化层提升稳定性，在HZXT-008转子实验台上验证平均诊断准确率达98.43%。典型模型与故障识别优势常用模型包括CNN（卷积神经网络）、RNN（递归神经网络）等。CNN擅长提取局部特征，适用于频谱图、轴心轨迹图等图像化数据；RNN可捕捉时序信息，适配振动信号的动态变化。相比传统方法，具有自适应性强、特征提取自动化、复杂故障识别准确率高等优势。图形特征提取技术纹理特征提取通过灰度共生矩阵描述旋转机械参数图形的纹理信息，结合梯度-灰度空间绘制，综合运用结构法和统计法，精确提炼图形的灰度分布概率与梯度方向性特征，为故障诊断提供结构与灰度信息支持。形态特征提取利用模糊形态学边缘检测算子，对旋转机械振动参数图形进行边缘纹理特征提取，可实现图形除噪、滤波及增强等复杂运算，有效捕捉图形的形态学特征，提升故障特征识别的准确性。灰度-基元-梯度共生矩阵应用基于图形灰度信息，融合基元信息与梯度信息形成灰度-基元-梯度共生矩阵，能同时体现图形纹理的基元特征及灰度区域的变化状况，为旋转机械振动故障图形特征的精准提取提供有效方法。05典型图形识别方法及应用频谱图分析方法频谱图基本概念频谱图是通过傅里叶变换将时域振动信号转换为频域表示的图形，以频率为横坐标、振幅为纵坐标，直观展示信号的频率成分及能量分布。幅值谱与相位谱特征幅值谱反映各频率成分的振动强度，如不平衡故障在基频（工作频率）处出现显著峰值；相位谱表征各频率成分的相位关系，可辅助判断故障位置，如不对中故障常伴随二倍频相位异常。阶比幅值谱应用将频谱横坐标转换为工作频率的倍数（阶比），可消除转速波动影响，适用于变速工况分析。例如，滚动轴承故障的特征频率通常表现为特定阶比下的谱峰。功率谱分析优势功率谱通过计算信号功率在频率轴的分布，突出能量集中的谱峰，便于识别微弱故障特征。如滑动轴承油膜涡动时，功率谱在0.4-0.5倍工作频率处出现亚同步谱峰。故障诊断典型图谱不平衡故障频谱以基频为主，伴有少量高次谐波；不对中故障频谱包含基频、二倍频及四倍频分量；油膜振荡频谱则出现与一阶临界转速相关的亚同步振动频率（<工作频率）。轴心轨迹图分析方法

轴心轨迹的测量原理通过在轴承或轴颈同一断面上两个相互垂直方向安装位移传感器，采集振动位移信号，经处理后合成轴心相对于轴承的运动轨迹。测量面需与轴为整体，以探头中心线为中心。

典型故障的轴心轨迹特征不平衡故障通常表现为椭圆轨迹；不对中故障随程度加重，轨迹由椭圆变为香蕉形，最终呈"8"字形；油膜涡动/振荡呈现特定的亚同步进动轨迹；转子与静止部件碰摩时轨迹会出现明显畸变或"毛刺"。

进动方向判断正向进动为轴转向与轴心轨迹转向一致，如不平衡、不对中、油膜失稳等绝大多数故障；逆向进动则方向相反，常见于转子与定子干摩擦或特定螺旋桨动力作用场景。

轨迹稳定性分析正常运行时轴心轨迹形状和大小保持稳定；若出现轨迹紊乱、形状突变或幅值异常增大，提示机器运行状态进入异常，需结合频谱分析进一步诊断故障原因。波特图与奈奎斯特图分析方法

波特图的构成与应用波特图由幅频特性曲线（转速-幅值）和相频特性曲线（转速-相位）组成，可直观显示转子在不同转速下的振动响应。通过分析共振峰位置确定临界转速，依据低转速下的幅值和相位判断轴弯曲程度，是旋转机械启动/停机过程振动特性分析的重要工具。

奈奎斯特图的特征与诊断价值奈奎斯特图采用极坐标表示，以振动基频分量的幅值为模、相位为幅角。可用于识别系统阻尼特性，通过轨迹形状变化反映转子振动状态，例如弯轴引起的慢滚动向量可在低转速下形成特定向径，为故障根源分析提供依据。

两种图谱的信息互补性波特图擅长展示转速与幅值/相位的量化关系，奈奎斯特图则清晰呈现相位随幅值的变化轨迹，二者均能确定临界转速和系统阻尼值。实际诊断中结合使用可全面提取转子振动的幅频、相频特征，提升故障识别准确性。瀑布图与坎贝尔图分析方法

瀑布图的定义与构成瀑布图是将振动信号的功率谱或幅值谱随转速变化叠置而成的三维谱图，可直观显示各谐波成分谱图随转速的动态变化情况。

瀑布图的应用价值能够清晰呈现转速变化过程中各类频率分量的幅值演变趋势，有助于识别临界转速、共振频率及故障特征频率的变化规律。

坎贝尔图的基本原理坎贝尔图以转速为横坐标、频率为纵坐标，用斜线表示各倍频分量的阶次比(f/fr)，通过圆圈大小反映分量振幅，可快速定位与转速相关的频率成分。

两种图谱的局限性瀑布图与坎贝尔图均未包含相位信息，无法反映振动信号的相位特征，在复杂故障诊断中需结合相位谱等其他分析方法综合判断。06故障诊断案例分析转子不平衡故障诊断案例

01故障现象与振动特征某汽轮机在运行中出现异常振动，转速3000r/min时振动幅值达85μm（标准限值63μm），频谱分析显示1倍频（50Hz）成分占主导，相位稳定，轴心轨迹呈椭圆形，符合典型不平衡特征。

02诊断方法与数据支持采用振动信号采集系统（加速度传感器）获取时域波形，经FFT变换得到频谱图，1倍频幅值达62μm，占总振动能量的78%；波德图显示临界转速处出现共振峰，相位随转速变化规律符合不平衡故障特性。

03故障处理与效果验证通过动平衡试验，在转子叶轮加重25g，重新启动后振动幅值降至28μm，1倍频成分占比降至42%，设备恢复正常运行。后续连续监测3个月，振动稳定在30μm以内，验证诊断与处理的有效性。不对中故障诊断案例

不对中故障振动特征不对中轴心轨迹主要由二倍频、四倍频谐波分量合成，随不对中程度增大，轨迹由椭圆变为香蕉形，最后变为"8"字形。振动频率除工作频率外，二倍转频处出现明显振动分量。

风机齿轮箱不对中诊断实例某工厂风机齿轮箱振动信号频谱分析显示，转频1X处振幅0.15mm/s，2X处振幅达0.28mm/s，轴心轨迹呈香蕉形，诊断为齿轮箱轴系不对中，解体后发现联轴器安装偏差0.12mm，调整后振动幅值下降72%。

电机-泵组不对中处理效果某石化装置电机-泵组轴向振动烈度超标达16.8mm/s，相位检测显示轴向与径向相位差90°，采用激光对中仪校正后，振动烈度降至4.2mm/s，达到ISO10816-3标准限值要求，设备运行平稳性显著提升。轴承故障诊断案例

滚动轴承外圈故障诊断某风机滚动轴承外圈出现点蚀故障，振动信号时域波形呈现周期性冲击特征，频谱图中在故障特征频率（外圈通过频率）处出现明显峰值，同时伴随高次谐波。通过小波变换提取冲击特征后，采用支持向量机（SVM）分类识别，诊断准确率达96.7%。

滑动轴承油膜涡动故障诊断汽轮机滑动轴承在高速运行时发生油膜涡动，轴心轨迹呈椭圆形正向进动，振动频率约为0.45倍工作频率（自激振动）。通过三维谱图分析发现亚同步频率成分随转速升高而增大，结合模糊形态学边缘检测技术，成功识别油膜失稳故障。

轴承早期故障智能诊断应用某化工厂离心泵轴承早期磨损故障中，采用BN-1DCNN模型对振动信号进行自适应特征提取，模型平均诊断准确率达98.43%。与传统频谱分析相比，该方法在噪声干扰下仍能稳定识别故障特征，提前28天发出预警。齿轮箱故障诊断案例

齿轮箱典型故障类型齿轮箱常见故障包括齿轮磨损、断齿、齿面胶合及轴承损坏等，其中齿轮磨损占比约60%，断齿故障易导致突发性停机。

振动信号采集与预处理采用加速度传感器采集齿轮箱水平/垂直方向振动信号，采样频率20kHz，通过小波降噪处理消除环境干扰，信噪比提升至35dB以上。

故障特征提取与诊断利用频谱分析发现啮合频率（250Hz）两侧边频带，结合轴心轨迹呈"8"字形特征，诊断为齿轮不对中故障，诊断准确率达92%。

案例验证与处理效果某风电场齿轮箱故障案例中，通过图形识别方法提前14天预警，更换齿轮后振动幅值从15mm/s降至3.2mm/s，避免直接经济损失约80万元。07诊断系统构建与实现诊断系统总体架构

数据采集层通过加速度传感器、位移传感器等设备，采集旋转机械振动信号，包括振幅、频率、相位等参数，为后续分析提供原始数据。

数据传输与预处理层将采集到的信号进行传输，并通过滤波、放大、降噪等预处理，去除无用信息，保留关键特征，转化为可用于分析的特征向量。

图形识别与分析层运用传统图像处理技术（如傅里叶变换、小波变换）或深度学习算法（如CNN），对预处理后的图形数据进行特征提取和模式识别，建立故障分类器。

诊断决策与预警层根据图形识别结果，结合专家经验和故障机理，对旋转机械的运行状态进行评估，判断故障类型、位置及严重程度，并发出预警信号，为维修决策提供支持。数据采集与传输模块传感器选型与布置原则根据振动频率范围选择传感器类型：低频（10~100Hz）采用位移传感器，中频（10~1000Hz）选用速度传感器，高频（>1kHz）使用加速度传感器。关键测点布置于轴承、齿轮箱等核心部件，需同时采集垂直、水平及轴向三方向振动信号。信号预处理技术通过滤波去除干扰信号，采用采样定理确保信号完整性（采样频率不低于信号最高频率的2倍）。对振动信号进行放大、模数转换，将模拟信号转化为数字信号，为后续图形化处理奠定基础。数据传输架构设计采用分层架构：数据采集层实时获取传感器信号，数据传输层通过工业以太网或无线传输技术（如LoRa、5G）将数据上传至服务器，确保传输延迟<100ms。支持边缘计算预处理，降低云端数据处理压力。同步采集与时间戳管理利用GPS或北斗授时技术实现多传感器数据同步采集，时间戳精度达微秒级。确保转速、振动相位、轴心轨迹等关键参数的时间一致性，为故障特征关联分析提供准确时间基准。图形识别算法实现

传统图形特征提取方法通过灰度共生矩阵描述纹理特征，结合梯度-灰度空间绘制与结构法、统计法，提取图形的纹理、外形及灰度信息，为故障诊断提供基础特征数据。

模糊形态学处理技术利用模糊边缘检测算子提取参数图形边缘纹理特征，通过权值和阈值实现图形除噪滤波，提升图形数据的信噪比与特征清晰度。

基于BN-1DCNN的模型构建采用一维卷积核直接处理振动数据，引入批归一化层防止过拟合，在HZX