机械故障特征提取及性能退化评估方法研究

第1章 绪论

1.1 旋转机械故障诊断研究现状

1.1.1 机理分析

1.1.2 特征提取

1.1.3 特征压缩

1.1.4 故障诊断

1.2 非平稳信号分析方法研究现状

1.2.1 非平稳信号的自适应分析方法研究现状

1.2.2 非平稳信号的阶比跟踪分析方法研究现状

1.3 迁移学习方法研究现状

1.3.1 领域适应学习方法研究现状

1.3.2 聚类及迁移聚类方法研究现状

1.4 轴承性能退化评估及预测方法研究现状及目前存在的问题

1.4.1 退化评估及预测方法研究现状

1.4.2 目前存在的问题

本章小结

参考文献

第2章 故障机理及分析

2.1 轴承故障

2.1.1 产生机理

2.1.2 故障形式

2.1.3 特征频率

2.2 齿轮故障

2.2.1 故障形式

2.2.2 振动特点

2.3 转子不对中故障

2.3.1 故障形式

2.3.2 振动特点

2.3.3 振动形态特征

本章小结

参考文献

第3章 非平稳信号的时频分析及故障特征提取

3.1 时频分析方法理论

3.1.1 基本概念

3.1.2 基本方法

3.2 小波包分析

3.2.1 小波包变换原理与分析

3.2.2 小波包频带能量分解原理

3.3 自适应分析

3.3.1 EMD方法

3.3.2 EEMD方法

3.3.3 EMD与EEMD对比分析

3.4 基于小波包频带能量分布的滚动轴承故障特征提取

3.4.1 轴承故障实验装置

3.4.2 小波基函数选择

3.4.3 小波包频带能量划分

3.4.4 实验结果与分析

3.5 基于EEMD的转子不对中故障特征提取

3.5.1 不对中故障实验装置

3.5.2 基于EEMD-小波包频带能量的不对中故障特征提取方法

本章小结

参考文献

第4章非平稳信号的阶比跟踪分析及故障特征提取

4.1阶比跟踪分析方法的提出

4.2阶比跟踪分析方法的实现

4.2.1硬件阶比跟踪技术

4.2.2计算阶比跟踪技术

4.2.3无转速计阶比跟踪技术

4.3基于EEMD瞬时频率估计的无转速计阶比跟踪分析4.3.1角域重采样…

4.3.2阶比谱分析·

不对中故障的阶比-小波包频带能量特征提取基于瞬时频率估计的不对中故障阶比跟踪分析4.4.1小波包频带能量特征提取4.4.2

4.4

本章小结

参考文献

第5章基于LMD能量投影法的故障诊断

5.1 LMD

5.1.1LMD方法

5.1.2分解效果的评价

5.1.3基于加权优化的PF分量重构

……

第 8章 基于迁移学习的谱聚类8.1谱聚类理论

8.1.1基本理论

8.1.2经典谱聚类算法框架

8.2迁移学习理论

8.2.1基本概念

8.2.2迁移学习的类型

8.2.3迁移学习的方法

8.2.4领域适应学习

8.3基于迁移学习的谱聚类算法

8.3.1流形距离度量…

8.3.2基于流形距离的自适应迁移谱聚类方法

8.3.3实验与分析…

本章小结

参考文献

第9章滚动轴承多退化特征融合

9.1基于迁移谱聚类的退化特征类敏感度评价

9.2基于类敏感度与重叠趋势性的特征融合算法

9.3滚动轴承多退化特征融合算法流程·

9.4多特征融合实验与分析

9.4.1仿真分析

9.4.2实验验证

9.5滚动轴承剩余寿命预测实验与分析

9.5.1数学模型仿真数据验证

9.5.2全寿命周期实验数据验证

本章小结

参考文献

第1章绪论

随着工业及科技水平的不断提高，旋转机械的性能在逐步提升，相应的结构形式也日趋复杂。由于长期连续工作在高载荷、高转速下，旋转机械传动系统中的轴承及齿轮等旋转件发生故障比例极高，导致机械设备整体性能下降，甚至产生故障或事故，从而造成严重损失。因此，研究实用、可靠的轴承及齿轮等旋转件性能退化过程中的特征提取及状态评估技术，实现主动的故障预测，对于保持旋转机械完好性意义重大。旋转机械系统结构复杂，故障成因多种多样，旋转机械的振动问题也因此十分复杂。特别是在旋转机械处于高速运转状态时，振动信号表现出明显的非平稳、信噪比低及变化剧烈等特点，使得对振动信号的特征提取与分析工作难以有效进行。准确提取复杂工况下旋转机械故障振动特征，揭示其早期或潜在的故障发生、发展和转移规律，一直是旋转机械故障诊断及预测研究工作中的热点和难点问题。

1.1旋转机械故障诊断研究现状

现代化工业生产中，机械设备正在向大型化、高速化、集成化、数字化和智能化方向发展。生产设备能否在无故障条件下正常运行，对于提高生产效率、保障安全生产至关重要（1-3]。旋转机械是指主要依靠旋转动作完成特定功能的机械，典型的旋转机械包括航空发动机、汽轮机、鼓风机、水轮机、发电机、压缩机、发电机及轧钢机等。作为生产装备的重要组成部分，在航空、石油、化工、冶金、机械和电力等生产领域中，旋转机械占关键设备总量的80%以上1。旋转机械结构复杂，运转条件要求较高，并长期处于高速运行状态（一般为3000r/min以上，有时甚至高达10000r/min）。由于易受各种随机因素的影响，旋转机械在工作时，不可避免地会出现一些机械故障。高速旋转部件的任一微小故障，都可能引发一系列的连锁反应，导致设备整体性能下降，甚至产生并发故障及事故。旋转机械一旦出现故障且未能及时发现和排除，将给工业生产带来巨大的安全隐患，甚至灾难性的后果，直接影响到企业的社会经济效益。因此，研究解决旋转机械设备的故障诊断问题具有重要的应用意义。

目前，可以用于旋转机械故障诊断的状态监测信息很多，主要包括温度、声音、振动和应力等。其中，振动信号蕴含丰富的机械设备异常或故障信息，因此利用振动信号实现故障诊断已逐渐成为一种主要途径。对振动参数变化规律进行有效分析，可为设备故障特征识别提供重要依据。据统计，利用振动特征分析可以找出旋转机械设备运行中70%以上的故障源[4]。

旋转机械故障成因多种多样，主要包括材料缺陷、加工误差、安装失误、意外冲击或疲劳破损等，导致旋转部件的振动问题也变得十分复杂。另外，旋转机械一般具有传动系统结构复杂、传播路径复杂、传动元件多、传动元件间存在耦合等特点。尤其是当机械设备处于高速旋转状态时，由于运行环境恶劣，受载复杂，振动信号对于转速、负载等工况波动的反应将变得更为敏感，信号变化剧烈，产生了快速的时变信号，同时伴随着严重的噪声污染，振动信号中原本有限的有用成分更为微弱，信噪比低。这使得对振动信号的准确分析变得更为困难，给高速旋转机械故障诊断研究工作带来了新的挑战。准确提取高速旋转部件的微弱故障特征，揭示其早期或潜在的故障发生、发展和转移规律，已成为当前旋转机械故障诊断研究工作中的热点问题。研究分析结果表明，解决上述问题的关键在于从强噪声背景下的非平稳信号中有效地提取出信号故障特征，进而实现故障诊断。国内外学者对此已开展了大量的研究工作。旋转机械故障诊断技术的研究内容主要可以归为以下四个方面：①故障机理的研究；②信号处理与故障特征提取方法的研究；③故障特征压缩方法的研究；④故障识别方法的研究。下面对以上四个方面近年来的研究进展情况给予介绍。

1.1.1机理分析

在故障机理方面，国内外很多科研人员做了大量的研究工作。美国学者Sohre在1968年发表了一篇题为《高速涡轮机械运行故障起因和治理》(Trouble-shooting to stopvibration of centrifugal)的论文，对旋转机械运行过程中可能出现的典型故障成因及其特征进行了较详细的归纳（5]。文献[5]中将典型故障系统归纳为9大类，已成为进行设备监测和故障诊断的重要依据。美国Bently公司对转子一轴承旋转机械系统运行中出现的典型故障机理做了大量试验研究并给出了相关的分析结论。日本的白木万博通过工程实际对现场故障的处理经验和相应的理论方法进行了全面的总结和分析0，为现场故障诊断提供了有价值的参考。国内西安交通大学、重庆大学、东北大学等单位在该领域也开展了长期、大量的研究工作，相关研究成果在故障诊断中已获得了广泛的应用（7-10]。高金吉院士归纳、总结了10类58种故障的诊断识别特征，提出了在设计制造、运行操作、安装维护等方面故障产生的主要原因及其处理、防护方法（]。钟掘院士对机械系统非线性故障形成的机理进行了较系统的研究，提出了一种关于转子系统非线性振动的辨识建模方法(12]。闻邦椿院士利用解析分析、有限元计算和实验研究等多种手段研究了裂纹转子的故障诊断问题(13]。文献[14]在分析旋转机械常见故障产生机理的基础上，总结了各类故障振动特征、敏感参数和故障原因之间的对应关系，并据此给出了相应的治理措施建议。文献[15]等利用非线性动力学理论建立了转子动力学模型，用于解决发电机组轴系存在的主要振动问题，从多方面综合分析了各种故障因素影响下的动力学行为，同时也给出了针对轴系振动故障的综合治理方案。

本书面向机械故障诊断及预测技术领域的发展需求，特别是旋转机械在高速运转状态时的特征提取与故障诊断研究需求。同时，本书介绍了迁移学习理论及其在机械大数据中的应用，将机械设备及部件的历史监测大数据迁移到实际工程问题中的小数据领域，解决故障诊断中数据和知识稀缺的问题。本书介绍了旋转机械故障诊断技术的方法体系、框架和算法，内容包括绪论、故障机理分析、多域特征提取、特征压缩、故障诊断方法以及滚动轴承性能退化评估理论和应用。此外，各章节内容均涉及相关领域基础知识的介绍，并配有工程应用案例，能够为不同层次的读者与研究人员提供入门知识和参考信息。