工业设备作为工业系统中不可缺少的关键生产工具，其可靠性与健康状态是保障工业生产顺利进行的重要因素。例如，大型风机，压缩机，齿轮箱，航空发动机等是石油，化工，航空，电力等现代化工业企业的关键生产设备。这些设备的振动犹如其脉搏一样，蕴含着丰富的运行工作、健康信息。运用先进的振动状态监测技术“感知工业脉搏”，可以预警故障的发生并给出相应的治理措施，以避免设备出现重大故障而停工停产、出现安全风险。

图 1 燃气轮机

图 2 航空发动机

除振动信号外，噪声、温度、电流等信号也常被应用于某些特定设备的状态监测。与其他信号相比，振动信号的优势在于：

• 频率响应高、动态性能好，善于捕捉早期细微的故障特征，比其他常用信号更早的发现故障，实现预测；

• 安装方式是友好、非侵入式的，对设备本身的影响小，不影响现场生产；

• 应用面广，常见的机械设备故障类型均可以有效地反映在振动信号上，与其他信号相比更具有普适性。

工业设备中常见的故障包括：转子不平衡、不对中、弯曲、裂纹、松动、碰摩、喘振、磨损、油膜涡动、油膜震荡、旋转失速等。大多数故障都有其对应的振动特征和敏感参数。运用故障机理模型结合振动信号分析技术可以精确地判断故障类型、位置以及严重程度。

由于以上优势，振动信号在设备监测、故障诊断方面应用最为常见、最为广泛。对于复杂设备的监测诊断系统，当条件允许时，也常常使用振动与其他多种信号进行联合采集和分析。

图 3 不同状态监测方法的选择

振动信号反映了设备的运动状况，其时域、频域和时频域分析结果均可以作为故障征兆。以快速傅里叶变换（FFT）为基础的数字信号处理技术在机械动力学中应用广泛，机械设备的振动信号在频域内的能量分布具有比较明显的特点。同时，伴随着设备故障的出现、发展，通常会引起其振动信号频率成分方面的变化。例如，齿轮表面疲劳剥落或者齿轮啮合出现误差都会引起周期性的冲击信号，相应在频域就会出现不同的频率成分。根据这些频率成分的组成和大小，可以对机械故障进行识别和评价。因此振动信号的频域特征是作为机械故障诊断的重要判据。如图4为频域分析案例中转子不对中故障频谱的连续转速瀑布图。

图 4  基于转子不对中故障频谱的连续转速瀑布图

机械设备在运行过程中的多发故障，如剥落、裂纹、松动、冲击、摩擦、油膜祸动、旋转失速以及油膜振荡等会引起动态信号出现非平稳性。非平稳性信号是指统计特性随时间变化，信息量随时变化的信号。因此，非平稳性可以表示某些机械故障的存在。实际工况中的动态信号，它们的平稳性是相对的、局部的，而非平稳性则是绝对的、广泛的。由于非平稳信号的统计量是时变函数，只了解这些信号在频域或者时域的特性是不够的，还需要得到信号的频率随时间的变化情况。为此，振动信号的时频分析如短时傅里叶变换（SFFT）、Wigner_Ville分布、小波分析(Wavelet)等在设备非平稳运行的状态评估中应用广泛。如图5为轴承保持架的涡动的Wigner_Ville时频分布。

图 5 Wigner_Ville分布下的轴承保持架涡动时频分析谱

对于工业应用中及其广泛的零部件如滚动轴承、齿轮等的故障，有专门的振动信号处理技术，如包络解调、倒频谱分析、谱峭度法等。Kalman滤波和自适应滤波等时域滤波技术也时常应用于被噪声严重污染的振动信号中。如图6为轴承外圈存在故障时的振动时域包络和包络谱。包络谱中显示出明显的外圈故障特征频率及其倍频成分。

图 6 轴承外圈故障信号的包络解调分析

基于振动信号分析的机械故障诊断方法具有诊断早、应用广、在线实时、非侵入、便捷准确等优点，且本团队已经发展出国际领先的判别字典稀疏表示学习、基伸缩时频变换、张量化自适应分解等应对各种复杂问题的技术方法体系。在航空、石化、电力、冶金、矿山等大量工业场景，振动信号已经被广泛用来探知工业设备的脉搏跳动，以达到为设备诊断和预测的目的。