旋转机械状态监测和故障诊断

旋转机械状态监测和故障诊断能够有效的保证机器的安全运行，同时减少计划外的维修保养，避免灾难性的故障发生。一般来说，基于信号处理的故障诊断包含信号采集、特征提取以及故障识别三个过程。首先进行信号采集过程，通过靠近或者接触机器的各种传感器采集机器运转过程的如振动信号、声音信号、声发射信号以及电机电流信号等。随后的特征提取过程，可以使用包括时域分析、频域分析、或者是时频域分析技术在内的特征提取方法。最终，已提取的特征经过分析、对比、融合等过程最终得出一个综合的故障诊断结果。

1.行星齿轮传动故障诊断

行星齿轮传动因其具有体积小、传动比大和承载能力强等优点，在各类工业机械中得到广泛应用。在某些重要领域行星齿轮箱一旦发生故障将引起极其严重的后果，因此开展行星齿轮箱的故障诊断并探索高效的故障诊断方法势在必行。对振动信号包含的故障信息进行提取是齿轮箱故障诊断的有效方法。提出基于TEO解调和随机共振的行星齿轮箱早期故障方法。该方法的基本思路是：先对齿轮箱振动信号进行EMD分解以选取包含故障信息的分量信号，再利用TEO运算获得该分量信号的解调信号；对解调信号进行压缩和二次采样以满足随机共振的小参数条件；将信号输入随机共振系统并计算定义的随机共振输出信噪比，使用粒子群算法优化系统的结构参数并重构随机共振系统；将信号重新输入随机共振系统，最终实现行星齿轮箱微弱故障信号的随机共振增强提取。

2.滚动轴承故障诊断

依托多种信号处理方法，主要开展早期轴承微弱故障诊断、轴承复合故障/轴承-齿轮复合故障诊断、轴承性能退化评估、轴承故障模式识别等工作。

(1) 早期轴承微弱故障诊断

早期轴承故障特征较微弱，易被环境噪声及其它频率成分掩盖。采用变分模态分解(VMD)进行模式分解以达到滤除噪声及其它干扰频率成分的目的，在此基础上使用最大相关峭度解卷积(MCKD)进一步增强分量信号中的连续冲击脉冲成分，最后通过包络谱提取出故障特征。

(2) 轴承复合故障/轴承-齿轮复合故障诊断

复合故障诊断中出现的问题是当传动系统中出现两种及以上故障式，较微弱故障特征容易被强故障特征掩盖，传统分析方法只能提取出较强的故障特征，而较弱故障不能及时发现，将是设备的危险隐患。针对轴承复合故障诊断，先对信号进行模式分解，然后通过包络谱提取强故障特征频率。使用陷波器对强特征频率进行滤波；再次进行包络谱分析，弱故障将凸显出来。针对轴承+齿轮复合故障诊断，对信号进行模式分解后，对每个分量进行最小熵解卷积分析，最后包络谱提取出故障特征。

(3)轴承、齿轮故障模式识别

对采集的多个故障(包括单点故障、复合故障)信号，降噪后，求出相应的特征向量，采用不同类型的分类器(如SVM、神经网络等)建立合适的训练模型，对未训练的信号进行模式识别，进而对的设备的运行状态做出准确的决策和判别。

3.工程运用

实际工程中，设备复杂程度日益提高，如何保证大型设备的安全运行是当前迫切需要解决的问题。故障诊断技术是保证设备安全运行的重要措施，重要设备如大型风力发电机、直升机等，应在设计制造时期就应考虑状态检测及故障诊断这一环节。具体表现，可为大型工厂建立设备重要零件的故障信号数据专家库，以此对零件寿命预测、零件退化评估、故障预测提供数据支持。传统信号处理方法很难在强背景噪声下提取出微弱故障，开展信号处理方法的研究为开发信号诊断仪、故障检测器提供技术支持。