旋转机械振动故障机理及诊断方法分析

王吉

摘要：近年来，随着生产技术的不断成熟和发展，旋转机械已成为使用最广泛的工业机械设备之一，其故障的诊断对于旋转机械的安全运行至关重要。如果旋转机械运行过程中发生故障，复杂的内部结构很容易引起机械设备的连锁反应。因此，研究旋转机械故障诊断对于分析机械设备缺陷的原因和缺陷状况以及检查两者之间的关联有着相当重要的意义。本文首先分析了旋转机械的常见的故障类型及机理，并对目前常用的旋转机械故障诊断方法进行了详细的论述，最后叙述了故障诊断专家系统的开发研究现状。

关键词：旋转机械;机械振动;故障诊断;诊断方法

0  引言

随着现代工业化进程的快速发展，旋转机械设备已成为使用最广泛的工业机械设备之一，人们对其可靠性的要求越来越高。现实生活中，旋转机械设备多种多样，如鼓风机、膨胀机、燃气轮机、离心式压缩机、发电机、航空发动机等[1]。旋转机械被用于许多领域如航空、航海、机械、化工、能源、电力等领域。它的安全运行直接与企业的正常生产相关，如果机械设备发生故障，轻则影响企业的正常生产，重则威胁到工人的人身安全，同时也会给社会造成一定的经济损失。因此，研究旋转机械设备的故障机理和诊断技术有着至关重要的作用。

1  旋转机械故障类型及其机理分析

1.1 转子不平衡  不平衡是旋转机械运行过程中最常見的故障类型之一，根据不平衡发生的过程，不平衡可分为渐发性不平衡、原始不平衡和突发不平衡[2]。原始不平衡主要是由于转子不均匀材料的制造误差和安装误差造成的，例如转子在出厂时动平衡的平衡精度不满足要求，则在应用的时就会发生振动;所谓的渐发性不平衡是由于转子结构不均匀、工作介质中的粉尘的不均匀沉积、工作介质中的颗粒物对叶片、叶轮磨损不均匀等因素引起的，其振值随着时间的增加而逐渐增大[3]。突发性不平衡主要是由于转子零部件的脱落或者有异物附着在叶轮流道上引发的不平衡，这种不平衡引发的振动值将先增加最后稳定到某一值。

设转子的质量为M，偏心质量为m，偏心距为e，如果转子的质心到两轴承联心线的垂直距离不为零，其挠度为a，如图l所示[4]。

当转子在转动时，由于有偏心质量m和偏心距e的存在，转子将会产生离心力、离心力矩或者两者同时存在。离心力的大小为F=meω2（ω为旋转角速度），由于离心力的大小和方向都是周期性变化，每当转子转动一周时，离心力的方向就变化一个周期，这种交变的力将会引发机械振动，从而产生机械的不平衡振动。

1.2 转子不对中  旋转机械运行期间的不对中也是导致旋转机械设备故障的主要原因。转子不对中的故障有几种类型，可分为轴承不对中和联轴器不对中两种，如表1所示。

1.3 转子弯曲  旋转机械机组如果长时间未使用，有时可能会遇到振动过大或者无法启动的情况，这种情况大多数是由于机组停用后产生了转子弯曲故障。转子弯曲是由于各横截面的几何中心的连线与旋转轴线不重合，导致转子产生偏心质量，从而使转子产生不平衡振动。转子弯曲通常分为两种：永久性弯曲和临时性弯曲。永久性弯曲是指转子弯曲后无法恢复到原来的形状。导致永久性弯曲的原因很多，比如有设计制造缺陷、热态停机时未及时盘车、机组停放方法不对以及遭遇凉水急冷[5-6]。临时性弯曲是指转子弯曲后可恢复到原来的形状。通常产生临时性弯曲的原因有预负荷过大、转子升速过快、开机运行时暖机不充分等[7]。虽然转子永久性弯曲与临时性弯曲是不同的故障类型，但它们故障机理是相同的，都会产生与质量偏心类似的旋转矢量激振力，这点与质量偏心类似。转子弯曲在轴向上还会产生较大的工频振动，这是由于轴弯曲使轴两端产生锥形运动的结果，这与质心偏离有所不同。

1.4 旋转机械松动  旋转机械松动是旋转机械最常见的故障之一。由于旋转机械松动类故障的特征与不平衡、不对中类故障的特征极为相似，所以在判断故障原因时，极易与不平衡和不对中类故障发生混淆。旋转机械类松动故障分为两种情况：基础类松动故障和转子支撑部件松动类故障。基础松动类故障包括由设备底座、基础平板、混泥土基础强度刚度不够，引起基础设备变形或者开裂，以及地脚螺栓松动等[8-12]。这类松动故障的振动频谱与不平衡相同，都是工频（或转速频率）占主要优势。转子支撑部件松动类故障包括轴承松动、轴承内部间隙过大、固定轴承座的螺栓松动、轴承座裂纹、支撑脚高度不同引起的松动等。因此，机械设备的松动很容易导致设备故障，必须定期的对设备进行充分的诊断工作，以防止机械故障的发生。

2  旋转机械故障的诊断方法研究

在过去，人们对机械故障的诊断主要是依靠工人长期的丰富的经验去判断，这种方法虽然能在一定程度上解决问题，但是它太过于依赖工人的主观判断，并且有时候存在一定程度上的不准确性。随着人类社会的进步，以及计算机技术的飞速发展，人们对旋转机械故障诊断的方法也越来越智能化，常见的旋转机械故障的诊断的方法有：模式识别法、人工神经网络、仿生模式识别法等[13-15]。

2.1 基于模式识别的诊断方法的研究  在过去的十年中，模式识别技术在机械故障诊断领域的应用已得到广泛推广，并且每年都会发布相关的改进方法。如今，模式识别已经成为了检测机械故障的重要理论基础之一。模式识别，其实就是利用计算机技术对样本进行分类的过程，即是确定样本的类别属性的过程。一般来说，模式识别的过程，分为以下几个部分：数据信息的获取和预处理、特征的提取和选择、分类判决，其中分类判决包括分类器设计（训练过程）和分类决策（识别过程），如图2所示。

在机械设备诊断中，模式识别方法分为两类：一种是基于知识的故障诊断方法，另一种是基于数据的故障诊断方法。基于知识的故障诊断方法是指根据人们已知的（从专家那里收集整理的）关于研究对象的知识，整理出若干描述特征与类别间关系的准则，建立一定的计算机推理系统，对未知样本通过这些知识推理决策其类别[16];基于数据的故障诊断方法是基于数据的机器学习的一种特殊情况，学习的目标是离散分类。而基于数据的故障诊断主要以统计模式识别为基础，故通常讲的模式识别方法（聚类分析、支持向量机、模糊逻辑、判定树、主要成分分析、粗糙集、遗传算法等）指的就是统计模式识别方法。由于模式识别比一般的机械故障诊断方法有更大的准确性，目前国内外很多研究人员都逐步涉及这一领域的研究。

Jack等[17]提出了一种将支持向量机（SVM）应用于滚动轴承故障检测的模式识别方法，这种方法可以在有限的训练数据情况下提高模型的泛化性能，结果得到较理想的效果。张龙等[18]针对旋转机械电机振动信号普遍存在非平稳性，且机械设备的故障样本有限等问题，提出一种基于时变参数自回归模型和支持向量机相结合的旋转机械故障诊断方法，该文方法能够有效提取非平稳信号的特征，且能在较少训练样本的条件下获得较好的结果。何学文等[19]提出了一种基于小波分析和支持向量机相结合的旋转机械故障诊断方法，实验表明该方法可以获得更高的旋转机械故障诊断准确率。李如强等[20]人提出了一种基于粗糙集和模式识别的旋转机械故障诊断方法，该方法通过实验验证证明其有效性。

这些针对机械故障的诊断方法研究表明，将模式识别方法应用于旋转机械故障诊断比传统的诊断方法有更高的效率和准确率。当样本集比较小时，该方法的精度优于神经网络。由此可见，该方法在旋转机械故障诊断中有比较广阔的前景。

2.2 基于人工神经网络的诊断方法的研究  在1940年左右，关于人工神经网络的原理开始出现。经过长期的发展，已将其引入智能控制系统、神经网络研究与开发、计算机优化和计算机图像处理等许多领域，在连续语音识别、图像识别、数据压缩和信息处理等领域的实际应用中取得了巨大的成就，是一种新的模式识别和信息处理办法，前景可观。将人工神经网络与新技术结合使用的方式有很多，当前，有许多使用人工神经网络诊断机械故障的方法[21]。最常用的方法是多层感知器神经网络、BP神经网络、自组织Kohonen神经网络和径向的功能RBN神经网络，还有许多网络集成的其他方式和示例。在使用人工神经网络解决问题时，需要先对检查收集的故障信息进行处理，删除不必要或不加区分的异常信息，然后对有效数据进行规范化。在完成预处理完成后，可以将数据输入神经网络，然后进行训练学习和故障识别等过程。

Nalinaksh等[22]设计了一种人工神经网络用与转子轴承系统的故障识别，该神经网络采用了BP神经网络算法和多层网络，经过在未知故障的测试集中验证，其表现出良好的识别性能，准确率达到90%。S. Rajakarunakaran等[23]介绍了基于人工神经网络的离心泵系统故障检测模型的开发，该故障检测模型采用了两种不同的人工神经网络方法，即带反向传播算法的前馈网络和二元自适应谐振网络（ART1）。并针对离心泵系统中总共七类故障，测试了改进的反向传播神经网络和ART1模型的性能，结果表明ART1诊断故障的准确率比带反向传播算法的前馈网络高，准确率接近100%。

作为一种自适应模式识别模式，人工神经网络能通过自身的学习机制自动形成所要求的学习机制，即人工神经网络能像人类那样根据环境不断修正自己，表现出自适应、自组织和自学习的能力。基于神经网络的智能诊断技术不仅可以用于机械缺陷的诊断，而且在其他领域也正在迅速发展。但是，这种方法也有缺点，例如需要比较大的样本集，样本训练困难，对研究人员经验和调参技巧的要求很高等。

2.3 基于仿生模式识别的诊断方法的研究  “仿生模式识别”这一概念[24]是由王守觉院士提出来的，他认为传统的模式识别存在一定的缺陷，如传统的模式识别对未经过训练的对象会产生误识，且它着重于对事物类别进行划分，而仿生模式识别却不会对未经过训练的对象产生误识，它着重于对事物一类一类的进行认识。

许多研究人员在仿生模式识别这一概念提出后对其进行了广泛的研究，并将其应用于人脸识别、图像识别、语音识别等领域，取得了很多优良的效果。但是目前仿生模式识别在机械故障诊断领域的研究文献比较少。郭玉[26]将仿生模式识别算法应用于旋转机械故障诊断中，并将诊断过程和结果与传统人工神经网络（BP神经网络和RBF神经网络）进行对比分析，结果表明仿生模式识别在旋转机械故障诊断中是一种可行并且高效的诊断方法。

仿生模式识别法是一种全新的模式识别方法，它是从人们认识事物的角度出发来解决问题的。虽然目前仿生模式识别法在机械故障诊断领域的研究文献非常少，但是也给我们提供了一种解决问题的全新思路。

3  故障诊断专家系统的开发研究

故障诊断专家系统，它是AI（Artificial Intelligence）一个重要分支，是多学科交叉融合的结果，是基于故障诊断领域专家的知识、经验、推理开发的计算机程序。

美国、日本、丹麦、德国、瑞士等国的研究人员对旋转机械故障诊断技术进行了研究，开发了各种监视旋转机械故障的系统，并取得了优异的成绩。1967年，为了响应海洋和航空科学的发展需求，美国成立了预防故障和机械状况的科学研究所，并研究了诊断故障的方法，并且已经解决了用于监视和故障的各种阻碍。而我国对故障监测和诊断系统的开发研究比较晚，始于80年代左右。在那时由于研究人员缺乏实际的故障诊断经验，这使得开发的系统与实际的情况差别很大，远远没有达到预期的效果。

由于机械故障诊断是一项涉及众多机械及多门学科的综合技术，它最适合用专家系统来解决机械故障问题，所以对专家系统开发是故障诊断技术发展的必然趋势。当前，專家系统已经应用在众多领域如航空航天、航海、医疗卫生、机械、化工、电子设备，并且取得了极大的经济效益，获得了许多新进展。

Bo-Suk Yang等[28]提出了一种基于决策树和决策表方法VIBEX（Vibration Expert）的专家系统，该系统是可以用来诊断旋转机械的不规则振动故障，经过试验表明该系统在故障诊断方面表现出良好的性能和鲁棒性。Cen Nan等[29]提出了一种基于知识的专家系统的实时故障诊断方法，经过验证该方法是有效的。李晓琴[30]应用C++ Builder及Access数据库开发设计旋转机械振动诊断专家系统，系统通过对转子、轴承、齿轮四个诊断实例验证，说明了该专家系统设计合理、科学，诊断界面友好，诊断知识丰富，维护管理方便，能够准确快速地诊断部件的常见故障。

4  结语

针对旋转机械设备故障的频繁发生，为保证机械设备正常安全的运行，节约企业的成本，旋转机械故障诊断新方法和新理論的研究与应用已成为近年来最热门且最困难的研究热点。本文详细分析了旋转机械振动故障机理及诊断技术：①通常情况下，旋转机械故障类型有：转子不平衡、转子不对中、转子弯曲和旋转机械松动四种，可以根据不同故障类型采取相应的措施维修设备;②随着机械故障诊断技术的进步，目前旋转机械故障诊断方法有：模式识别法、人工神经网络、仿生模式识别法等;③随着计算机技术的发展和人工智能技术提高，许多研究人员都致力于故障诊断专家系统的研发，这极大提高了故障诊断效率，保证了工人的人生安全，同时也为企业节约了大量的经济成本。

参考文献：

[1]胡志湘，梅通友.状态监测技术在旋转设备故障诊断中的应用[J].设备管理与维修，2012（04）：48-51.

[2]李琦.振动监测及故障诊断技术在抛丸机组维护中的应用[J].冶金设备，2017（2）：199-205.

[3]胥佳瑞，崔彦亭，邓爱祥，吴韬.旋转机械振动管理专家系统应用[J].机电信息，2019（33）：41-42.

[4]潘高峰.空分装置H100型空压机振动分析及处理[J].风机技术，2011（01）：72-74.

[5]杨国安.旋转机械故障诊断实用技术[M].北京：中国石化出版社，2012：26-52.

[6]何洋洋.旋转机械振动故障诊断研究[D].华北电力大学（北京），2019.

[7]赵西松.OG#风机有限元分析及现场动平衡研究[D].东北大学，2008.

[8]费冠华，李瑞洋，宁晓霞.旋转机械设备故障诊断技术分析[J].科技风，2019（05）：178.

[9]党建.大型旋转机械振动信号分析与早期故障辨识方法研究[D].西安理工大学，2018.

[10]阮跃，潘勇，徐世昌.旋转机械振动监测和故障诊断的智能化[J].设备管理与维修，2018（10）：175-176.

[11]黄现云.旋转机械振动信号处理及故障诊断方法研究[D].南京信息工程大学，2018.

[12]范佳卿，肖伯乐，高升，张强.一种实时在线诊断旋转机械振动故障的方法[J].动力工程学报，2018，38（02）：120-126.

[13]刘晓波.旋转机械故障诊断若干关键技术研究及应用[M].北京：机械工业出版社，2012：1-6.

[14]高金吉.机器故障诊治与自愈化[M].北京：高等教育出版社，2012：1-12.

[15]谢长贵.旋转机械的智能诊断方法研究[M].成都：电子科技大学出版社，2017：1-10.

[16]曹玲玲.贝叶斯分类方法的对比研究与改进算法[D].西北大学，2011.

[17]JACK L B， NAND A K. Support Vector Machine for Detection and Characterization of Rolling Element Bearing Faults[J].Journal of Mechanical Engineering Science， 2001， 215 （ 9 ）：1065-1074.

[18]张龙，熊国良，柳和生，陈慧.基于时变自回归模型与支持向量机的旋转机械故障诊断方法[J].中国电机工程学报，2007，27（9）：99-103.

[19]何学文，孙林，付静.基于小波分析和支持向量机的旋转机械故障诊断方法[J].中国工程机械学报，2008，5（1）：86-90.

[20]李如强，陈进，伍星.一种基于粗糙集和模式识别的旋转机械故障诊断方法[J].机械科学与技术，2004，23（11）：1308-1312.

[21]汤健，田福庆，佘博，吴志伟，梁伟阁.基于机械振动的旋转供弹机构故障诊断综述[J].控制工程，2018，25（10）：1777-1784.

[22]Nalinaksh S. Vyas，D. Satishkumar.Artificial neural network design for fault identification in a rotor-bearing system[J].Mechanism and Machine Theory，2001，36（2）：157-175.

[23]S.Rajakarunakaran，P.Venkumar，D. Devaraj. Artificial neural network approach for fault detection in rotary system[J].Applied soft computing，2008，8（1）：740-748.

[24]王守觉.仿生模式识别（拓扑模式识别）—— 一种模式识别新模型的理论与应用[J].电子学报，2002，30（10）：1417-1420.

[25]陆飞.仿生模式识别的几何学习算法理论的研究[D].浙江：浙江工业大学，2006.

[26]刘焕云，王军宁，何迪.仿生模式识别目标自适应跟踪算法[J].西安电子科技大学学报，2013，40（8）：142-148.

[27]王守觉，曲延锋，李卫军，覃鸿.多权值神经元网络仿生模式识别方法在低训练样本数量非特定人语音识别中与HMM及DTW的比较研究[J].电子学报，2005，33（5）：957-960.

[28]Bo—Suk Yang，Dong一Soo Lim，Andy Chit Chiow Tan. VIBEX：an expert system for vibration fault diagnosis of rotating machinery using decision tree and decision table[J].Expert Systems with Applications，2005，28 （4）：735一742.

[29]Cen Nan，Faisal K Han，M.Tariq Iqbal.Real-time fault diagnosis using knowledge-based expert system[J].Process Safety and Environmental protection，2008，（01）：55-71.

[30]李晓琴.旋转机械振动诊断专家系统的研究[D].华北电力大学（北京），2011.