大型旋转机械状态监测、分析与故障诊断专家系统技术长期以来一直受到国家有关部门的高度重视。由国家科委组织的《国家“八五”攻关可行性论证报告》指出，“大型旋转机械状态监测、分析与故障诊断技术之所以受到人们的重视，以至成为当代国际高技术竞争中的热点之一”。风机是一种典型的旋转机械，广泛应用于石油、化工、电力、冶金等行业，对国民经济的发展有重要的意义。通常，风机尤其是大中型风机振动比较强烈，噪声较大，容易发生故障。一旦出现故障，将会引起生产线上主机的停产，从而使经济损失严重。在某些情况下，还会导致环境污染、损害人身安全等更为严重的后果。因此对风机开展状态监测与故障诊断工作，保障风机安全可靠的运行，可以取得巨大的经济效益和社会效益。

　　1风机故障机理研宄风机的故障常从振动状况方面体现出来，根据振动信号进行监测与诊断是目前风机设备维护管理的主要手段，经过多年的发展与完善，风机振动故障诊断已经形成了比较完备的理论与技术体系。近年来，随着非线性理论的发展，尤其是信号处理、知识工程和计算智能等理论技术与故障诊断的融合渗透，使风机故障诊断的内容得到了进一步的丰富与充实。

　　发生故障的风机设备在运行中一般处于非线性振动状态，应用非线性动力学理论，针对电机组轴系存在的关键振动问题，建立了转子非线性动力学模型，从理论、试验和数值计算等方面，对各种故障因素影响下的动力学行为进行了综合分析，提出了对轴系振动故障进行综合治理的方案。阐述了风机等旋转机械常见故障，如不平衡、不对中、弯曲、裂纹、松动、碰摩、喘振、油膜涡动、油膜振荡、旋转失速等故障的产生机理，以表格的形式总结出了各种故障与振动特征、敏感参数和故障原因之间的对应关系，给出了相应的治理措施。

　　总体来说，风机振动故障产生于4个方面：电机、风机本身、基础和风管。其因果分析如所示，其中由风机本身原因引起的故障占主导地位。

　　2故障征兆提取风机的振动信号反映了风机设备的运行状况，其时域、频域和幅值域分析结果均图i风机振动因果图可以作为故障征兆。由于以快速Fourier变换（FFT）为基础的数字信号处理技术在机械动力学中广泛应用，测试分析方法已经达到了比较完善的程度，而且，风机的振动信号在频域内的能量分布具有比较明显的特点，因此，目前的风机故障诊断仍以振动信号的频域特征作为主要的故障征兆。

　　由于风机振动信号在频域内具有明显的分布特征，因此，各种功率谱估计技术在故障征兆提取中得到了广泛应用。其中，经典功率谱估计方法（如周期图法、自相关法）在工程实践中应用*为广泛，但是，该方法存在着方差性能差，分辨率低等局限。现代功率谱估计中的*大熵谱估计和参数模型功率估计（如AR，MA，ARMA和Prony模型）提高了频率分辨率，在振动信号的分析中也得到了应用。对于平稳信号而言，其频域的能量分布不随时间变化，上述功率谱估计方法可以满足精度要求。

　　风机在升降速过程中的振动信号为非平稳信号，为了获得信号相对于频率和时间的变化规律，提高分析结果的精度，需要采用时频分析技术，如短时Fourier变换（SFFT），Wigner-Ville分布（WVD）和小波（Wavelet）分析等。其中，短时Fourier变换用窗函数将信号截短，将每小段信号视为平稳过程来进行谱估计，从而得到功率谱随时间变化的大致规律，转速谱阵是该方法的一种变化形式；Wigner-Ville分布真正将一维的时间或频率函数映射为时间-频率的二维函数，比较准确地反映了信号能量随时间和频率的分布情况，但是该方法存在频率干涉现象，难以将含有多成份的信号表示清楚；小波分析是适应信号处理的实际需要而发展起来的一种时频分析方法，与传统的信号处理方法相比，小波变换在时域和频域同时具有良好的局部化特征，目前，基于小波包和多分辨分析的小波分析方法已经在旋转机械的故障征兆提取中得到了研究和应用。

　　为了尽可能全面地获得风机设备的运行状态信息，提取故障征兆，针对类似风机等旋转机械还有一些其它的分析技术。

　　风机状态监测的重要参数，该参数不但能够显示转子轴径相对滑动轴承位移，反映轴承的预负荷，而且还可以提供转子的涡动频率和进动方向。

　　能够反映转子弯曲和扭转振动的形式，是针对类似风机的旋转机械故障征兆提取而提出的一种方法。

　　该技术在FFT算法的基础上，通过内插技术，精确求得按自由方式采集的振动信号的幅值、频率和相位值，然后将转子截面水平和垂直方向振动信号的幅值、频率和相位信息进行集成，用合成的一系列椭圆来刻划不同频率分量下的转子振动行为。全息谱包括二维全息谱、三维全息谱和全息谱阵。全息谱技术与传统的谱分析方法不同，构造了多支承转子系统的单一截面和整机振动分析方法，利用转子在相互垂直的两个方向振动之间的相互关系，可以了解转子的振动全貌，体现了诊断信息的全面利用、综合分析的思想。

　　该方法适用于类似风机的旋转机械的非平稳状态分析，实现的必要技术是对数据采集进行反馈控制，使采样频率跟踪转速变化，将相对频率非平稳的信号转变成相对转子转角为平稳的信号，在信号幅值相对时间变化平稳的假设前提下，对数据进行谱分析，阶次跟踪分析的依据就是这种原理。

　　分形是非线性理论中的概念，是事物的形状、形态、结构和组织的分解、分割、分裂与分析，是事物从整体向局部、从宏观向微观转化的过程。机械设备发生故障时，振动信号通常变得更为复杂、不规则，分形维数能够描述信号的复杂性和不规则性，研究表明，可以将其作为故障征兆来识别设备的状态。结合小波分析对汽轮发电机组轴承发生松动故障前后振动信号的分形维数进行了计算，得到了不同的结果。在应用分形维数作为征兆参数对滚动轴承进行故障诊断研究之后得出：滚动轴承在不同的运动状态下具有不同的分形维数，分形维数可以作为识别轴承故障的特征量。

　　对于旋转机械中常见零部件（如滚动轴承、齿轮）的故障，还有专门的振动信号处理技术，如包络解调和倒谱分析等方法。为了从被噪声严重污染的信号中提取有用信息，时域滤波技术（如Kalman滤波和自适应滤波等）也在旋转机械的故障征兆提取中得到了应用。

　　3风机故障的诊断推理目前，故障诊断推理过程中采用的方法较多，按照它们隶属的学科体系，可以将其分为3类：基于控制模型故障诊断、基于模式识别故障诊断和基于人工智能故障诊断。

　　基于控制模型的故障诊断对于动态系统，若通过理论或实验方法能够建立模型，则系统参数或状态的变化可以直接反映设备物理系统或物理过程变化，为故障诊断提供依据。此方法涉及模型建立、参数估计、状态估计和观测器应用等技术，其中，参数与状态估计技术是关键，需要系统的精确模型，在实际生产环境中，对于复杂的设备而言，该方法不是经济可行的。

　　基于模式识别的故障诊断模式识别是对一系列过程或事件进行分类或描述，主要分为统计法和语言结构法两大类。设备的故障诊断可以视为模式识别过程：测量并记录设备的运行状态参数，从中提取故障征兆参数，对于不同的故障状态，相应的征兆参数形成不同的模式，将系统的状态模式与故障字典中的故障样本模式进行匹配，从而识别出设备的故障。当系统的模型未知或者非常复杂时，该方法为解决故障诊断问题提供了一种简便有效的手段。

　　基于人工智能的故障诊断基于人工智能故障诊断的研究主要分为两类：基于知识（符号推理）的故障诊断和基于神经网络（数值计算）的故障诊断。

　　基于知识的故障诊断大致经历了两个发展阶段：基于浅知识（规则）的专家系统和基于深知识（模型知识）的专家系统。专家系统是一种人工智能软件系统，利用领域专家的经验知识，根据用户给出的关于问题的信息数据，按照一定的推理机制，从知识库中选择对于问题的*合理的解释。基于知识的故障诊断专家系统有很多优点，例如：适合于模拟人的逻辑思维过程，解决需要进行逻辑推理的复杂诊断问题；知识可以用符号表示，在已知基本规则的情况下，无需大量的细节知识；便于与传统的符号数据库接口等。虽然已经出现了许多成熟的商业软件，并且在工程实践中得到了应用，但仍存在一些问题：知识获取中的“瓶颈”问题难于解决“知识窄台阶”问题；易产生“组合爆炸”、“无穷递归”问题；实时在线诊断性能差等。

　　基于神经网络的故障诊断神经网络是模拟生物神经系统而建立起来的自适应非线性动力学系统，具有可学习性和并行计算能力，可以实现分类、自组织、联想记忆和非线性优化等功能。神经网络用于故障诊断领域，可以解决趋势预测和诊断推理问题。目前，在故障诊断中应用较多的有多层感知器（MLP）网络、自适应共振理论（ART）、自组织特征映射（FM）和双向联想记忆（BAM）等；应用剪枝法优化网络连接方式；将遗传算法和混沌理论p1应用于网络的学习训练中，解决局部极小问题；为提高网络的泛化能力、加快网络学习速度，在训练样本中加入噪声，或者对样本数据进行优化处理。基于神经网络的智能故障诊断具有1994-2011ChinaAcademicJournal很多优点：知识表达形式统一，知识库组织管理容易，通用性强，便于移植与扩展；知识获取容易实现自动化（如自组织自学习可以实现并行联想和自适应推理，容错性强；能够表示事物之间的复杂关系（如模糊关系可以避免传统专家系统的“组合爆炸”和“无穷递归”问题；推理过程简单，可以实现实时在线诊断。但是也存在着一些问题：训练样本获取困难；忽视了领域专家的经验知识；连接权重形式的知识表达方式难于理解等。

　　由于故障诊断正向智能化方向发展，因此人工智能领域的其他方法，像模糊理论、模糊神经网络和粗糙集理论等在诊断推理及诊断数据处理等方面也得到了应用，有关介绍可以参阅相关。

　　4国内外风机状态监测与故障诊断的现状国外很早就对风机的振动进行了研究。20世纪80年代，一般的风机均配有自动检测系统，不但能判断工况，还能进行故障诊断，预测使用寿命，预报维修极限，成功地对风机进行检测。如美国BentlyNevadaCorporation（BNC）的系列产品、Westinghouse公司的PDS系统、IRD与ENTEK公司联合开发的5911系统、ScientificAtlanta公司的M6000系统以及日本三菱公司的MHM系统、法国的SMAV系统、瑞士的MACC系统、丹麦的Compass系统等。其中美国开发*早，技术也*先进。在这方面我国起步较晚，使用的检测仪器设备也比较落后。目前大部分厂家使用的是简易的测振仪（如扬州无线电二厂生产的8900/50转速检测仪，8900/25机壳振动检测器）。虽然有些厂矿购买了一些振动分析仪，数据采集器等较为先进的仪器设备，但在大多数情况下，只对设备进行简单的点测。如重庆大学用CDMS系统对云南锡业公司芋山选矿厂风机进行测试与故障诊断，成功地诊断出了8起轴承故障。还有西安交通大学的采用光纤维局部网的高速旋转RB20状态检测与故障诊断系统RB20，西北工业大学的机器设备状态检测和故障诊断系统MD3905.近10年来，少数大中型企业安装了专用检测诊断设备对风机进行长期检测，1994年东北大学与黑龙江西林钢铁公司烧结厂设计的以APPLE-11微机采样系统为基础的风机在线检测与动平衡系统，具有显示、打印、报瞥、状态识别、趋势分析、现场动平衡等功能，在实际应用中取得了很好的效果。武钢公司的故障诊断室也于1996年为武钢一厂的风机安装了以微机为主体的检测和故障诊断系统，不但检测现场状态与识别工况，还能预测寿命。2000年东南大学和上海交通大学分别开发了旋转机械故障诊断专家系统，它们的核心部分是故障诊断专家系统，采用了新一代人工智能语言，具有"预警''功能，能够准确记录旋转机械的运行情况，根据监测情况及时调用系统内部的“知识库”，通过数据分析与人机对话，进行分级诊断，并应用模糊模态识别、不精确推理与分级综合评判的诊断策略，得出诊断结论并给出故障发生的置信度与解决措施。还有郑州工业大学的MMDS-9000系统、西安交通大学的RMDS系统和RD-20、哈尔滨工业大学及浙江大学的ZHZ- 10系统、华中科技大学的HZ-1系统。这些系统也能用于风机的故障诊断。

　　5风机状态监测与故障诊断技术的发展趋势整体系统，已从单纯监测分析诊断向主动控制的方向发展。整个系统向着可靠性、智能化、开放性以及与设备融合为一体的方向发展，例如，利用可控电磁阻尼器和参数可控挤压油膜阻尼器来在线消除机组失稳故障，采用在转子上安装平衡头的方法来解决机组不平衡故障，使用高精度的中心标高测试仪以及可控支座调节器来处理不对中故障等。

　　采集器，向着高精度、高速度、高集成以及多通道方向发展，精度从8位到12位甚至16位；采集速度从几赫发展到可达到几万赫；采集方式从等时采样到等角度同步整周期采样方向发展，这样可以提供包括相位在内的多种信息：采集的数据从只有稳态数据发展到包括瞬态数据在内的多种数据。

　　数据传输，从计算机的串行口和并行口通讯向着网络通讯（波特率可达10兆、100兆、甚至几百兆）的方向发展。

　　监测系统，向对用户更友好的方向发展，显示直观化，操作方便化，采用计算机技术的*新成果，使用多媒体技术，大屏幕立体动态图像显示。

　　诊断系统，向智能化诊断多种故障的方向发展，由在线采集、离线诊断向在线采集、实时诊断方向发1994-2011ChinaAcademicJournal展，提高诊断准确率。

　　数据存储，向大容量方向发展，存储方式向通用大型数据库方向发展。

　　总的来说，在风机的在线检测和故障诊断方面，尽管国内己经取得了一定的进步，但与国外先进水平相比还有很大的差距，系统所具备的功能不很完善，在形成专用的智能软件方面也还有一段距离。