振动是航空发动机的一个重要监控参数，发动机在进行试验时，需要解决各种振动问题。发动机振动之所以特别重要，是因为振动直接影响发动机的正常工作和寿命，如果发动机出现振动异常而不及时加以检查排除，就有可能造成严重的后果。因此，航空发动机振动故障诊断一直都是航空发动机试验测试中的一个重要研究课题。

典型的发动机振动故障

航空发动机的振动故障具有复杂性和随机性，引起发动机振动故障的原因多种多样，其振动故障现象各不相同，典型的航空发动机振动故障及其特征简要归纳见表1。

表1   典型航空发动机振动故障原因及振动特征

发动机振动测量

建立满足测试目的和要求的振动测量系统、选择相应的振动测量方法是开展振动故障诊断的重要基础。

振动测量系统

振动测量系统包含测振托架、振动传感器、传输电缆、信号适调器、数据记录（存储）、分析仪和以计算机为中心的数据处理系统等部分。测量时应合理布置振动监测点，选取并正确安装满足要求的振动传感器，选用符合要求的电缆并合理固定，确保绝缘性和屏蔽性，保证信号有效传输，避免干扰和失真。目前，在航空发动机振动测量中，广泛采用的振动传感器是压电式加速度计，该类传感器具有频响范围较宽、体积较小、使用寿命较长等优点。

振动测量方法

航空发动机振动测量分为静态和动态两种。静态测量是在研制过程中为了获取发动机的静态振动特性和结构模型参数，采用加激励的方法进行测量。动态测量是在发动机运转情况下进行的，用于实时监测发动机工作状态、诊断振动故障。

目前，航空发动机整机振动测量时，均采用振动位移、振动速度或振动加速度作为显示参数和限制参数。一般说来，对于较低频率振动用振动位移进行显示和限制；对于中等频率振动用振动速度进行显示和限制；而较高频率振动则用振动加速度进行显示和限制。从对发动机整机振动限制的基本要求和发展趋势看，选择用振动速度进行显示和限制相对较多。因为振动速度既能反映发动机振动能量的大小，又可以反映发动机结构的应力水平，不论发动机的尺寸、转速如何，其振动速度基本上为一个数量级，一般在20～70mm/s范围内，便于给出一个统一的振动限制标准。

振动故障诊断方法

航空发动机振动故障诊断就是通过对发动机的振动信号进行分析和处理，实现发动机运行状态的识别和预测，在事故发生前及时进行诊断，从而提高发动机运行的可靠性及安全性。

幅值谱诊断法

对一个信号的幅值谱分析，可以得到该信号的各种频率成分及其幅值和相位。幅值谱诊断法就是利用振动信号的幅值与频率的对应关系，实现对转子、齿轮和轴承故障的诊断。通过振动信号幅值谱分析可以获得发动机运行状态下的转子和部件的振动参数，如转子基频及其倍频的幅值、轴心轨迹，齿轮的啮合频率幅值、轴承的特征参数幅值以及振动谱上其他重要成分的频率幅值等。通过观察各个频率下的振动幅值，可以判断出哪些部件的振动超标，哪些部件的振动在合理范围。

幅值谱诊断法是使用最为广泛的一种分析方法，适合于发动机各种试验的振动监控。

共振解调法

当齿轮和滚动轴承出现局部损伤类故障时，会产生周期性的脉冲激励，由于脉冲激励是一宽频信号，必然会激起振动传感器（压电加速度计）的谐振（共振）。将传感器拾取的振动信号进行放大，然后经过中心频率等于传感器谐振频率的带通滤波器滤波，再经解调器进行包络检波，得到了与脉冲冲击发生频率（即齿轮、轴承的故障特征频率）相同的低频信号，对此信号进行频谱分析，可以有效地诊断出齿轮和滚动轴承的故障部位，这种技术就是共振解调法，共振解调技术与快速傅里叶变换（FFT）分析的对比如图1所示。

共振解调技术对诊断齿轮和滚动轴承的损伤类故障效果非常好，该技术得到了广泛应用。

细化谱分析技术

细化谱（ZOOM）分析是在FFT分析中用以增加频谱中某段频率范围的分辨能力的方法，即局部放大的方法。ZOOM-FFT算法原理如图2所示。

细化谱分析能使感兴趣的频段得到较高的分辨率，进而按频率逐段局部放大就能使整个频谱图得到详细的分析。该方法在处理间距很近的共振尖峰、斜度陡变化激烈的相位谱图、含有大量谐波的振动信号等情况时，能够得到更高的频率分辨率，从而有效分析振动数据，提高故障诊断的准确性。

倒频谱分析技术

倒频谱（cepstrum）分析可分析复杂频谱图上的周期结构，分离和提取在密集调频信号中的周期成分，对于具有多成分边频等复杂信号的分析非常有效。在齿轮磨损、偏载等故障的发动机齿轮箱的振动信号中，其信号功率谱中会含有多个大小和周期不同的成分，且出现频率调制时，在功率谱图上各振动频率混在一起，难以直观地从谱图上得出振动特征。利用倒频谱分析技术，对具有边带信号的功率谱再作一次谱分析，则能把具有周期成分的边带信号分离出来，从而实现振动故障信息的有效提取。倒频谱变换能够在整个功率谱范围内求取边频带的平均间距，既不会漏掉边频信号，又能够给出精确的间距结果。

小波分析法

小波分析是一种信号的时频分析方法，它能够将各种交织在一起的不同频率组成的混合信号分解成不同频率的块信号。小波分析采用改变时间、频率的分析方法，具有多分辨率分析的特性，很好地解决了时间分辨力和频率分辨力的矛盾，在时域和频域都具有很好的局部化性质，适于分析检测具有瞬时突变等特征的非平稳信号，因而能有效地应用于故障诊断、信噪分离等问题。

利用小波分析法进行故障诊断，首先针对振动信号的特点按照最大相似度准则选取小波基，根据信号采样频率对信号进行小波分解，可以利用门限阈值等形式对所分解的小波系数进行处理，对每一层小波系数进行重构，进而通过对重构信号进行频谱分析，提取异常振动信息，得出诊断结论。在齿轮故障、滚动轴承磨损、剥落等故障中，其振动信号中含有与故障部件对应的冲击成分，用小波分析法可以提取这些冲击成分，从而实现对故障的诊断。

此外，常见的振动故障诊断方法还有模态分析法、多相干分析技术、振动信号分形方法、信号盲源分离技术等，在发动机振动故障诊断及排故中时有采用，在此不再赘述。

振动故障诊断技术发展趋势

随着传感器技术、计算机技术、数据处理技术、人工智能技术、网络技术的迅速发展和深入的应用，航空发动机振动故障诊断技术不断向传感器精密化、分析方法多维化、诊断方法智能化的方向发展。

多元传感器信息的融合

现代化的故障诊断技术要求对发动机进行包括振动参数在内的多种参数的全方位、多角度的监控，以便对其运行状态有全面的了解。需采用多种类型传感器同时对发动机的各类参数进行监测，进而对多元信息进行融合，以得到较好的发动机振动故障的诊断结果。例如，将发动机排气颗粒监测技术、实时滑油颗粒监测技术以及振动声学早期预警技术融合，可实现发动机的多元信息分析，提高早中期振动故障诊断的可靠性，并实现振动故障的早期预警，保障发动机运行安全。

振动故障诊断方法的融合

随着新的信号处理技术方法在航空发动机故障诊断领域的应用，传统的振动故障分析方法技术有了新的突破。如小波技术与模糊理论、神经网络、分形技术、灰色理论等各种技术以不同的方式相结合，形成了小波神经网络、分形神经网络、灰色神经网络等诊断方法。随着各种理论的发展，振动故障诊断的准确度得到了提高。利用不同振动故障诊断方法的优点，并将其结合在一起使其共同起作用来进行振动故障诊断将是未来的趋势。

发动机健康管理技术

发动机健康管理（EHM）技术是在传统发动机状态监视、故障诊断的基础上，综合利用信息融合技术、人工智能技术研究产生的一种新发动机管理方案，是航空发动机故障诊断技术的必然发展趋势之一，其中发动机振动监测及故障诊断是EHM技术的重要组成内容。EHM在对发动机信息辨识、处理和融合的基础上，采取积极主动措施监视发动机健康状态，可实现发动机全生命周期的振动数据监测和管理，扩展健康监控参数和对象，提高振动故障诊断与预测精度，使发动机从定期维护逐渐向视情维修（CBM）转变。发动机健康管理技术原理如图3所示。

远程化智能化故障诊断技术

发动机的服役分布地域广、对检修人员要求高，受地理条件和人员素质的限制，难以在短时间内得到满足，因此将航空发动机故障诊断技术和计算机网络技术、数据库技术相结合实现振动故障诊断技术的远程化和智能化，是一个迫切的研究课题。发动机的远程化智能化振动故障诊断技术通过智能化分析建立故障诊断专家系统，通过远程化诊断实现资源共享，实现多样本、广范围、大数据的同步分析和诊断，进而提高振动故障诊断时效和准确性。远程化智能化振动故障诊断系统如图4所示。

结束语

航空发动机振动故障诊断技术是多学科知识的综合运用，在实际运用中，为了准确监测和分析发动机的振动特性，有效地诊断并预测发动机的振动故障，必须结合具体对象、目的和要求，选取合理适用的测试系统和处理方法。发展综合振动故障诊断技术，开展振动故障机理研究，是获得满意的监测和诊断效果的有效途径。

(吴伟力，中国航发动研所，研究员，主要从事航空发动机测试及故障诊断研究）