加強機械故障診斷 助力中國制造
——訪陜西省機械產(chǎn)品質(zhì)量保障與診斷重點實驗室主任林京教授

本刊記者 谷 雨

：目前，變轉(zhuǎn)速機械設備的動態(tài)信號分析方法主要有哪些？國內(nèi)在變轉(zhuǎn)速設備的監(jiān)測與診斷領域有哪些突破？

林京：從機電系統(tǒng)到大型裝備,無論是簡單機械還是復雜裝備,變轉(zhuǎn)速的工作狀態(tài)幾乎無處不在, 卻又不盡相同。如機組的起停車、飛機的起飛降落，其工作過程要求轉(zhuǎn)速必須經(jīng)歷一個大幅變化；還有許多設備，運行中的標稱轉(zhuǎn)速是勻速，但由于各種因素，轉(zhuǎn)速總有少許波動，也屬于變轉(zhuǎn)速。轉(zhuǎn)速變化往往會使監(jiān)測信號變得復雜，給設備的狀態(tài)監(jiān)測和診斷帶來挑戰(zhàn)，為此，變轉(zhuǎn)速設備的監(jiān)測診斷近年來開始受到國內(nèi)外學者的廣泛關注，成為機械故障診斷領域關注的焦點之一。

振動分析是設備監(jiān)測與診斷使用最為廣泛的方法，其中，基于傅里葉變換理論的振動監(jiān)測與診斷在恒工況下已相對成熟。轉(zhuǎn)速發(fā)生變化后，由于信號總是按照等時間間隔進行采樣的，這樣，每個回轉(zhuǎn)周期內(nèi)的采樣點數(shù)不再相等，直接采用傅里葉變換處理這些信號所得到的頻譜會在與轉(zhuǎn)頻相關的各個頻率位置處展寬，它們不僅與其他成分發(fā)生交織，甚至彼此相互疊加，使得頻譜異?；靵y，加劇了故障特征檢測的難度。

總體上看，針對變轉(zhuǎn)速設備的監(jiān)測診斷主要從測試技術和信號處理兩個方面開展研究。測試技術的方法中，最具代表性的就是階次跟蹤技術。其基本思路就是安裝一個可提供時標參考的工裝（鍵相、碼盤等），使信號按照等轉(zhuǎn)角間隔進行采樣，這樣，無論轉(zhuǎn)速如何變化，每轉(zhuǎn)一周所對應的采樣點數(shù)總是不變的，此時再對信號做傅里葉變換就不再受轉(zhuǎn)速的影響，故障信息可以得到較好體現(xiàn)。基于信號處理的方法主要通過各種非平穩(wěn)信號處理方法，對常規(guī)的等時間間隔采集的信號進行處理，主要有短時傅里葉變換、小波變換、循環(huán)平穩(wěn)分析等，這些方法通過在時頻域內(nèi)對信號進行處理，剝離轉(zhuǎn)速在信號中的影響進行剝離，以達到準確診斷的目的。

毋庸置疑，階次跟蹤技術能夠?qū)崿F(xiàn)最大程度去除轉(zhuǎn)速變化的影響，但必須有相應工裝。許多情況下，由于成本、安裝空間等限制，無法提供這一條件。事實上，無參考時標的階次跟蹤技術已成為變轉(zhuǎn)速設備監(jiān)測診斷的發(fā)展方向之一，相關工作最早由法國里昂大學科研人員于2005年報道，由于該方法只能容忍1%的轉(zhuǎn)速波動，因而未能產(chǎn)生較大影響，但至少邁出了第一步。隨后，英、法、澳、中等國的研究學者相繼對無時標的階次跟蹤技術做了進一步發(fā)展。近年來，我們課題組提出了一種自適應階次跟蹤技術，能夠適應任意轉(zhuǎn)速變化，該項成果已應用于高檔數(shù)控機床傳動鏈誤差溯源、列車軸承損傷的監(jiān)測診斷中，取得了滿意的效果。

：故障微弱特征的提取一直是大型機械設備故障診斷中的關鍵難題。針對此問題，目前在理論和應用方面都取得了哪些進展？未來關注的重點是什么？

林京：機械故障的早期診斷對避免重大事故至關重要，而故障微弱特征的提取往往又與故障的早期診斷密切相關，因而倍受關注。低信噪比的信號檢測與提取本身就是信號處理領域中的難點，如果故障征兆所對應的信號比較復雜，則會進一步加劇故障特征提取的難度，所以，機械故障微弱特征的提取在信號處理領域是一項挑戰(zhàn)性難題。

有關機械故障微弱特征提取的理論和方法較多，近些年，隨著信號處理理論的發(fā)展，相關研究不斷深入，其基本思路都是利用故障信號的某些特性、噪聲的特點，或者信號與噪聲的關聯(lián)性等。大體可分為如下幾類：（1）基于消噪的方法。即對信號進行某種變換（小波變換、S變換、自適應短時傅里葉變換等），故障特征成分與其他成分在變換域內(nèi)較好分離，再對故障特征成分進行重構(gòu)，小波消噪就是這類方法的典型代表。（2）基于自適應分解的方法。即利用故障信號的特點，建立相應的目標函數(shù)并構(gòu)造迭代算法，對信號層層剝離，其中較具代表性的有希爾伯特-黃變換（HHT）、獨立分量分析（ICA）等。（3）基于非線性模型的方法。如利用混沌算子對初始點敏感的特點，將故障特征與混沌算子的初始點相關聯(lián)，然后通過觀察混沌信號的演化結(jié)果來判斷是否發(fā)生故障。最近還有一些學者致力于研究基于隨機共振模型的微弱故障檢測方法，其依據(jù)也是利用該算子對特異信號的敏感性。

隨著裝備的高端化、智能化，機械裝備的復雜程度以及對狀態(tài)信息理解程度的要求也在不斷提高，對于一些高端裝備，如航空發(fā)動機，其工作環(huán)境日趨惡劣，燃燒溫度及工作壓力在不斷提高，這些因素都加劇了故障微弱特征提取的難度。因此，機械故障微弱特征的提取仍然有很長的路要走。

林京：該多故障的診斷也是機械裝備監(jiān)測診斷的一個難點，一方面，不同故障所表現(xiàn)出的征兆可能具有相似性，相互疊加后，不易分辨，造成漏檢；另一方面，多故障之間存在關聯(lián)，同時發(fā)生后，故障特征相互耦合，不再表現(xiàn)為單個故障的簡單疊加，此時的診斷往往更加困難。有效解決這一難題，需要同時從兩個方面著手：首先需要明晰故障的產(chǎn)生機理、演化機制以及不同故障間的關聯(lián)規(guī)律，從理論上厘清多故障間的耦合關系；其次，建立有效的信號處理方法，能夠從原始的測試信號中揭示出多故障的特征信息。已有方法大多側(cè)重于后者，即從測試信號的分析處理來發(fā)掘故障信息，這種方式對故障機制已十分明了的情況是有效的，但對“疑難雜癥”就顯得力不從心。歸根結(jié)底，故障機理的研究仍是解決這類復雜故障診斷的核心制約。由于裝備的復雜性和多樣性，已有的故障物理模型往往很難全面覆蓋所有裝備，加上服役環(huán)境、工作參數(shù)等方面的變化，需要結(jié)合具體情況來建立復雜故障的物理模型，然而，這一工作往往具有較大挑戰(zhàn)性。原因主要有以下幾點：（1）設備的動態(tài)特性及參數(shù)無法準確獲得；（2）設備的動態(tài)特性與機、電、液等多物理場特性密切相關，缺乏相關知識和模型；（3）缺乏有效的試驗驗證手段及數(shù)據(jù)。由此可見，對于復雜故障的診斷，仍需要通過大量的基礎性試驗來完善其故障的物理模型，僅依靠現(xiàn)場的測試數(shù)據(jù)往往難以全面覆蓋所需的信息。