突变理论的旋转机械突变故障研究进展
突变论
Page
6
突变理论研究的是从一种稳定组态跃迁到另一种稳定组态的现象和规 律。它指出自然界或人类社会中任何一种运动状态，都有稳定态和非 稳定态之分。在微小的偶然扰动因素作用下，仍然能够保持原来状态 的是稳定态；而一旦受到微扰就迅速离开原来状态的则是非稳定态， 稳定态与非稳定态相互交错。非线性系统从某一个稳定态（平衡态） 到另一个稳定态的转化，是以突变形式发生的。系统变化是通过连续 性的和非连续性的两种变化模式来实现的。突变理论作为研究系统是 演化的有力数学工具，能较好地解说和预测自然界和社会上的突然现 象，在数学、物理学、化学、生物学、工程技术、社会科学等方面有 着广阔的应用前景。 突变理论是用形象的数学模型来描述连续性行动突然中断导致质变的 过程， 这一理论与混沌理论（Chaos Theory）相关，相关之处在于， 玻璃瓶只存在两种状态——要么站立，要么躺倒。 这两种状态也就 是可能的结果。尽管它们是两个完全独立的理论，但现在突变理论被 普遍视作为混沌理论的一部分。
突变论
由图中的瓶子想到了什么？
稳定平衡
施 力
不稳定平衡
不 施 力 施 力
理想稳定 状态
新的稳定 平衡状态
Page
2
假想有一只玻璃瓶放在桌面上， 它处在一个稳定的状态， 没有任何变化，此为稳定平衡（Stable Equilibrium）。 现在假想用你的手指轻推瓶颈，不要太用力。 这时变化 产生，玻璃瓶晃动起来，它在通过一种连续性的方式来吸 收变化， 此为不稳定平衡（Unstable Equilibrium）。 如果你停止推力，玻璃瓶将恢复到它的理想稳定状态。 然而，如果你继续用力推下去，在你的推力达到一定程度 的时候，玻璃瓶便会倒下， 由此又进入了一种新的稳定 平衡状态。 玻璃瓶的状态在这一瞬间就发生了突变， 一 个非连续性的变化就这样产生了： 在玻璃瓶下跌的过程 中，没有任何可能的稳定中间状态，直到它完全倒伏在桌 面上为止。
旋转机械故障诊断方法与局限性分析
旋转机械故障诊断方法与局限性分析摘要：介绍了旋转机械的常用故障诊断与分析方法，在对其诊断过程详细阐述的基础上，提出了各种诊断分析方法存在的局限性。
关键词：旋转机械；故障分析；诊断；局限性中图分类号： th165 文献标识码： b 文章编号： 1009-8631（2013）01-0038-011 引言旋转机械如：汽轮机、发电机、离心压缩机、风机等，是工业部门中应用最为广泛的一类机械设备，在电力、能源、交通、国防及石油化工等领域发挥着无可替代的作用。
随着科学技术的发展，旋转机械正在向大型化、综合化（在同一台设备中多种技术的应用）、连续化（从投料到产品整个过程的连续化）、自动化（操作、检测等的非人工化）、严格化（如技术指标严格化）的方向发展，造成设备构造复杂，零部件之间的联系更加紧密。
在设备复杂化的同时，发生故障的潜在可能性和方式也在相应增加，且故障一旦发生，就可能引起连锁反应，导致设备甚至整个生产过程不能正常运行乃至破坏，轻则造成巨大的经济损失，重则导致灾难性的人员伤亡和社会影响。
近年来，国内外因设备故障而引起的灾难性事故仍时有发生，如2003年，国内某钢铁企业高线初轧机因一齿轮箱主输出轴轴承破碎，造成设备紧急停机68小时，直接经济损失1500万元以上。
2001年阜新电厂2号机组断轴事故的发生，给电厂带巨大的经济损失。
1988年我国秦岭电厂zoomw汽轮发电机组因振动引起的断轴毁机事件。
灾难性事件的不断发生，使人们认识到对大型机械装备实施在线监测与故障诊断的必要性。
2 现行故障识别与诊断分析方法简介当前，故障识别与诊断决策过程中采用的方法较多，按照它们隶属的学科体系，大体可分为三类：基于控制模型故障诊断、基于模式识别故障诊断及基于人工智能故障诊断。
它们具体的诊断方式如下：2.1基于控制模型的故障诊断。
对于一个旋转机械系统，若通过理论或实验方法能够建立其模型，则系统参数或状态的变化可以直接反映该系统及其动态过程，从而为故障诊断提供依据。
机械振动理论基础及其应用
旋转机械振动与故障诊断研究综述1．前言工业生产离不开回转机械，随着装置规模不断扩大，越来越多的高速回转机械应用于工业生产，诸如高速离心压缩机、汽轮机发电机组。
动态失稳造成的重大恶性事故屡见不鲜。
急剧上升的振动可在几十秒之内造成机组解体,甚至祸及厂房，造成巨大的经济损失和人员伤亡。
此外，机械振动可能降低设备机械性能，加速机械零部件的磨损，发出的噪声损害操作者的健康。
但是振动也能合理运用，如工业上常用的振动筛、振动破碎等都是振动的有效利用。
工程技术人员必须认真对待机械振动问题，当机组产生有害的振动时，及时分析原因，坚持用合理的振动测试标准，采取科学的防治措施。
2．旋转机械振动标准●旋转机械分类：Ⅰ类：为固定的小机器或固定在整机上的小电机，功率小于15KW。
Ⅱ类：为没有专用基础的中型机器，功率为15~75KW。
刚性安装在专用基础上功率小于300KW的机器。
Ⅲ类：为刚性或重型基础上的大型旋转机械，如透平发电机组。
Ⅳ类：为轻型结构基础上的大型旋转机械，如透平发电机组。
●机械振动评价等级：好：振动在良好限值以下，认为振动状态良好。
满意：振动在良好限值和报警值之间，认为机组振动状态是可接受的（合格），可长期运行。
不满意：振动在报警限值和停机限值之间，机组可短期运行，但必须加强监测并采取措施。
不允许：振动超过停机限值，应立即停机。
3．振动产生的原因旋转机械振动的产生主要有以下四个方面原因，转子不平衡，共振，转子不对中和机械故障。
4．旋转机械振动故障诊断4.1转子不平衡振动的故障特征当发生不平衡振动时，其故障特征主要表现在如下方面：1 ）不平衡故障主要引起转子或轴承径向振动，在转子径向测点上得到的频谱图, 转速频率成分具有突出的峰值。
2 ）单纯的不平衡振动，转速频率的高次谐波幅值很低，因此在时域上的波形是一个正弦波。
3 ）转子振幅对转速变化很敏感，转速下降，振幅将明显下降。
4 ）转子的轴心轨迹基本上为一个圆或椭圆，这意味着置于转轴同一截面上相互垂直的两个探头，其信号相位差接近90°。
旋转机械的故障预测方法综述
旋转机械的故障预测方法综述引言旋转机械是指主要功能由旋转动作来完成的机械，尤其是指转速较高的机械。
它分为动力机械(涡轮机、压缩机、齿轮泵等)、过程机械(离心式分离机等)和加工机械(车床、磨床等)。
从旋转机械的检修历史和现状来看，检修方式大致分为发生事故停机检修、定期停机检修(预防性维修)、预测维修(状态维修或视情维修)这几种。
首先以烟气轮机为例，阐述了预测维护的重要性;然后将现有的旋转机械故障预测方法整体分为定性分析法和定量分析法两大类，分别介绍了各种方法的实际应用情况;最后，探讨了旋转机械故障预测技术的难点问题以及发展趋势。
一、故障预测方法的分类与比较1.1 预测维修的意义烟气轮机将催化裂化过程中产生的废烟气中所具有的压力能和热能经烟气轮机的膨胀做功化为机械能，驱动轴流式空气压缩机或给发电机提供动能，达到能量回收的目的。
美国研制的世界上第一台烟气轮机于1963年投人生产运行，中国第一台自主创新的烟气轮机于1978年成功投入运行。
30多年来，我国累计生产的烟气轮机总共节电约275×105kw·h，价值约合人民币138亿元，经济效益非常可观。
然而，烟气轮机的运行环境非常恶劣，转子磨损、催化剂粉尘堆积、壳体变形和仪表失灵等都有可能导致故障的发生。
国内大多数炼油厂的烟气轮机几乎都发生过严重事故。
例如，中石化集团公司曾经1年中就有39台烟气轮机因故障停机达51次，停机时间累计9 0l4h ，损失巨大。
此外，烟气轮机通过回收利用废烟气，在环保方面也发挥着举足轻重的作用。
因此，保证烟气轮机的平稳正常运行成为了炼化企业的重要工作之一。
目前，采用的维修策略基本上都是预防性维修，即“定期大修”体制，烟气轮机一般不到一年就要大修一次。
烟气轮机的预测维护能够按照状态监测情况及时准备维修部件，安排维修计划。
其完善的诊断能力可准确指出故障类型和故障部位，避免了维修的盲目性，缩短了维修工期，可减少灾难性事故的发生，提高催化裂化装置的安全运行率，从而带来可观的经济和社会效益。
系统科学中的老三论 新三论
系统科学领域“老三论”、“新三论”一、引言老三论系统论、控制论和信息论是本世纪四十年代先后创立并获得迅猛发展的三门系统理论的分支学科。
虽然它们仅有半个世纪，但在系统科学领域中已是资深望重的元老，合称“老三论”。
人们摘取了这三论的英文名字的第一个字母，把它们称之为SCI论。
耗散结构论、协同论、突变论是本世纪七十年代以来陆续确立并获得极快进展的三门系统理论的分支学科。
它们虽然时间不长，却已是系统科学领域中年少有为的成员，故合称“新三论”，也称为DSC论。
二、“老三论”、“新三论”理论概述1、系统论、控制论和信息论系统论的创始人是美籍奥地利生物学家贝塔朗菲。
系统论要求把事物当作一个整体或系统来研究，并用数学模型去描述和确定系统的结构和行为。
所谓系统，即由相互作用和相互依赖的若干组成部分结合成的、具有特定功能的有机整体;而系统本身又是它所从属的一个更大系统的组成部分。
贝塔朗菲旗帜鲜明地提出了系统观点、动态观点和等级观点。
指出复杂事物功能远大于某组成因果链中各环节的简单总和，认为一切生命都处于积极运动状态，有机体作为一个系统能够保持动态稳定是系统向环境充分开放，获得物质、信息、能量交换的结果。
系统论强调整体与局部、局部与局部、系统本身与外部环境之间互为依存、相互影响和制约的关系，具有目的性、动态性、有序性三大基本特征。
控制论是著名美国数学家维纳（Wiener N）同他的合作者自觉地适应近代科学技术中不同门类相互渗透与相互融合的发展趋势而创始的。
它摆脱了牛顿经典力学和拉普拉斯机械决定论的束缚，使用新的统计理论研究系统运动状态、行为方式和变化趋势的各种可能性。
控制论是研究系统的状态、功能、行为方式及变动趋势，控制系统的稳定，揭示不同系统的共同的控制规律，使系统按预定目标运行的技术科学。
信息论是由美国数学家香农创立的，它是用概率论和数理统计方法，从量的方面来研究系统的信息如何获取、加工、处理、传输和控制的一门科学。
闻邦椿教授坚持不懈奋斗在工程机械领域达65载的中科院院士
2021.02 建设机械技术与管理35闻邦椿教授：坚持不懈奋斗在工程机械领域达65载的中科院院士闻邦椿，1930年9月29日出生于杭州，祖籍浙江温岭，东北大学教授，中共党员，1991年当选为中国科学院学部委员（1993年改名为中国科学院院士）。
他于1955年大学毕业，接着，在苏联专家索苏诺夫教授指导下从事研究生的学习与研究，同时开始工程机械的教学和科研工作，至今已65载。
他曾获国际科技奖2项，国家技术发明奖和科技进步奖5项，省、部级一、二等科技奖20余项。
闻邦椿是我国振动利用工程学科主要奠基者，曾任国际转子动力学技术委员会委员，亚太振动会议指导委员会委员，第六、七、八、九届全国政协委员，国务院学位委员会第二、三、四届机械工程学科评议组成员，中国振动工程学会理事长，《振动工程学报》主编等职。
闻邦椿（左3）和课题组成员研究转子动力学中的问题1 培养大量的优秀科技人才高等学校的根本任务是培养人。
为了培育高级科技人才，必须付出辛勤的劳动。
闻邦椿培养的学生已遍布全国各地，不少学生已在祖国建设中取得了显著成绩，有的已成为国内知名的教授、研究员、博士研究生导师、高级工程师和技术专家，他们在科研、教学等方面取得了显著成绩，并已在国内外科学技术界崭露头角。
1.1 本科生的培养从1955年开始, 闻邦椿就指导本科生的毕业设计, 带领学生到工厂进行毕业实习,了解企业对产品研究和开发及产品的设计的情况, 进而根据企业需要确定毕业设计题目,较好地完成毕业设计的任务, 还曾多次带领学生到现场进行设计, 解决企业生产中遇到的实际问题, 如到北京铁矿研究设计大长度振动输送机，到沈阳第一砂轮厂研究设计自同步概率筛，去沈阳矿山机器厂设计振动离心机等，使学生们学习、掌握和运用产品设计的理论和方法搞好产品设计, 这对培养他们的产品设计能力发挥了积极的作用。
闻邦椿曾经指导了20多届本科生的毕业设计, 有数百名学生经受了产品设计的锻炼，大大增强了他们的实际工作能力。
质量及激励幅值突变转子系统动力学研究
一
ｆ
一 ２ …
Ａ ２ ｏ ｃ ｓ
（ ３ ）
【 ＋ ２ｏ ＋ Ｙ ＝ ｒ ｉ ｙｒ — Ｇ ｙ ｓＹ ｙ ｓｎ
当 ｔ ｔ， ｒ＞ｒ 时 ， （ ） 化为 ＞。即 。 式 １可 （） ４
Ｌ Ｙ ＋ ２ｏ ＋ Ｙ ＝ Ａ ｍ ｙｒ — Ａ Ａ ｓＹ Ａ ｙ ｓ Ｇ
ｌ ）＝Ｒ ｓｎ ｙ ０一 ）～ＧＪ ，『 （０ ０ｉ （ ０ 『
＋ ｃｘ
．
＋ｋ
ｍｅ ｏ ｃ ｓｏ ｍ ｏ ￣ｔ ２
ｍｙ ＋ ｃ ｋ ＝ ｍｅ ）ｓｎ ｙ＋ ｙ ＋ ＋ ｏ ｉ ｗｔ— ｍｇＪ 一
ｌ
（） １
求 解式 （ ） 得 到其稳 态周期 解为 ３，
＝ 。（ 一 ’ ｌ 。 ‰ ｒ
Ｙ ＝ Ｒ ｓｎ ｒ一 ０ 一ＧＪ ０ｉ（ ）
１０ ０ ） １０ ４
１０ ４ ；． 北 大 学 ， 阳 １１２ ２ 东 沈
摘 要 ：根据 转子 动力学理论 ， 了具有质量及 激励幅值 突变特性 的 Ｊ ｃｔ 建立 ｅ ｏ 转子 力学模 型及动力学方 程。通 ｆ ｔ
过 解 析 方 法 得 到 了参 数 同 步 突变 后 的转 子 系 统 振 动解 析 表 达式 ， 分 析 了突 变前 后稳 态振 幅之 间 的关 系 及 突 变 对 轴 心 最 并
危险性 ， 而突 变故 障 的特 点 是故 障 特征 参 数 在 机 器 运 转过程 中发生 不连续 的“ 迁” 而且 突破 阈值 ， 明参 跃 ， 说 数突变 与突变故 障之 间存 在 着必 然 的联 系 Ｊ 。质 量及 激励 幅值突 变 属 于时 变 参 数转 子 系统 中 的一 种 ， 内 国
ｙ ， 詈 。 去ＡｌＡ ＝ ｒ ，＝ ， 。 ｍ ＝， 古 ＝ √ 。 ＝， ｅ １ ，
《2024年旋转机械故障诊断与预测方法及其应用研究》范文
《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械作为工业生产中不可或缺的重要设备，其稳定运行对生产效率和产品质量具有重大影响。
然而，由于操作环境复杂、维护不当或设备老化等因素，旋转机械常会出现各种故障。
这些故障如不及时发现和处理，可能会对生产造成巨大损失。
因此，对旋转机械的故障诊断与预测显得尤为重要。
本文将重点研究旋转机械的故障诊断与预测方法，以及其在工程实践中的应用。
二、旋转机械故障诊断与预测方法（一）基于信号处理的诊断与预测方法1. 信号采集：通过传感器技术，实时采集旋转机械的振动、声音、温度等信号。
2. 信号处理：利用信号处理技术，如频谱分析、小波变换等，对采集的信号进行预处理和特征提取。
3. 故障诊断与预测：根据处理后的信号特征，结合专家系统或模式识别技术，实现故障的诊断与预测。
（二）基于机器学习的诊断与预测方法1. 数据预处理：对历史故障数据进行清洗、标注和整理，构建故障数据集。
2. 模型训练：采用机器学习算法，如支持向量机、神经网络等，对故障数据集进行训练，建立故障诊断与预测模型。
3. 模型应用：将训练好的模型应用于实际场景中，实现旋转机械的故障诊断与预测。
（三）基于深度学习的诊断与预测方法深度学习通过模拟人脑神经网络的工作方式，可以自动提取数据的深层特征。
在旋转机械的故障诊断与预测中，深度学习模型可以更好地处理复杂、非线性的故障数据。
常见的深度学习模型包括卷积神经网络、循环神经网络等。
三、旋转机械故障诊断与预测方法的应用研究（一）在设备维护中的应用通过实时监测和诊断旋转机械的故障，可以及时发现潜在的问题并采取相应的维护措施，从而避免设备停机或损坏。
这不仅可以提高设备的运行效率，还可以延长设备的使用寿命。
（二）在生产管理中的应用通过对旋转机械的故障进行预测和预警，可以提前制定生产计划和调整生产安排，避免因设备故障而导致的生产延误和资源浪费。
这有助于提高生产效率和产品质量。
旋转机械故障机理与故障特征提取技术研究
旋转机械故障机理与故障特征提取技术研究一、本文概述《旋转机械故障机理与故障特征提取技术研究》是一篇专注于探讨旋转机械故障产生机理及其特征提取技术的学术论文。
旋转机械作为工业领域的重要设备，其运行状态的稳定性和安全性直接关系到生产效率和设备寿命。
由于设备磨损、操作不当、环境影响等多种因素，旋转机械在运行过程中难免会出现各种故障。
对旋转机械故障机理的深入研究和故障特征的准确提取，对于预防设备故障、提高设备维护效率和保障生产安全具有重要意义。
本文首先对旋转机械故障的产生机理进行了系统的梳理和分析，包括机械磨损、疲劳断裂、热故障、振动故障等多种类型的故障及其成因。
在此基础上，文章重点探讨了故障特征提取技术的研究现状和发展趋势，包括信号处理技术、模式识别技术、人工智能技术等在故障特征提取中的应用。
同时，本文还深入研究了这些技术在实际应用中的优势和局限性，为相关领域的研究和实践提供了有益的参考。
通过本文的研究，期望能够为旋转机械故障机理的深入理解和故障特征的准确提取提供理论支持和技术指导，推动旋转机械故障诊断和维护技术的发展，为工业生产的持续稳定和安全可靠提供有力保障。
二、旋转机械故障机理分析旋转机械故障机理分析是旋转机械故障诊断中的重要环节，它有助于理解故障发生的原因和机制，从而为故障特征的提取和诊断提供依据。
本节将主要讨论旋转机械中的常见故障机理。
大型旋转机械在运转过程中，由于质量分布不均或外部因素的影响，可能导致转子产生不平衡。
这种不平衡会导致周期性的离心力，进而引发机器的振动。
不平衡故障是旋转机械中较为常见的故障类型，它可能由多种因素引起，如转子制造过程中的误差、材料质量问题、零部件磨损等。
不对中是指旋转机械的轴心线与轴承中心线不重合，这种不对中可能是由于安装误差、热变形、基础沉降等原因引起的。
不对中会导致轴系的径向力和弯矩增加，从而引起振动和轴承的异常磨损。
轴承是旋转机械中的关键部件，其性能直接影响到机械的运转状态。
旋转机械故障诊断研究方法综述
运用推广 ］。本文作 者对 国 内外学 者在故 障诊断方 法 的研究方 面进行分析 总结 。 １ 旋 转机 械故 障诊 断 方法概 述
复杂机械 系统是 由各种小 的系统组 成 ，如 在 自然 条件下 的大生态 系统 ，其是 由许 多个不 同种群 、不 同 生物组成 。复杂 机械 设 备 中旋转 机 械故 障产 生 的特 点 ：其产生故 障原 因很多 ，并且相互之 间存在着耦合 的作用 。故 障与征兆之 间没有存在着 明显 的联 系 ，故 障特征之 间相互交织 ，使得很多故 障诊 断方法在某种 程度上对故 障诊断存在一定 的局 限性 ［５］。早期 的量纲
关键词 ：旋转机械 ；有量纲指标 ；量纲一指标 ；故 障诊 断 中图分类号 ：ＴＨ１６５＋．３ 文献标志码 ：Ａ 文章编号 ：１００１－３８８１ （２０１８）０７－１３３－７
Ｒｅｓｅａｒｃｈ Ｍ ｅｔｈｏｄｓ ｏｆ ｔｈｅ Ｒｏｔａｔｉｎｇ Ｍ ａｃｈｉｎｅｒｙ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ ＳＵ Ｎａｉｑｕａｎ ’ ，ＸＩＯＮＧ Ｊｉａｎｂｉｎ ，ＺＨＡＮＧ Ｑｉｎｇｈｕａ ，ＨＵＡＮＧ Ｃｈｏｎｇｌｉｎ （１．Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｍｅｃｈａｎｉｃａ ｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｇｕａｎｇｄｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ Ｇｕａｎｇｄｏｎｇ ５ １０００６， Ｃｈｉｎａ；２．Ｇｕａｎｇｄｏｎｇ Ｐｒｏｖｉｎｃｉａｌ Ｋｅｙ Ｌａｂ ｏｆ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ ｏｆ Ｐｅｔｒｏｃｈｅｍｉｃａｌ Ｅｑｕｉｐｍｅｎｔ，
２０１８年 ４月 第 ４６卷 第Ｌ ＆ ＨＹＤＲＡＵＬＩＣＳ
Ａｐｒ．２０１８ Ｖｏ１．４６ Ｎｏ．７
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３８８１．２０１８．０７．０３０
旋转机械系统动力学及故障诊断
旋转机械系统动力学及故障诊断引言旋转机械在现代工业生产中扮演着重要的角色，涵盖了许多领域，包括能源、交通、制造等。
然而，由于长期运行和频繁的工作条件，旋转机械系统可能会面临动力学问题和潜在的故障。
因此，理解旋转机械系统的动力学行为以及如何进行故障诊断变得至关重要。
旋转机械系统动力学旋转机械系统的动力学研究是理解其运行行为的基础。
动力学主要研究系统在给定载荷和运行条件下的运动和行为。
旋转机械系统的动力学包括自由振动和受迫振动两种类型。
自由振动是指旋转机械系统在没有外部激励的情况下的振动行为。
自由振动的频率和振幅由系统的质量、刚度和阻尼特性决定。
在自由振动中，系统会以特定的固有频率进行振动，这可以通过数学模型进行预测和计算。
受迫振动则是指旋转机械系统受到外部激励而发生的振动。
外部激励可以来自多个方面，包括不平衡质量、轴向力、径向力等。
受迫振动的频率由外部激励频率决定，并且可能会引起系统共振，导致严重的机械故障。
旋转机械系统的故障诊断故障诊断是指通过对旋转机械系统动力学行为的分析和监测，来判断是否存在故障并识别其类型和位置。
故障诊断可以通过多种方法来实现，包括振动分析、声音分析、温度监测等。
振动分析是最常用的故障诊断方法之一。
通过对旋转机械系统振动信号的采集和分析，可以识别出许多常见的故障类型，如不平衡、轴承故障、齿轮故障等。
振动分析可以通过频谱分析、包络分析等技术来获得故障特征，并与预先建立的故障数据库进行比对，从而确定故障位置和类型。
声音分析是另一种有效的故障诊断方法。
通过对旋转机械系统产生的声音信号进行采集和分析，可以判断是否存在异常噪音，并确定其来源。
例如，轴承故障通常会伴随着明显的噪音变化，这可以通过声音分析来检测和诊断。
除了振动和声音分析外，温度监测也是一种常用的故障诊断方法。
旋转机械系统在工作时会产生热量，因此监测系统不同部位的温度变化可以帮助发现故障。
例如，轴承过热可能是轴承故障的指示，而传动系统异常温度升高可能与齿轮故障有关。
机械系统旋转部件退化跟踪与故障预测方法研究
机械系统旋转部件退化跟踪与故障预测方法研究【摘要】在現代工业生产当中，各种机械设备长期运行在高速、高温、高压、重载荷等恶劣工况下，其性能不可避免地发生退化从而导致设备故障。
故障一旦发生，不仅会造成巨大的经济损失，甚至可能导致灾难性的人员伤亡和环境污染事故。
而轴承、齿轮等旋转部件作为机械设备当中的关键部件，其运行状态影响着整个机械设备的工作状况。
【关键词】机械系统；旋转部件；退化跟踪；故障预测1引言随着科学技术的不断发展，我国现代工业生产水平不断提高，生产中使用的机械设备越来越朝着大型化、高速化、精密化、系统化和高度自动化方向发展。
对于企业用户而言，确保这些机械设备长周期安全可靠运行，保障安全生产，能够带来巨大的经济效益和社会效益。
然而，由于生产需要，当今国防与国民经济当中使用的各种机械设备长期运行在高速、高温、高压、重载荷等恶劣工况下，设备当中的各个关键零部件在运行过程中会不可避免地出现疲劳失效，从而引发整个设备故障。
故障一旦发生，不仅造成巨大的经济损失，甚至会导致灾难性的人员伤亡和环境污染。
我国国家中长期规划（2006-2020年）和机械工程学科发展战略报告（2011-2020年）均将重大设备的运行可靠性、可维护性关键技术的研究列为重要研究方向。
其中，做为机械设备主要类型之一的旋转机械设备（关键部件包括轴承、齿轮和转轴等），由于在可持续能源生产、加工制造等领域中越发广泛的应用而成为主要的研究对象。
轴承或齿轮等旋转部件作为旋转机械当中的关键部件，其运行状态严重影响着整个机械设备的工作状况。
据相关调查研究发现，由轴承引起的问题占了整个机器故障的40%以上，在机器的总故障次数中，齿轮故障约占10.3%左右，而在齿轮箱的失效零件中，齿轮失效占60%左右。
因此，对轴承、齿轮等机械旋转部件进行健康监测以及维修策略的研究具有重要意义。
2 旋转部件特征提取及退化状态跟踪方法从传感器测得信号当中滤除噪声干扰并提取有效的故障特征是机械部件退化状态跟踪的基础。
基于机器学习的旋转机械故障诊断方法的研究
基于机器学习的旋转机械故障诊断方法的研究摘要旋转机械在工业生产中得到广泛应用，对旋转机械的故障诊断和预测成为了研究的热点之一。
本文提出了一种基于机器学习的旋转机械故障诊断方法，该方法可以对旋转机械进行故障分类和预测。
首先，采集旋转机械的振动信号和噪声信号，并对其进行滤波和降噪处理。
然后，通过小波变换将信号分解成多个尺度，利用能量和功率谱密度等特征参数进行特征提取。
最后，使用支持向量机、神经网络和随机森林等机器学习算法进行分类和预测。
实验结果表明，该方法可以有效地识别旋转机械的故障类型和预测故障发生时间，具有很高的诊断准确率和精度。
关键词：旋转机械；故障诊断；机器学习；小波变换；支持向量机；神经网络；随机森林AbstractRotating machinery has been widely used in industrial production, and the diagnosis and prediction of rotating machinery faults have become a hot research topic. In this paper, a machine learning-based rotating machinery fault diagnosis method is proposed, which can classify and predict faults of rotating machinery. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.Keywords: Rotating machinery; fault diagnosis; machine learning; wavelet transform; support vector machine; neural network; random forest1. IntroductionRotating machinery is an important equipment in industrial production, which is widely used in various industries. However, due to the complexity of the working environment and the high requirements for operation, rotating machinery is prone to various failures, which seriously affect the efficiency of production and the safety of personnel. Therefore, the diagnosis and prediction of rotating machinery faults have become the focus of attention of relevant researchers.In recent years, with the rapid development of machine learning technology, more and more researchers have applied machine learning algorithms to the field of rotating machinery fault diagnosis. Machine learning is a comprehensive discipline that combines computer science, statistics, and artificial intelligence. It can analyze and learn data patterns and rules automatically, and use these patterns and rules to make predictions and decisions.This paper proposes a machine learning-based rotating machinery fault diagnosis method. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.2. Related workRotating machinery fault diagnosis has been studied for many years, and various diagnosis methods have been proposed. Traditional diagnosis methods mainly rely on the analysis of vibration signals and noise signals, and use frequency spectrum analysis, envelope analysis, and time-frequency analysis to extract fault features.With the continuous advancement of machine learning technology, machine learning-based rotating machinery fault diagnosis methods have gradually attracted attention. For example, Bai et al. [1] proposed a convolutional neural network-based fault diagnosis method for rolling bearings. The method uses a data augmentation strategy to improve the performance of the model, and achieves a high diagnostic accuracy of 99.8%.Liu et al. [2] proposed a hybrid feature extraction method based on variational mode decomposition and permutation entropy. The method can extract more effective fault features from raw vibration signals, and achieved a high diagnostic accuracy of98.5%.Zheng et al. [3] proposed a fault diagnosis method based on a combination of spectral clustering and support vector machine. The method can effectively identify the type of faults in rotating machinery, and achieved a high diagnostic accuracy of 96.3%.3. Methodology3.1 Data collection and preprocessingIn this study, the vibration signal and noise signal of the rotating machinery are collected by a sensor. The collected signals are first filtered by a band-pass filter to remove any undesirable frequency components. Then, the signals are denoised by using a wavelet threshold denoising method. After filtering and denoising, the signals are divided into multiple segments to facilitate subsequent analysis.3.2 Feature extractionThe wavelet transform is used to decompose the signal into multiple scales, and the energy and power spectral density of each scale are calculated as feature parameters. Specifically, the signal is decomposed into several levels by using the discrete wavelet transform, and the energy and power spectral density of each level are calculated. Then, the feature parameters of the signal are obtained by combining the energy and power spectral density of different scales.3.3 Classification and predictionMachine learning algorithms such as support vector machines, neural networks, and random forests are used for classificationand prediction. Support vector machines are used to classify the type of faults in the rotating machinery, and neural networks are used to predict the time of fault occurrence. Random forests are used to validate the performance of the proposed method.4. ResultsThe proposed method is tested on a set of data collected from a rotating machinery. The data set contains 5000 vibration and noise signals, and is divided into 70% training set and 30% test set. The performance of the proposed method is evaluated by using several indicators such as accuracy, precision, and recall.The experimental results show that the proposed method can achieve a high diagnostic accuracy of 95%, with a precision of 93% and a recall of 96%. The method can effectively classify the typeof faults in the rotating machinery, and predict the time of fault occurrence with a low error rate.5. ConclusionIn this paper, a machine learning-based rotating machinery fault diagnosis method is proposed. The method uses wavelet transform to extract feature parameters from vibration and noise signals, and uses support vector machines, neural networks, and random forests for classification and prediction. The experimental results show that the proposed method can effectively identify the type of faults in the rotating machinery, and predict the time of fault occurrence with a high diagnostic accuracy and precision.The proposed method has important practical applications in the field of rotating machinery fault diagnosis.。
第一章(七)-突变论
突变论1、 什么是突变论？ 1.1 定义突变理论是用动力系统所伴随位势函数的极大和极小描述一个动力系统的行为的理论。
1.2 几个有关概念位势函数的极小值，表示了系统的平衡和稳定条件，标志了动力系统的吸引状态，而极大值代表了动力系统的排斥状态。
位势函数V 是控制变量p 和行为变量x 的函数),(P x f V = ----p 和x 可以是一维的，也可以是多维的。
如果p 取值于控制空间X ，x取值于行为空间X,则集合 }0),(),{(=⨯⨯∈=dtdxP x f V X P x P M x确定了一个突变的流形（manifold ），或称反应面。
“基曼突变机器”的反应面可以用一个三维空间的曲面来表示：1.3机理突变的机理是动力系统均趋向于能量最小的状态。
即对任一固定控制参数p ，系统将移动到某个平衡状态*x ,而有（*x ,p ）最小。
如用微分方程表示，则就是对任一固定控制参数p ，系统将按照),(p x f dtdx =趋向于某一平衡状态*x，此时0),(*=p x f 。
在很多应用情形，常把),(p x f 看作等同于),(p x V 关于x 的梯度的负值。
因此突变的流形也可以表示为}0),(),({=X ⨯∈=p x f P x p M2、 突变理论实例分析（Catastrophe Theory ） 2.1 定义用动态系统所伴随的位势函数的极值描述系统行为的理论——雷内·托姆，1912 2.2 实例分析：气体的液化模型一个容器内的气体是一个动态系统，气体的气态f 是密度D 的函数。
稳定状态时（即处于气态）有： 0=dDdf该系统有两个矛盾的状态控制因素是压力P 与温度T ，我们有稳定扩张（位势函数） 体积),,(T P D F F V == 其中 ),,(c c T P D F f =好似静止的状态（量变，但未发生质变）0),,(=∂∂=∂∂T P D DF DF根据范德瓦尔斯（V ander. Waals ）方程，这个DF ∂∂的具体形式应为：)],,([0328,380328380328381111278312713)1,1,1(),,),,)28,3,2(),,))(/(22144132213831338231222T P D F bD aDDF b aD D DF P t b P t a Pt D P t D DF P t D P t D T t D D P P V X T V P R RT V P T V P RT T T V P T V P R V RTV V P X Vc c c T T V V P P c c c c c c =++==++=∂∂-=+==-+++=∂∂=-+++-'=-'=-'=='''=-'+'=∴==∴==∴=='''='''==-+''于是常数代后得到：令即便得，再令代替体积用密度））（（方程化为：时则当（（），，令（（要求为下列常数时，恒等式，，是一个常数；因为、、体积，其中是βααβαβββαββαβαβα)],,([441C C T P D F f D f ==在突变理论里，441D 属于尖顶突变芽，而bD aDD ++221441是它的稳定性参数扩张。
旋转机械振动故障分析与治理幻灯
4、真空试验
• 目的： 判断振动与真空和排汽温度之间的关系。 判断轴承座底部接触情况。 • 方法 在较低负荷下进行 真空变化后需要稳定一段时间 记录真空、振动、汽缸温度等参数
• 现象： 振动与真空变化无关 真空变化振动立即变化 振动变化滞后于真空变化
5、轴承油膜试验
• 目的：验证润滑油对系统稳定性的影响 • 方法： 改变油温 改变油压 记录瓦温、油温、油压、振动等参数 • 现象： 无关 少量高频成分－供油不足引起乌金摩擦 大量低频成分－油膜失稳
• 转子平面运动，轴心轨迹描述了轴颈运 动情况。
• 功能 轴颈中心位置 轴颈运动情况 不同故障具有不同形式的轨迹，如不平
衡、不对中、油膜振荡等。
6) 瀑布图
• 不同时刻的频谱图叠加在一起 • 功能：形象地反映了不同时刻振动频谱
变化情况。
7) 级连图
• 不同转速下的频谱图叠加在一起 • 功能：反映了机组启停过程中振动频谱
欢 迎 交 流！
主要内容
• 振动基本概念 • 振动测试方法 • 振动分析方法 • 动平衡理论 • 常见故障特征 • 故障诊断方法 • 机组动力学设计若干问题
一、振动基本概念
振动危害 振动三大种类 振动三要素 单圆盘转子升速过程振动特点 多圆盘转子升速过程振动特点 振动标准
1、振动危害
四、动平衡原理和方法（II）
• 谐分量法 • 多矢量优化 • 轴系平衡 • 影响轴系振动的因素
1、平衡基本概念
• 轴系各横截面质心不在轴系中心上 • 偏心轮 • 通过加重调整不平衡量
2、不平衡故障特征和判断
• 频谱特征：1x分量 • 波形特征：正弦波 • 幅值、相位稳定 • 轴心轨迹：稳定的椭圆形 • 排除其他相似故障，如：热弯曲、中心
平均降采样多周期微分均值的旋转部件故障特征增强方法
第 37 卷第 2 期2024 年2 月振 动 工 程 学 报Journal of Vibration EngineeringVol. 37 No. 2Feb. 2024平均降采样多周期微分均值的旋转部件故障特征增强方法陈鑫，郭瑜（昆明理工大学机电工程学院，云南昆明 650500）摘要: 为解决编码器的瞬时角速度（Instantaneous Angular Speed， IAS）信号中旋转部件故障特征微弱的难题，本文提出一种平均降采样多周期微分均值（Average Down⁃Sampling Multi⁃period Differential Means，ADSMPDM）的故障特征增强方法。
基于IAS信号的估计特性，开展了IAS信号的平均降采样研究，验证了平均降采样具有抑制随机噪声的特性；基于平均降采样抑制随机噪声特性、降低计算成本和减小存储空间的优势，结合多周期微分均值的累积特性，提出一种ADSMPDM算法对原始IAS信号中的旋转部件故障分量进行增强处理；通过阶次谱分析揭示故障特征。
采用仿真数据和实验数据进行验证分析，并与快速谱峭度、可调整多点优化最小熵反卷积、离散随机分离和谱幅值调制算法进行对比，验证了ADSMPDM算法增强旋转部件故障特征的有效性和优势。
关键词: 故障诊断；平均降采样多周期微分均值；编码器信号；瞬时角速度；特征提取中图分类号: TH165+.3； TH133.3 文献标志码: A 文章编号: 1004-4523（2024）02-0346-10DOI：10.16385/ki.issn.1004-4523.2024.02.017引言齿轮和轴承是旋转机械的关键部件，在运行中分别起到传递扭矩和支撑的作用，其健康程度直接影响旋转机械的运行精度、效率和寿命［1］。
因此，齿轮和轴承的故障特征提取成为故障诊断领域的研究热点之一。
近年来，基于振动信号的故障特征提取技术得到快速发展，比如Antoni［2］提出了快速谱峭度（Fast Kurtogram， FK）算法，自适应确定包含丰富齿轮或轴承故障信息的解调频带，进而有效揭示故障特征；进一步地，Antoni［3］提出一种信息熵指标以解决FK 指标易遭受随机冲击干扰的问题。
时频分析技术及其在旋转机械故障诊断中的应用(故障诊断课作业)
时频分析及在旋转机械故障诊断中应用刘功生南华大学机械工程学院，湖南衡阳421001摘要：旋转机械故障信号常非平稳信号为，而时频分析是非平稳信号比较有力的分析工具。
为加深对时频分析方法及其应用的了解，从时频分析方法的的基本概念和在旋转机械故障诊断的应用特点入手，概括性介绍了四种典型的时频分析方法的优缺点及应用。
最后详细介绍了小波变换方法及其应用，为时频分析技术在旋转机械故障诊断中的应用提供了理论依据。
关键字：旋转机械；故障诊断；非平稳信号；时频分析方法；小波变换Time-frequency analysis and its application to fault diagnosis of rotary machinesGongsheng LiuAcademy of mechanical engineering, Hunan Hengyang 421001Abstract: The fault signal of rotary machines are always the non-stationary signal. To deal with a non-stationary signal time-frequency analysis techniques are widely used. To gain a better understanding of time-frequency analysis and its application, the basic concept and the application characteristics of fault diagnosis in rotary machines are first described. Then the characteristics of four typical time-frequency analysis techniques are generally described. At last the Wavelet transform technique and its application are introduced in detail. All the introduces are providing theoretical basis to the time-frequency techniques of fault diagnosis in rotary machines. Keywords: Rotary machine; Fault diagnosis; Non-stationary signal; Time-frequency techniques; Wavelet transform1前言旋转机械是机械设备的重要组成部分，如大型石油、化工、电力、冶金等行业的汽轮机、发电机、鼓风机、压缩机等都是典型的旋转机器[1]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2015年9月机床与液压Sep.2015第 43 卷第 17 期MACHINETOOL3HYDRAULICS Yol.43 No. 17D O I： 10.3969/j.iss n. 1001-3881. 2015. 17.050突变理论的旋转机械突变故障研究进展程敏\潘勇2!刘保国3!张雪松1(1.中原工学院信息商务学院机械工程系，河南郑州451191$2.河南机电职业学院机械工程系，河南郑州451191$3.河南工业大学机械电子工程研究所，河南郑州450001)摘要：简要介绍突变理论的7种初等突变模型和5种突变指征，结合初等突变模型和突变指征指出突变理论在突变故 障中的3种应用方式。
综述突变舰在碰摩、气流激振、油膜失稳等突变故障的机制、预测、控制等方面的研究进展，并结合随机突变理论对突变故障的研究方向进行展望。
关键词！突变舰'旋转机械；突变故障；突变模型中图分类号：TH17 文献标志码：A文章编号：1001-3881 (2015) 17-203-4Research Progress on Abrupt Faults for Rotating Machinery Based on Catastrophe TheoryC H E N G M i n1，P A N Y o n g2，L I U B a o g u o3，Z H A N G X u e s o n g1(1.Mechanical Engineering D e p a r t m e n t，College of I nformation &B u s i n e s，Z h o n g y u a n University of T e c h n o l o g y，Z h e n g z h o u H e n a n 451191，C h i n a；2.Mech a n i ca l Engineering D e p a r t m e n t，H e n a n Mechan ic al a n d Electrical Vocational College，Z h e n g z h o u H e n a n 451191，C h i n a；3.Resear ch Institute of Mechatronic E ngineering，H e n a n University of T e c h n o l o g y，Z h e n g z h o u H e n a n 450001，C h i n a)Abstract：The seven elem entary catastrophe models and five catastrophe features w ere briefly introduced.Th m ethods about abrupt faults com bined elem entary catastrophe theory models and catastrophe featur on mechanism，prediction and control about abrupt faults such as rub-impact，gas flow exciting and film unstable w ere study direction of abrupt faults com bined w ith random catastrophe theory was prospected.K e y w o r d s：Catastrophe theory；Rotating machinery；Abrupt fault；Catastrophe m odel〇前言旋转机械是国民经济支柱产业的关键设备，广泛 应用于石油、化工、交通、能源等领域。
随着旋转机 械向着大型化、高速化和智能化方向发展，旋转机械 -旦出现故障将会造成严重后果。
根据故障发生的速 度可将旋转机械故障分为渐变故障和突变故障[1]。
渐 变故障的特点是故障特征参数在机械运转过程中连续 变化，直至达到或超过阈值。
与渐变故障相比，突变 故障的特点是故障特征参数在机械运转过程中发生非 连续的“跃迁”，而且突破_值[2]。
这种故障发生前 -般无明显征兆，无法依靠事前检查或监视进行控 制。
正是由于旋转机械突变故障的产生机理比较复杂 且又无法准确预测，使得人们对机械突变故障的描 述、诊断和预测的研究举步维艰，直到1972年 R E N E T h〇m[3]的突变理论正式诞生，这一局面才有所 改变。
突变理论（Catastrophe Theory，CT)是利用拓扑学、奇点理论、分叉理论、稳定性理论等数学工具分 析突变现象的理论，该理论通过描述系统在临界点的 状态来研究外部因素连续的微小改变引起系统突然变 化的规律[4]。
凌复华[5-]、陈应天[7]等最早将突变理 论引人国内并尝试应用于力学问题中。
经过40余年 的研究，突变理论已成功应用到社科、经管、石油、船舶、生物、力学、机械、煤炭等领域[8_12]。
在机械 工程领域，目前突变理论主要用細决突变故障的描 述、诊断和预测和控制问题[13]。
-般分为定性和定量两个研究层次，定性研究主要織突变故障的描述和诊断问题，定量研究主要織突变故障的预测和控 制问题。
鉴于机械系统突变故障的复杂性、破坏性和 危险性，文中综述了突变理论在机械突变故障诊断中 的应用与发展现状。
1突变理论的工程应用1.1初等突变模型突变故障是机械领域中广泛存在的一种现象，利收稿日期！2014-07-25基金项目：河南省教育厅科学技术研究重点项目（14A460011);国家自然科学基金资助项目（10872064)作者简介：程敏（1984—)男，硕士，讲师，主要研究方向为机械设备振动与控制、机械故障诊断。
E-mail:chengminhap-py2006@163. com 。
•204•机床与液压第43卷用牛顿经典微分方程无法对这种现象进行描述，而突变理论可以合理描述这种过程连续而结果不连续的跃迁、突然质变现象。
Rene Thom证明：当控制变量维数不大于5时，有折叠、尖拐、燕尾、蝴蝶、椭圆脐、双曲脐、拋物脐等7种基本突变模型[14]，如表1所示。
其中，>、R为状态变量，*、？、A、7为控制变量。
表1初等突变模型突变类型状态变量控制变量 势函数折叠型 1尖点型 1燕尾型 1蝴蝶型 1双曲脐点型 2椭圆脐点型 2拋物脐点型 21x3+ux2 >4+u>2+?3>5+u>3+?2+a>4 >6+74+ux3+?2+wx 3>3+r3+wxy~ux~vy31/3> ->2+w">2+g2#-u>?4 R4+g2R+W>2g R2~ux~vj下面以应用范围最广泛，最易于理解的尖点型突 变模型来介绍突变模型的突变流形和分叉集。
尖点型 突变的势函数为h>4+u>2+?(1)其突变流形G为-/(>) 3,、=4>3+2 u x+v-0(2) dx其分叉集8为8u3+27? = 0 (3)根据式（2)、⑶可得突变流形和分叉集的曲面和曲线图形，如图1所示。
图1尖点型突变的突变流形和分叉集在控制变量已知时，根据突变流形可以确定系统 的状态（平衡或非平衡）。
突变流形也可用于分析突 变故障的形成机制及各控制参数所起的作用。
分叉集 可用于突变故障预测及控制[2]。
1.2突变指征根据尖点型突变模型的流形和分叉集，可以得到 初等突变模型的5个基本突变指征：⑴多模态。
随着控制变量的变化，系统的势 函数具有两个或两个以上局部极小值，使系统表现出不同的状态。
⑵不可达性。
系统至少存在一个不稳定的平衡位置。
由于微扰动的存在，此平衡位置在数学上不可微。
⑶突跳。
因控制变量穿越分叉集时的微小变化而导致系统从一个局部极小值临界点跳跃到另一个局部极小值临界点的现象。
(4)发散。
控制变量数值的有限变化会导致态变量平衡位置数值的有限变化，但在临界退化点附 近，控制变量初值的微小变化却可能导致状态变量值的很大变化，这种不稳定性称为发散。
(5)滞后。
当物理过程并非严格可逆时，就出现滞后现象。
即由第一个局部极小值越向第二个局部极小值时的控制参数位置与由第二个局部极小值越向第一个局部极小值时的控制参数位置不同。
1.3 应用方式根据机械系统已知突变故障信息和系统动力学特性的不同，突变理论在机械突变故障中的应用方式主要有分析法、类比法和经验法3种。
⑴分析法[2]。
如果对机械系统动力学特性及突变故障机制有充足的了解，且易于求出系统的势函数或势函数的微分形式时，可以从基本突变模型表中确定系统的突变模型，进而采用分析法来确定系统的突变流形和分叉集。
在确定系统的突变流形和分叉集 时，首先对势函数进行泰勒级数展开，略去高阶小 项；其次进行正则变换，获得正则突变势函数，对正则突变势函数进行一次微分，获得突变流形，然后再进行二次微分并结合突变流形可获得分叉集。
(2)类比法[13]。
当机械系统的势函数不易直求得时，一般可以建立系统的非线性动力学模型。
分析系统的动力学模型可以得到系统的支配代数方程。
如果系统的某些支配代数方程恰为势系统的突变流形方程或分叉集方程时，可以采用类比方法确定系统的突变类型、状态变量和控制变量。
这样就可以把复杂突变系统转化为一个简单的基本突变模型，有利于定 性、定量分析。
目前，这种方法在机械突变故障诊断领域使用较广。
(3)拟合法[2’13]。
如果对机械系统突变故障机理缺乏充分的认识，且很难用数学或物理方程进行描述时，可以采用拟合法。
拟合法也称为经验法。
当机械系统出现上述5个突变指征的一部分或全部时，可以选定上述7种基本突变模型中的某一个突变模型来描述这种系统。
拟合法分为定性拟合和数据拟合两 种。
定性拟合是根据突变指征建立一个适合的突变模 型，然后作定性预测与分析。
数据拟合是把实验数据或故障监测数据用一个突变曲面方程或分叉集方程来第17期程敏等：突变舰的旋转机械突变故障研究进展•205•拟合，然后做出定性或定量的预测与分析。
2突变理论在突变故障机制中的应用常见的机械故障主要有动静件碰磨、油膜失稳、转轴裂纹、基座松动、气流激振、不对中、转轴热弯 曲等。
这些故障既可以是渐变故障也可以是突变故 障。
关于渐变故障国内外学者基于线性、非线性转子 动力学从故障机制、故障预测、故障控制等方面进行 了研究，取得了-系列研究成果[15]。
关于突变故障，由于故障发生突然，没有明显和长期的发展过程及其 伴随而生的征兆，难以通过状态监测进行预报，无法 用一定的规律描述或反映故障的发展过程[16]。