旋转机械多故障检测、诊断与预测

---

作为从事状态监测和故障诊断领域的专业人员，可靠的故障类型识别和故障严重程度评估对于旋转机械的状态维修决策至关重要。在工程实践中，旋转机械的机械系统经常会发生在同一部件或不同部件上的并发故障，这使得故障类型和严重程度的检测更具挑战性。人工神经网络(ann)等流行的智能算法在识别不同的故障模式方面被证明是有效的，而识别过程的“物理意义”往往会被忽略黑盒智能算法。多模态分解方法等替代方法可以将混合故障解耦到子模态中。每一个子模式描述混合故障中的单个故障。因此，可以使用多模态分解方法揭示识别过程的“物理意义”。本期特别关注最新的多模态分解方法，用于旋转机械的多故障检测、诊断和预测。

由K. Chen等人(武汉理工大学，中国)的文章是这个专题的一个很好的开始，因为作者介绍了变分模态分解(VMD)作为多模态分解方法来检测转子系统中的多个故障。利用VMD分解的振动信号可以提取有效的特征，用于多故障检测。作者利用实验数据评价了该方法的性能。

在另一篇文章中，中国机械工程学院的G. An和H. Li提出了一种基于基本分量提取(FCE)算法的多模态分解方法，用于转子系统的多故障检测。该方法能有效地识别定子和转子的故障。

在另外两篇文章中，H. Li等(机械传动国家重点实验室，中国)和K. Chen等(武汉理工大学，中国)提出了一种转子故障诊断的图像张量提取方法。提出了一种综合经验模态分解与深度简要网络相结合的齿轮多故障诊断方法。作者进行了实验测试，以评估所提出的方法的性能。

Y. Li等人很好地总结了这一特殊问题，因为作者提出了一种基于变分模式分解和Gath-Geva聚类时间序列分割的新方法来提取滚动轴承的退化特征并预测轴承故障。通过两个实例验证了所提出的轴承退化预测方法的有效性。

致谢

我要感谢作者们为本期特刊投稿。我也想表达我对审稿人和客座编辑的感谢，感谢他们对本期杂志的帮助和支持。

Zhixiong李
Grzegorz m . Krolczyk

版权

版权所有©2018李志雄和Grzegorz M. Królczyk。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。