旋转机械(转子)故障诊断

旋转机械（转子）故障诊断摘要：旋转机械故障诊断技术在企业中的应用能够及早发现设备故障、防止生产线停工、避免重大事故。本文首先展示了国内外转子故障诊断技术现状，回顾过往不平衡模拟实验通过对振动特征的分析研究总结了不平衡的振动特征。而后再利用振动信号分析处理方法以及时一频分析技术，对转子系统的不平衡、不对中两个典型的故障诊断做了详细的介绍。由于技术发展，以后的转子故障诊断将朝着自动化、智能化方向发展。关键词：旋转机械；不平衡；不对中；故障诊断VibrationFaultsinRotorSystemAbstract:Applicationoftherotatingmachineryfaultdiagnosistechnologyintheenterprisecanpredicteequipmentfailure,preventshutdowntheproductionline,avoidmajoraccidents.Thispapershowsthepresentsituationofrotorfaultdiagnosistechnologyathomeandabroadatfirst,retrospectstheimbalancesimulationexperimentbasedontheanalysisofthevibrationcharacteristicsofthestudysummarizedtheunbalancedvibrationcharacteristics.Then,withthevibrationsignalanalysismethodandspectrumanalysistechnology,Iwillintroduceimbalanceandmisalignmenttwotypicalfaultdiagnosisindetail.Duetothetechnicaldevelopment,therotorfaultdiagnosiswilldevelopinautomaticandintelligentdirection.Keywords:RotatingMachinery;Imbalance;Misalignment;FaultDiagnosis旋转机械是指依靠转子旋转运动进行工作的机器，在结构上必须具备最基本的转子、轴承等零部件。旋转机械是工业部门中应用最为广泛的一类机械设备，例如汽轮机、压缩机、风机等诸多机械都属于这一类。转子一轴承系统作为旋转机械的核心部件，在电力、能源、交通、石油化工以及国防等领域中发挥着无可替代的作用。旋转机械常常由于出现各种不同形式的故障而影响其正常工作，有时甚至会发生由某种故障引发的严重的机毁人亡事故，并造成重大经济损失。综上所述，研究、发展并应用先进的状态监测与故障诊断技术，尤其是研究先进的时频分析方法正确地提取旋转机械的故障特征，保证大型旋转机械设备的安全而高效地运行，避免巨额的经济损失和灾难性事故发生，将为国民经济创造巨大财富，对于提高经济效益和社会效益具有重大的意义[1-2]。1转子故障诊断简介1.1转子故障分类1.转子不平衡。不平衡故障是由于不平衡量破坏了转子初始平衡状态，从而引发整机出现较大的工频振动。可分为由转子质量偏心和由转子部件缺损所引起的不平衡，是较常见的旋转机械振动故障。2.碰摩。转子与机匣碰摩是旋转机械常见的故障之一，可分为连续碰摩和局部碰摩。转子碰摩会引起整机振动持续增大，甚至破坏机械整体结构，使机匣发生变形，或使转子叶片产生裂纹甚至折断，从而严重影响机组安全运行。3.不对中。转子不对中通常是指相邻两转子的轴心线与轴承中心线的倾斜或偏移程度。转子不对中可以分为联轴器不对中和轴承不对中。旋转机械在安装和运转中因为多种原因而可能发生转子不对中，不对中状态下转子运动会引起机器振动、联轴器偏转、轴承摩擦、油膜失稳和轴的挠曲变形等故障问题，对系统的稳定运行危害极大。4.轴承及其支承故障。旋转机械支承结构中使用了较多的滚珠轴承和滚针轴承，其磨损故障较为常见。轴承座及其支承结构存在不对称弹性特性，也会导致明显的振动。5.裂纹。由疲劳损伤引起的裂纹是轮盘、叶片、轴等转子结构都会出现的问题，随着旋转机械的运行，裂纹逐步扩展会导致部件结构强度减小，最终无法承受预定载荷而发生断裂。这类故障危害极大。6.气激振动。由于结构和运行原因，在转子系统的通流部分存在着许多气流挠动的激振源，这些激振源都可能诱发气流激振，引起系统的自激振动，导致材料的疲劳破坏，最后发生断裂而引起严重事故。7.喘振。喘振是发动机的一种不正常的工作状态，是由压气机内的空气流量和压气机转速偏离设计状态过多而引发的。喘振是发动机的致命故障，严重时可能导致发动机空中停车甚至发动机致命损坏。8.转子弯曲。可分为永久性弯曲和临时性弯曲两种情况，其故障机理相同都与转子质量偏心类似，因而都会产生与质量偏心类似的旋转矢量激振力。与质量偏心偏离不同之处在于轴弯曲会使轴两端产生锥形运动，因而在轴向还会产生较大的工频振动。9.松动。可分为转子支撑系统联接松动，轴承在轴承座内松动或部件配合松动，结构框架、底座松动和结构、轴承座晃动或开裂引起的松动，10.油膜涡动。油膜的楔形按油的平均流速绕轴瓦中心运动的现象称为油膜涡动，因其平均速度为轴颈圆周速度的一半，故又称为半速涡动。11.油膜振荡。是由于滑动轴承中的油膜作用而引起的旋转轴的自激振荡，可产生于转速达到临界转速时同等的振幅或更加激烈。油膜振荡不仅会导致高速旋转机械的故障，有时也是造成轴承或整台机组破坏的原因。12.旋转分离。当离心式或轴流式压缩机的操作工况远离它的设计工况时，气流在流道内产生分离团，造成气流压缩产生不稳定流动，引起机器流通道和管道内的气流压力脉动，造成机器零件或管道的疲劳损坏，或者进而发展为喘振，对机器造成严重的危害[3-4]。1.2转子系统故障诊断的基本环节目前，信号处理是故障诊断的主流方法，通过采用合适的信号处理方法，选择适当的特征参数，提取出所需的故障特征信息，从而为故障识别和状态预测服务。在信号处理方面，机械故障诊断的主要内容可以简单概括为四点，第一点是采集状态信号；第二点是通过采集的信号提取故障特征；第三点是对提取到的故障特征进行模式识别和分析；第四点是预测状态[4-5]。具体如下：1)采集状态信号采集状态信号如图1-1是指通过对运转中的旋转机械的状态实行完整的测试，通过测试获取有价值的信号——状态信号。状态信号的正确采集具有非常重要的作用，这是因为在这些信号当中承载着设备异常或故障的所有信息。准确的充分的采集一定数量的状态信号可以充分的反映旋转机械的运行情况，它是故障诊断成功的首要条件；如果不能准确真实的采集到设备的状态信号，那么将导致以后的环节是不准确的甚至是完全错误的。所以保证采集信号的正确性和真实性是采集状态信号的关键。2)通过采集的信号提取故障特征虽然采集到了正确的信号，但是如果不加以提取故障信息。也将无法完成检测的工作，这是因为采集到的信号仅仅只是机械在运转的过程中所变现出来的原始状态信号。而这些原始的状态信号往往包含着大量背景噪声、干扰当中，是难以提取出有利用价值的信号的。只有利用信号处理的技术，消除干扰与噪声所带来的影响，从原始信号当中提取出有利用价值的故障信息，才能做到突出故障特征，提高故障诊断的准确性和可靠性。3)对提取到的故障特征进行模式识别和分析在成功提取出有利用价值的故障信息后，对该信息所反映旋转机械实行分析、比较、识别来据此判断机械运行中是否有异常的情况，做到防患于未然。一旦机械出现了故障，可以立即判断出出现故障的具体的位置以及造成故障的原因。4)状态预测如果机械发生了故障，则通过模式识别和分析后，为了保证人们可以方便的采取解决办图1-1转子振动信号采集装置法，必须更加完善的对旋转机械出现异常或故障发生在机械的哪个部位、造成这种故障的原因已尽会带来的危险的程度实行评估。根据所得信息，来判断旋转机械运行状态和发展趋势。1.3故障特征提取分析故障特征提取是旋转机械故障诊断的核心，它是当前研究中的重点也是难点，它直接关系到故障识别的准确性及可靠性。因此，准确地提取故障信号特征是该领域科研工作者孜孜不倦的追求。旋转机械振动信号的故障诊断方法基本可以分为时域分析、频域分析和时频域分析三大类，还有如功率谱分析等其他方法也在进一步研究之中。目前最常用的特征提取方法是利用傅里叶变换(FourierTransform，简称FT)将信号从时域变换为频域，从而对信号进行频域分析获取特征参数。1)振动信号时域分析方法时域信息包括振动响应时间历程、振幅时间信号等，这些振动信号大都以时间波形的形式来表示。振动波形是测试中的原始信号，理所当然包含故障的全部信息，但是较难看出这些信息和故障之间的联系。而对于一些简单振动波形或对原始信号进行时域平均后就可用来表示机械故障特征。振幅时间图诊断一般使用两种方法。一种是变转速工况下的振幅时间图，另一种稳定转速工况下的振幅时间图。对于运行工况不断变化的机械，可以测量其开机或停机过程中振幅随时间的变化过程，根据振幅随时间变化的曲线判断故障。对于转速工况不变的情况，可以测量振幅随时间的变化过程，从而判断故障。时域分析的缺点是测量得到的振动波形或曲线受到外界的干扰较大，严重影响诊断的准确性，因此时域分析诊断仅适用于简单部件或理想状态下的故障诊断[6-7]。2)振动信号频域分析方法所谓频域分析，是将以时间为横坐标的时域信号经由傅里叶变换转化为以频率为横坐标的频域信号，通过对时域信号的变换，得到原信号的幅值、相位等相关信息的一种分析处理方法。频域分析以傅里叶变换为核心，包括幅值谱、功率谱、最大熵谱、倒谱等谱函数分析，它充分反映了周期信号的各个组成频率，在旋转机械振动信号分析中应用较广。傅里叶变换针对平稳和线性的信号，可基本满足多数工程需要，在旋转机械故障诊断实际应用中取得了良好的效果。但当旋转机械发生故障时，还有很多非平稳、非线性、非因果的随机信号，这时用傅里叶变换处理会产生很大误差，分析结果中只有频域特征而丧失了时域特征，因此，需要更为有效的特征提取方法来分析非平稳、非线性、非因果的故障信号[7-8]。3)振动信号时频域分析方法图1-2旋转机械故障诊断基本过程旋转机械在升降速过程中的振动信号大多为非平稳、非线性信号，为了获取升降速过程中时间和频率的变化规律，提高故障诊断的准确度，时频分析技术应运而生。短时傅里叶变换(ShortTimeFourierTransformation，简称STFT)的出现是时频分析实用化的标志，它利用窗函数将信号截短，对每一段作傅里叶变换，从而得到功率谱随时间变化的规律。该方法突出了信号的局部特征，较多运用在时变信号分析当中。由于对截取的信号视为平稳，因此短时傅里叶变换只适用于缓变信号的分析。为了更准确分析非平稳信号的幅频特性在不同时间内的变化情况，将一维时域或频域信号映射为时间——频率的二维信号，这样的二次维分布称为Cohen类分布，它包括Wigner分布和Choi-William分布等。Wigner分布是一种时频混合的信号表示法，它描述了信号在时间和频率上对能量或密度的分布，其性质包括对称性、时移性、频移性等。所以对信号进行Wigner分布分析，不但能求出信号的时间、频率分布图，还能求出信号的频率变化情况，从而更好的对检测信号进行分析和识别。但由于Wigner分布不是线性的，会产生多余的交叉项，这个多余成分使得信号与噪声产生混叠现象，因此给信号滤波造成了很大难度，在一定程度上影响了Wigner分布的实际应用[9]。小波变换(WaveletTransformation，简称WT)由于其在非平稳信号处理方面的特点突出，因此近年来应用较广。在分析方法上与短时傅里叶变换相似，小波变换也利用了窗函数，但不同的是小波变换的时频窗是可变的，使其既能对非平稳信号中的短时高频信号定位，又能分析信号中的低频成分，由于小波变化不但能够看到信号概貌，又能分析信号细节，这就克服了傅里叶变换在时域中精度无法