第1章 绪论
随着计算机与互联网技术的兴起，科学技术获得了长足发展，机械行业也向着自动化方向发展，其中最常见的旋转机械亦是如此。旋转机械的关键组成部分——转子系统，在整个机械装置运行过程中要达到可靠、稳定运行，需要达到更高的要求。此外，许多旋转机械设备结构复杂，转子系统所受外载荷类型多样，使得转子系统载荷研究变得更加困难。
随着国内外专家、学者围绕转子系统开展大量的探索与研究，人们越发认识到，辨识与监测转子系统所受载荷、分析与诊断转子系统的运行状态是保障机械设备正常工作的重要手段，可为企业带来经济效益与现实价值。
1.1 引言
在机械工程领域，转子系统的应用广泛而深远。特别是应用在重要机械装备，如发电机、电力供配电设备、采煤机械、矿井机械、掘进机械、离心式压缩机、制冷设备等上的转子系统，一旦发生故障尤其是灾难性故障，将带来严重的损失与后果。例如，许多高产能企业的重要压缩机设备往往要求连续运转，且面临的工况复杂，对其进行安全运行监测及故障早期预警就显得特别关键，若遭遇事故，必将引发严重后果与连锁损失。此类教训有许多，如美国TVA Gallatin电站、华能陕西秦岭发电有限公司、金陵石油化工公司栖霞山化肥厂等高产能企业就遭遇过因关键设备转子损坏带来的高额损失[1-4]；在湖南、新疆等地的矿业公司发生过提升设备转子系统事故[5]，直接导致几十人伤亡的恶性后果。一些设备需要频繁启动与关闭运行的模式，易导致转子系统发生裂纹故障：在外载荷频繁扰动下，转子响应信息会出现新特征，导致转子一方面沿着圆周方向出现裂纹，另一方面局部出现较深的裂纹。故障还会加剧系统自身所受载荷的变化，造成受载的多样性与复杂性。因此，转子系统所处地位与作用均十分突出与关键，有效保障其正常工作运转，科学避免事故的发生，会给国家和企业带来可观的社会效益与经济效益。工程中还会因为零部件设计、制造及安装的误差，使转子系统在工作期间发生多种受载情况。当然，更多的时候设备面临的现状是疲劳运行或存在潜在的故障隐患。这些旋转机械的工况与结构越来越复杂，正常运行的监测与保障问题越来越突出。因此，设备故障诊断时，最好能清晰地掌握转子系统的实际受载状况。
1.2 研究的目的及意义
机械转子系统在压缩机组、发电机组、电牵引采煤机、掘进机、矿井提升机与运输机等装备上都有应用，与这些装备研制相关的部门与企业往往都属于关系到国家经济命脉的重点行业。
1. 现实意义
转子系统的共同特点是：结构形式越来越复杂、安全问题越来越突出；所承受载荷与驱动电机功率多样化、影响载荷变化的因素也越来越多，且有些因素尚未探明。转子系统在运行过程中常会承受不同类型的载荷，例如，旋转机械起停机时承受的冲击载荷；平稳运行时承受的稳态载荷；发生不对中与不平衡故障时承受的简谐载荷；轧机往复轧制时，其轧辊系统承受的暂态载荷；缠绕式提升机运行过程中因提升钢丝绳重量变化导致主轴转子系统承受的线性载荷等。国内外学者围绕不同载荷类型进行相关研究，例如，Hou等[6]对简谐载荷下一种杜芬式转子模型的非线性响应和分岔进行了分析。Bessam等[7]利用神经网络研究了感应电机低负荷时的转子断条故障。Husband[8]针对典型涡扇发动机进行了径向冲击载荷下的振动响应分析。李震等[9]以轴-轴承系统为研究对象，分别研究了冲击载荷、简谐载荷、旋转载荷激励下系统的共振现象。
载荷辨识是已知系统响应和系统特性反推出系统的激励，是动力学的第二类反问题[10]。在实际情况中，确定载荷的方法有两种：直接测定法和载荷辨识法[11]。对当前载荷采用直接测定手段获取载荷量值时，会受各种现场条件限制；若无法直接获取，则只能通过动载荷作用下的动态响应进行载荷辨识[12]。因此，运转中转子系统所受载荷的确定在工程中是一个难点，同时是结构动态设计和运行状态监测的关键之一。转子系统载荷辨识是较为复杂的系统性问题，必须利用载荷辨识技术来解决[12]。
根据前述工业实际情况，载荷的发展趋势使得转子系统安全运行问题日益突出，一旦发生故障尤其是灾难性故障，将带来巨大的经济损失和人员伤亡事故。本书顺应当前学科发展的趋势和解决生产实践问题的紧迫需要，开展转子系统载荷辨识方法研究，揭示载荷辨识的深层因素，这对于转子系统综合特性的提升与完善、重大装备运转的稳定与安全均发挥着关键性作用，能够衍生可观的经济效益和社会效益[13]。
2. 理论价值
通过查阅大量相关文献，了解该领域的研究现状与未来发展，可以为开展转子系统载荷辨识研究提供理论基础，进而探寻新的学科交叉领域，从新的角度进行研究与诠释。人工智能技术的发展潜力巨大，但与转子系统载荷辨识领域的结合鲜有报道，而针对转子系统载荷特点进行定性与定量辨识的研究也不多见。同时，目前国内外基于电机电流信号分析(motor current signal analysis， MCSA)的转子系统载荷辨识研究尚鲜见，比较而言，利用电流对电机本身进行故障诊断的研究则相对较多。另外，将电流信号与振动信号进行融合处理后，也可以与转子系统载荷辨识研究相结合。
因此，这里选择以此为切入点，在前述工程中转子系统常见的载荷激励情形基础上[6-9]，整合提炼出五种类型的典型载荷，即冲击载荷、稳态载荷、线性载荷、简谐载荷和暂态载荷。“冲击载荷”指外载荷量值在极短时间内变化得非常快的载荷；“稳态载荷”指载荷量值不随时间变化而变化，始终保持稳定状态的载荷；“线性载荷”指外载荷随时间变化呈现线性变化规律的载荷；“简谐载荷”指外载荷随时间变化呈现简谐曲线变化规律的载荷；“暂态载荷”指在整个加载周期里，载荷量值在一段时间区域内相对于其他时间区域内发生突变的载荷，这种突变常持续数秒钟。针对不同类型的外载荷，可分别开展定性与定量辨识。针对载荷的定性辨识，即识别载荷的类型，可以初步掌握转子系统运行工况，为诊断转子系统故障类型提供依据；针对载荷的定量辨识，即识别载荷的具体量值，能够具体评价转子系统的运行状态及衡量转子系统故障的严重程度。由此提出研究思路：在振动方法基础上，将多学科优势方法如电机电流方法、融合信息(fusion information， FI)方法以及各种具体的人工智能技术，与转子系统载荷辨识研究相结合，构建新的学科交叉点，围绕转子系统载荷定性与定量辨识方法进行研究与探讨，并对这些方法进行综合分析与评价。
综合以上分析可知，探索“机械转子系统载荷辨识方法与试验”具有重要的理论价值与现实意义，可以得到新的转子系统载荷辨识的实用方法与技术，且具有较好的应用前景。
1.3 国内外研究动态
1.3.1 信息分析方法
1. 基于振动信息
振动信息是机械运转状态的重要响应指标，是监测、评价、诊断设备运行情况的有力依据[14]。在工程实际中，实测信号难免会受到各种干扰和噪声的影响与污染，造成信噪比下降。所以，在数据采集后和后续信息分析前，通常需要对实测信号进行预先处理[15]。振动响应信息分析即基于振动采集获得的真实性和稳定性较高的数据信息，综合利用有效的信号分析手段来突显信号的特征属性，从而有益于后续的机械状态评估与诊断[16]。下面主要从频域、时域和时频域三方面进行振动信息的动态综述。
1) 频域分析
基于频域的振动信号处理是工程中常见的方式之一。时域信号经傅里叶变换后即频域信息[17]。机械运行中振动信息的频率往往能够反映其工作状态、故障发生及载荷作用等，即在频谱中体现出各种频率量值，而特定频率的出现往往对应设备的特定工况。所以，通过对这些频率量值的提取与分析，可以反过来评估机械的运转情况。
振动信号的频域分析还有幅值谱、功率谱和Hilbert解调等方法[17]。文献[17]对各种方法的优劣进行了阐述。很多学者对振动信息频域进行了研究。例如，Mark等[18]对压电传感器所获信号进行频域分析，提出了ALR算法并进行了啮合齿轮轮齿的损伤检测。Lin等[19]研究了轴扭转振动信号在频域中的处理方法，并对常见的集中频域振动信号处理方法进行了比较。Sharma等[20]对动态时间扭曲后的固有模态函数进行频域平均，不仅削弱了齿轮箱波动速度的影响，还提取出振动信号中被屏蔽的弱故障特征。柴庆芬等[21]将采集到的时域信号进行变换，并在频域内进行分析；在分析过程中采用了快速傅里叶变换(fast Fourier transform， FFT)方法，得到的频谱图形与真实频谱极为近似。方新磊等[22]对测得的加速度信号进行预处理，采用基于频域低通和带通的频域积分算法对低频趋势项和高频噪声进行消除，处理效果较好。
2) 时域分析
机械设备振动信号的时域分析原理简单，对周期信号敏感，其分析方法主要包括时域波形、相关分析和滤波处理等。它在故障诊断领域应用广泛，如轴承磨损现象及主轴不平衡故障等[17]。
国内外学者也对此进行了相关研究。例如，Pai等[23]对振动信号进行处理时，在时域范围内提出共轭对分解方法，并进行信号分解。Nuawi等[24]提出了交替时域分析方法对滤波的振动信号进行统计分析，并获得疲劳强度曲线拟合方程。Léonard[25]提出了在时域中运用正态概率图对振动响应进行评估，并根据结构的长度计算出振动响应实际值与正态分布之间的偏差，继而实现裂纹检测。孔德同等[26]运用时域法对风力发电机的振动信号进行分析处理，提取信号中的时域特征指标对故障进行诊断。房菁[27]将采集到的初始振动信号进行时域同步平均分析，提高信噪比，提取出有用的周期信号进而开展后续的信号分析。程晶晶等[28]通过振动测试试验，对由传感器获得的加速度信号进行两次时域积分，并对趋势项误差进行处理，实时获取随钻测井仪器的振动情况。
3) 时频域分析
时频域方法是将信息的时域特点与频域特点结合进行研究的一种方法。与前面的两种方法相比，该方法更适于复杂、非平稳的信号。具体的方法主要有短时傅里叶变换(short-time Fourier transform， STFT)、小波变换(wavelet transformation， WT)和自适应时频分析等[29]。
(1) 小波变换。
小波分析方法可以同时兼顾信号的低频与高频部分，实现时频窗的可变换性，从而获得较好的信息分析效果，特别是在机械运行状态评估方面应用较多例如，Kumar等[30]在估计滚动轴承缺陷尺寸中，基于Symlet小波分解技术处理振动信号，以测量圆锥滚子轴承外圈缺陷宽度。Ahamed等[31]提出了一种从电机起动电流包络分析中提取低频振荡的新方法，通过小波和希尔伯特变换诊断感应电机转子断条故障。刘瑾等[32]在旋转叶片的振动信号分析中采用小波变换对振动信号进行去噪处理。该方法具有较好的去噪效果，在减小振动位移测量误差方面也有显著的效果。罗小燕等[33]采用小波分析方法，对球磨机轴承座的振动信号进行了特征提取。张征凯等[34]针对机电液系统实施状态评判，以系统交流电机电流为研究对象，在获取特征信号时采用小波变换方法，并证实小波变换作为特征提取方法的有效性。
(2) 自适应时频分析。
前面提到的小波变换方法也有不足之处，主要体现在：受到Heisenberg定理的制约，并且缺少自适应性。即使对于基函数小波变换，所具备的“自适应”也具有明显的局限性。与之情况类似的，还有基函数短时傅里叶变换等。真正的自适应时频分析是从信号能量的角度进行相关分析与研究，从而拓展时频域的研究纬度，也更适合非线性信息的分析。
经验模态分解(empirical mode decomposition， EMD)方法是一种自适应的信息分析方法[35]，其信号分辨率高且能自行决定基函数。这一方法对时变信号、非平稳信号的应用效果较突出。例如，Cai等[36]探索故障诊断方法，以系统的振动信号为
展开
