摘要：本文针对主给水泵轴承不对中故障问题，深入研究其振动特征提取与诊断方法。通过分析轴承不对中故障产生的机理，运用多种信号处理技术提取故障特征，包括时域分析、频域分析以及时频分析等。同时，结合机器学习算法构建诊断模型，提高故障诊断的准确性和效率。研究结果表明，所提出的振动特征提取与诊断方法能够有效识别主给水泵轴承不对称故障，为电厂主给水泵的安全稳定运行提供可靠的技术支持。
关键词：主给水泵；轴承不对中；振动特征；故障诊断
引言
轴承不对中是指主给水泵的轴系在安装、运行过程中，由于各种原因导致各轴承中心线之间的相对位置发生偏移，无法保持理想的对中状态。这种故障会引起泵体振动加剧、噪声增大，严重时可能导致轴承磨损、轴断裂等严重后果，进而影响整个电厂的正常生产，甚至引发安全事故。因此，准确提取主给水泵轴承不对中故障的振动特征，并采用有效的诊断方法及时发现和处理故障，对于保障电厂主给水泵的安全稳定运行具有重要意义。
一、主给水泵轴承不对中故障产生的机理
主给水泵轴承不对中故障的原因主要有以下几点:一是安装时，因主给水泵的轴系安装偏差大或对各轴承间的相对位置没有进行适当的对中调整；二是主给水泵在运行过程中受汽轮机转子带动旋转，在其自身重力和离心力的作用下，会产生不同程度的径向位移(称为“胀差”)，当转动部分与静止部分之间有间隙存在时，会使两者的连接处受到剪切应力作用，并且随着转速升高，这种现象将更为严重[1]。因此，在正常工作条件下，转子部件必然要产生不同程度的热膨胀和冷收缩。这就使得处于同一刚性基础上的不同机组部件间出现较大的温差而导致不同的机械位移量。同时，由于主给水泵是高转速、多支承系统，其结构特点决定了该系统的不平衡惯性矩较大，所以它比其他低转速、单支承的大型电机更容易产生振动问题；由于电厂地基不均匀下沉造成的主给水泵基础倾斜等原因造成主给水泵轴承中心线偏离设计值，导致轴承中心线偏移。长期运行过程中，轴承、轴颈等零部件的磨损同样会破坏轴系的对中状态 。
对于不对称的情况，此时系统处于非对称工作状态下运行，即不对中使轴上各部件间的相互关系发生了改变，而引起其承载能力的变化(如增加了弯曲应力、扭转应力等)，进而使得转子系统的动态特性发生变化；同时还会带来不平衡量的变化，使机械噪声增大或不稳定，造成某些零部件因超负荷工作而损坏。因此，该类故障将导致转子系统振动加剧，并产生周期性的径向及轴向振动信号。根据上述原理可知，通过监测设备所测得的振动信号中含有大量的有关于不对中故障的信息，经过一定的预处理后从中选择合适的特征值来描述轴承不对中这一现象就可以完成对不对中故障的识别诊断。
二、主给水泵轴承不对中故障的振动特征提取
（一）时域分析方法
时域分析是最基本的一种对振动信号的分析方式，通过对振动信号的时域统计参数进行计算就可以获得一些有关该信号的基本特性[2]。常见的时域统计参数有均值(mean)、标准偏差(variance)，峭度(kurtosis)等等。其中均值反映的是信号的平均值；方差表示的是数据分散的程度或随机变量取值大小不一致性的程度(即离散性)；峭度用来表征脉冲波形尖锐程度的一个量，它与正态分布相比所具有的峰度差别称为非正态分布的“尾部”，它的数值等于第三阶矩除以第二阶矩平方根之比，它是判断一个时间序列是否具有平稳性的指标之一，也常用于判定一个随机过程是否有周期现象存在以及周期性变化幅度的大小。
例如，在某电厂主给水泵轴承不对中状态下的在线监测系统中，利用采集的数据对该泵组进行了实时监控，并对其时域统计参数进行了求解：正常状态下振动信号的均值为0.2V，方差为0.05，峭度为3.1；轴承不对中的时候，振动信号的均值上升到了0.5V，方差增大到 0.12，峭度达到 4.5。这些时域统计参数的变化表明振动信号的特征发生了明显改变，为故障诊断提供了初步的依据。
（二）频域分析方法
频域分析是对时域中的振动信号先经过傅里叶变换得到频域函数再对频域函数做进一步研究的一种方法。通常情况下，由于傅里叶变换的作用使得复杂的时间序列变成了简单地由不同的频率分量组成的周期性时间序列，并且把一个物理过程描述成许多谐振子(以简谐运动形式)所组成系统的总合；因此，利用这种手段能从理论上或实验上确定出物体受力情况、速度分布及其他各种参数等。对于主给水泵轴承不对称故障来说，也可以采用这种方法来分析故障特征频率。
一般说来，当出现轴承不对中故障的时候，其振动信号的频谱图就会出现一些特殊的现象:平行不对中故障会使振动信号的频谱中存在明显的 1倍频成分增加的现象并且还可能存在一定的 2倍频或者 3倍频成分的存在；而对于角向不对中则只存在比较明显的一次谐波峰值的增加，同时还有二次谐波的幅度比一次大很多的情况发生。比如，在某个主给水泵轴承角度不对中故障的案例中就进行了这样的处理，首先使用 FFT 对该泵组振动信号进行频域分析并绘制了相应的频谱图，其中横坐标代表的是各阶次频率对应的转速数值，纵坐标则是各个对应点处的加速度有效值大小，对其振动信号进行傅里叶变换后，发现1倍频幅值为2.3m/s²，2倍频幅值达到3.5m/s²，而正常运行时1倍频幅值为1.2m/s²，2倍频幅值为0.8m/s²。通过对比频谱中故障特征频率幅值的变化，可以判断轴承是否存在不对中故障以及不对中故障的类型。
（三）时频分析方法
由于主给水泵工作状况会随着机组的工况而改变，导致它的振动信号也呈现出一定的时变性；所以不能单纯利用常规的时域或频域的方法来研究该类信号所蕴含的机理信息。为了更好地体现时变性特点，必须使用时频分析技术来进行处理。常见的有短时傅里叶变换(STFT)、小波变换等。其中STFT是在时域内对信号进行分块截取并加上一个窗函数后，再对该部分数据进行快速傅里叶变换(FFT)，这样就得到了一个小片段的频谱曲线[3]。通过对这些频谱曲线做叠加运算就可以获得整个信号在整个时间段内的时频分布图像。STFT可以较好地体现出信号的时变频率成分，但是由于窗函数是一个固定的值，使得其只能同时拥有较好的时间分辨率或者频率分辨率，无法兼顾两者，即当提高时间分辨率的时候必然要降低频率分辨率，反之亦然；而小波变换则能很好地解决这个问题，它通过选择合适的小波基函数，能够根据信号的不同频率成分自动调整分析窗口的大小，在高频段具有较高的时间分辨率，在低频段具有较高的频率分辨率，从而更有效地提取信号的时变特征。
以某主给水泵在负荷变化过程中轴承出现不对称故障为例，采用小波变换对其振动信号进行分析。通过小波变换得到的时频图清晰地显示了故障特征频率随时间的变化情况。在负荷增加过程中，1倍频和2倍频成分逐渐增大，并且其出现的时间与负荷变化的时间相对应。这表明小波变换能够有效提取出主给水泵轴承不对中故障信号在不同工况下的时变特征，为故障诊断提供更准确的信息。
三、主给水泵轴承不对中故障的诊断方法
（一）基于支持向量机的诊断方法
支持向量机(Support Vector Machine，简称SVM)是根据统计学习理论建立的一种新型的监督式学习模型，其分类效果良好。对于主给水泵轴承不对中故障诊断来说，先要从采集到的振动信号中提取出能够反映故障信息的重要特征参量(例如上文所述的时域统计参数、频域特征频率幅值以及时频分析得到的特征参数等等)，再把这些重要的特征参量形成一个特征矢量作为 SVM的学习样本；其次就是利用大量包含主给水泵正常工况及轴承不对中各种严重程度下振动数据的数据库来训练SVM；最后由经过训练后的SVM对新采样获得的未知状态的被监测对象所产生的一组新的特征矢量进行判别，从而实现对该设备当前工作状态的判断与预测。
要想使SVM达到最佳的工作状态还需要对其进行一定的优化处理。目前比较常用的方法主要有交叉验证法(Cross Validation，CV)，粒子群优化算法(Particle Swarm Optimization Algorithm，简称为PSOA)等[4]。粒子群优化的支持向量机(PSO-SVM)，该算法是对SVM分类器中的核函数系数和惩罚因子这两个关键参数同时进行优化，这样就使得分类面更符合实际情况并更加合理地分离不同的类别。在某电厂主给水泵轴承不对中故障诊断实际工程应用中，采用了粒子群优化的支持向量机(PSO-SVM)来进行诊断。通过对100组正常数据和100组轴承不对中故障数据进行训练和测试，结果表明PSO-SVM的诊断准确率达到了95%，相比未优化的SVM诊断准确率提高了8%。
（二）基于人工神经网络的诊断方法
人工神经网络(ArtificialNeuralNetwork，ANN)是一种以模仿人脑神经系统为依据建立起来的信息处理系统的总称，它能够实现信息的记忆与存储，并且具备良好的自组织能力和自学习的能力；同时还可以对复杂函数关系进行逼近计算并能完成复杂的非线性映射任务。对于主给水装置泵组轴系不对称的故障诊断问题来说，目前常用的基于人工智能技术的方法主要是使用人工神经网络来进行故障识别分类[5]。其中应用最为广泛的是多层感知器(Multi-LayerPerceptron，MLP)，MLP是一个三层前馈型网络，包括一个输入层(InLayer)，一个或多个隐含层(Hidden Layer)以及一个输出层(Output Layer)；它们之间的每个节点都代表一个神经元，而相邻两层间的所有神经元都是全互连的。在进行故障诊断时，将提取出的振动信号特征量作为输入向量输入至人工神经网络的输入层(InLayer)，经中间层(Hidden Layer)中的神经元进行非线性的运算后，在输出层(Output Layer)获得相应的诊断结果。为了防止人工神经网络产生“过拟合”现象，可以采取一定的措施来避免这种现象的发生，通常采用正则化方法和早停法等。例如，在某主给水泵轴承不对中故障诊断研究中，构建了一个具有3层结构的人工神经网络，输入层有10个神经元（对应10个特征参数），隐藏层有15个神经元，输出层有3个神经元（分别对应正常状态、平行不对中故障和角度不对中故障）。通过对200组数据进行训练和50组数据进行测试，该人工神经网络的诊断准确率达到了92%。
（三）融合诊断方法
单个诊断方法存在一些缺陷，在此基础上利用多源信息实现故障诊断系统集成化是解决这一问题的有效途径之一。随着工业互联网与边缘计算技术的发展，故障诊断系统的集成化正迈向更智能的阶段。一方面，异构数据融合成为新趋势，将运行参数、环境数据、维护记录等非结构化信息纳入诊断体系；另一方面，深度学习算法的引入使系统具备自适应融合能力，如基于注意力机制的神经网络能动态调整各诊断信息的权重。常见的融合方式有特征提取层的并行结构和决策级融合两种形式，并行结构即由多个不同的诊断单元构成一个系统的子模块，尤其适用于早期微弱故障特征的捕捉，但也面临数据冗余导致计算负荷过重、各单元协同效率待提升等问题；决策级融合则是把各种独立的诊断方法或模型的输出作为输入信号送到更高层次上，然后通过某种算法(如投票)做出最后判断的过程。
例如，以某主给水泵轴承不对中故障为例采取了决策级融合方法，进行实验分析。首先使用支持向量机(SVM)，人工神经网络(Artificial Neural Network，ANN)以及决策级融合三种方法对该主给水泵轴承不对中的故障进行诊断。其中SVM与ANN的分类正确率分别为93%，90%；而基于决策级融合方法的诊断则得到了更高的97%的分类正确率。由此可见，通过多源信息融合，能更充分地发挥各个诊断方法的优点，有效地提高了主给水系泵轴不对中故障诊断的精准。
结束语
本文对主给水泵轴承不对中故障的振动特征提取与诊断方法进行了深入研究。通过分析轴承不对中故障产生的机理，采用时域分析、频域分析和时频分析等方法提取故障振动特征，能够有效获取反映故障的特征参数。同时，结合支持向量机、人工神经网络以及融合诊断方法构建故障诊断模型，提高了故障诊断的准确性和效率。研究结果表明，所提出的振动特征提取与诊断方法在主给水泵轴承不对中故障诊断中具有良好的应用效果，能够为电厂主给水泵的安全稳定运行提供可靠的技术保障。
参考文献
[1]姚震，罗吉江.某核电机组主给水泵保护跳泵逻辑优化探讨[J].仪器仪表用户，2021，28(12):78-80+45.
[2]朱鹏程.核电站主给水泵组振动超标分析[J].产业与科技论坛，2020，19(06):47-48.
[3]姚夏，南国防，李姚，等.双转子系统组合不对中-碰摩耦合故障动力学特性研究[J].机械强度，2025，47(01):1-11.
[4]王瑞.状态监测技术在机泵轴承故障诊断中的应用[J].中国设备工程，2025，(04):172-174.
[5]张雷克，蔚建辉，王雪妮，等.轴流式水轮发电机组不对中-碰摩耦合故障振动特性分析[J].振动与冲击，2024，43(08):11-18+60.
关键词：主给水泵；轴承不对中；振动特征；故障诊断
引言
轴承不对中是指主给水泵的轴系在安装、运行过程中，由于各种原因导致各轴承中心线之间的相对位置发生偏移，无法保持理想的对中状态。这种故障会引起泵体振动加剧、噪声增大，严重时可能导致轴承磨损、轴断裂等严重后果，进而影响整个电厂的正常生产，甚至引发安全事故。因此，准确提取主给水泵轴承不对中故障的振动特征，并采用有效的诊断方法及时发现和处理故障，对于保障电厂主给水泵的安全稳定运行具有重要意义。
一、主给水泵轴承不对中故障产生的机理
主给水泵轴承不对中故障的原因主要有以下几点:一是安装时，因主给水泵的轴系安装偏差大或对各轴承间的相对位置没有进行适当的对中调整；二是主给水泵在运行过程中受汽轮机转子带动旋转，在其自身重力和离心力的作用下，会产生不同程度的径向位移(称为“胀差”)，当转动部分与静止部分之间有间隙存在时，会使两者的连接处受到剪切应力作用，并且随着转速升高，这种现象将更为严重[1]。因此，在正常工作条件下，转子部件必然要产生不同程度的热膨胀和冷收缩。这就使得处于同一刚性基础上的不同机组部件间出现较大的温差而导致不同的机械位移量。同时，由于主给水泵是高转速、多支承系统，其结构特点决定了该系统的不平衡惯性矩较大，所以它比其他低转速、单支承的大型电机更容易产生振动问题；由于电厂地基不均匀下沉造成的主给水泵基础倾斜等原因造成主给水泵轴承中心线偏离设计值，导致轴承中心线偏移。长期运行过程中，轴承、轴颈等零部件的磨损同样会破坏轴系的对中状态 。
对于不对称的情况，此时系统处于非对称工作状态下运行，即不对中使轴上各部件间的相互关系发生了改变，而引起其承载能力的变化(如增加了弯曲应力、扭转应力等)，进而使得转子系统的动态特性发生变化；同时还会带来不平衡量的变化，使机械噪声增大或不稳定，造成某些零部件因超负荷工作而损坏。因此，该类故障将导致转子系统振动加剧，并产生周期性的径向及轴向振动信号。根据上述原理可知，通过监测设备所测得的振动信号中含有大量的有关于不对中故障的信息，经过一定的预处理后从中选择合适的特征值来描述轴承不对中这一现象就可以完成对不对中故障的识别诊断。
二、主给水泵轴承不对中故障的振动特征提取
（一）时域分析方法
时域分析是最基本的一种对振动信号的分析方式，通过对振动信号的时域统计参数进行计算就可以获得一些有关该信号的基本特性[2]。常见的时域统计参数有均值(mean)、标准偏差(variance)，峭度(kurtosis)等等。其中均值反映的是信号的平均值；方差表示的是数据分散的程度或随机变量取值大小不一致性的程度(即离散性)；峭度用来表征脉冲波形尖锐程度的一个量，它与正态分布相比所具有的峰度差别称为非正态分布的“尾部”，它的数值等于第三阶矩除以第二阶矩平方根之比，它是判断一个时间序列是否具有平稳性的指标之一，也常用于判定一个随机过程是否有周期现象存在以及周期性变化幅度的大小。
例如，在某电厂主给水泵轴承不对中状态下的在线监测系统中，利用采集的数据对该泵组进行了实时监控，并对其时域统计参数进行了求解：正常状态下振动信号的均值为0.2V，方差为0.05，峭度为3.1；轴承不对中的时候，振动信号的均值上升到了0.5V，方差增大到 0.12，峭度达到 4.5。这些时域统计参数的变化表明振动信号的特征发生了明显改变，为故障诊断提供了初步的依据。
（二）频域分析方法
频域分析是对时域中的振动信号先经过傅里叶变换得到频域函数再对频域函数做进一步研究的一种方法。通常情况下，由于傅里叶变换的作用使得复杂的时间序列变成了简单地由不同的频率分量组成的周期性时间序列，并且把一个物理过程描述成许多谐振子(以简谐运动形式)所组成系统的总合；因此，利用这种手段能从理论上或实验上确定出物体受力情况、速度分布及其他各种参数等。对于主给水泵轴承不对称故障来说，也可以采用这种方法来分析故障特征频率。
一般说来，当出现轴承不对中故障的时候，其振动信号的频谱图就会出现一些特殊的现象:平行不对中故障会使振动信号的频谱中存在明显的 1倍频成分增加的现象并且还可能存在一定的 2倍频或者 3倍频成分的存在；而对于角向不对中则只存在比较明显的一次谐波峰值的增加，同时还有二次谐波的幅度比一次大很多的情况发生。比如，在某个主给水泵轴承角度不对中故障的案例中就进行了这样的处理，首先使用 FFT 对该泵组振动信号进行频域分析并绘制了相应的频谱图，其中横坐标代表的是各阶次频率对应的转速数值，纵坐标则是各个对应点处的加速度有效值大小，对其振动信号进行傅里叶变换后，发现1倍频幅值为2.3m/s²，2倍频幅值达到3.5m/s²，而正常运行时1倍频幅值为1.2m/s²，2倍频幅值为0.8m/s²。通过对比频谱中故障特征频率幅值的变化，可以判断轴承是否存在不对中故障以及不对中故障的类型。
（三）时频分析方法
由于主给水泵工作状况会随着机组的工况而改变，导致它的振动信号也呈现出一定的时变性；所以不能单纯利用常规的时域或频域的方法来研究该类信号所蕴含的机理信息。为了更好地体现时变性特点，必须使用时频分析技术来进行处理。常见的有短时傅里叶变换(STFT)、小波变换等。其中STFT是在时域内对信号进行分块截取并加上一个窗函数后，再对该部分数据进行快速傅里叶变换(FFT)，这样就得到了一个小片段的频谱曲线[3]。通过对这些频谱曲线做叠加运算就可以获得整个信号在整个时间段内的时频分布图像。STFT可以较好地体现出信号的时变频率成分，但是由于窗函数是一个固定的值，使得其只能同时拥有较好的时间分辨率或者频率分辨率，无法兼顾两者，即当提高时间分辨率的时候必然要降低频率分辨率，反之亦然；而小波变换则能很好地解决这个问题，它通过选择合适的小波基函数，能够根据信号的不同频率成分自动调整分析窗口的大小，在高频段具有较高的时间分辨率，在低频段具有较高的频率分辨率，从而更有效地提取信号的时变特征。
以某主给水泵在负荷变化过程中轴承出现不对称故障为例，采用小波变换对其振动信号进行分析。通过小波变换得到的时频图清晰地显示了故障特征频率随时间的变化情况。在负荷增加过程中，1倍频和2倍频成分逐渐增大，并且其出现的时间与负荷变化的时间相对应。这表明小波变换能够有效提取出主给水泵轴承不对中故障信号在不同工况下的时变特征，为故障诊断提供更准确的信息。
三、主给水泵轴承不对中故障的诊断方法
（一）基于支持向量机的诊断方法
支持向量机(Support Vector Machine，简称SVM)是根据统计学习理论建立的一种新型的监督式学习模型，其分类效果良好。对于主给水泵轴承不对中故障诊断来说，先要从采集到的振动信号中提取出能够反映故障信息的重要特征参量(例如上文所述的时域统计参数、频域特征频率幅值以及时频分析得到的特征参数等等)，再把这些重要的特征参量形成一个特征矢量作为 SVM的学习样本；其次就是利用大量包含主给水泵正常工况及轴承不对中各种严重程度下振动数据的数据库来训练SVM；最后由经过训练后的SVM对新采样获得的未知状态的被监测对象所产生的一组新的特征矢量进行判别，从而实现对该设备当前工作状态的判断与预测。
要想使SVM达到最佳的工作状态还需要对其进行一定的优化处理。目前比较常用的方法主要有交叉验证法(Cross Validation，CV)，粒子群优化算法(Particle Swarm Optimization Algorithm，简称为PSOA)等[4]。粒子群优化的支持向量机(PSO-SVM)，该算法是对SVM分类器中的核函数系数和惩罚因子这两个关键参数同时进行优化，这样就使得分类面更符合实际情况并更加合理地分离不同的类别。在某电厂主给水泵轴承不对中故障诊断实际工程应用中，采用了粒子群优化的支持向量机(PSO-SVM)来进行诊断。通过对100组正常数据和100组轴承不对中故障数据进行训练和测试，结果表明PSO-SVM的诊断准确率达到了95%，相比未优化的SVM诊断准确率提高了8%。
（二）基于人工神经网络的诊断方法
人工神经网络(ArtificialNeuralNetwork，ANN)是一种以模仿人脑神经系统为依据建立起来的信息处理系统的总称，它能够实现信息的记忆与存储，并且具备良好的自组织能力和自学习的能力；同时还可以对复杂函数关系进行逼近计算并能完成复杂的非线性映射任务。对于主给水装置泵组轴系不对称的故障诊断问题来说，目前常用的基于人工智能技术的方法主要是使用人工神经网络来进行故障识别分类[5]。其中应用最为广泛的是多层感知器(Multi-LayerPerceptron，MLP)，MLP是一个三层前馈型网络，包括一个输入层(InLayer)，一个或多个隐含层(Hidden Layer)以及一个输出层(Output Layer)；它们之间的每个节点都代表一个神经元，而相邻两层间的所有神经元都是全互连的。在进行故障诊断时，将提取出的振动信号特征量作为输入向量输入至人工神经网络的输入层(InLayer)，经中间层(Hidden Layer)中的神经元进行非线性的运算后，在输出层(Output Layer)获得相应的诊断结果。为了防止人工神经网络产生“过拟合”现象，可以采取一定的措施来避免这种现象的发生，通常采用正则化方法和早停法等。例如，在某主给水泵轴承不对中故障诊断研究中，构建了一个具有3层结构的人工神经网络，输入层有10个神经元（对应10个特征参数），隐藏层有15个神经元，输出层有3个神经元（分别对应正常状态、平行不对中故障和角度不对中故障）。通过对200组数据进行训练和50组数据进行测试，该人工神经网络的诊断准确率达到了92%。
（三）融合诊断方法
单个诊断方法存在一些缺陷，在此基础上利用多源信息实现故障诊断系统集成化是解决这一问题的有效途径之一。随着工业互联网与边缘计算技术的发展，故障诊断系统的集成化正迈向更智能的阶段。一方面，异构数据融合成为新趋势，将运行参数、环境数据、维护记录等非结构化信息纳入诊断体系；另一方面，深度学习算法的引入使系统具备自适应融合能力，如基于注意力机制的神经网络能动态调整各诊断信息的权重。常见的融合方式有特征提取层的并行结构和决策级融合两种形式，并行结构即由多个不同的诊断单元构成一个系统的子模块，尤其适用于早期微弱故障特征的捕捉，但也面临数据冗余导致计算负荷过重、各单元协同效率待提升等问题；决策级融合则是把各种独立的诊断方法或模型的输出作为输入信号送到更高层次上，然后通过某种算法(如投票)做出最后判断的过程。
例如，以某主给水泵轴承不对中故障为例采取了决策级融合方法，进行实验分析。首先使用支持向量机(SVM)，人工神经网络(Artificial Neural Network，ANN)以及决策级融合三种方法对该主给水泵轴承不对中的故障进行诊断。其中SVM与ANN的分类正确率分别为93%，90%；而基于决策级融合方法的诊断则得到了更高的97%的分类正确率。由此可见，通过多源信息融合，能更充分地发挥各个诊断方法的优点，有效地提高了主给水系泵轴不对中故障诊断的精准。
结束语
本文对主给水泵轴承不对中故障的振动特征提取与诊断方法进行了深入研究。通过分析轴承不对中故障产生的机理，采用时域分析、频域分析和时频分析等方法提取故障振动特征，能够有效获取反映故障的特征参数。同时，结合支持向量机、人工神经网络以及融合诊断方法构建故障诊断模型，提高了故障诊断的准确性和效率。研究结果表明，所提出的振动特征提取与诊断方法在主给水泵轴承不对中故障诊断中具有良好的应用效果，能够为电厂主给水泵的安全稳定运行提供可靠的技术保障。
参考文献
[1]姚震，罗吉江.某核电机组主给水泵保护跳泵逻辑优化探讨[J].仪器仪表用户，2021，28(12):78-80+45.
[2]朱鹏程.核电站主给水泵组振动超标分析[J].产业与科技论坛，2020，19(06):47-48.
[3]姚夏，南国防，李姚，等.双转子系统组合不对中-碰摩耦合故障动力学特性研究[J].机械强度，2025，47(01):1-11.
[4]王瑞.状态监测技术在机泵轴承故障诊断中的应用[J].中国设备工程，2025，(04):172-174.
[5]张雷克，蔚建辉，王雪妮，等.轴流式水轮发电机组不对中-碰摩耦合故障振动特性分析[J].振动与冲击，2024，43(08):11-18+60.
