基于振動信號的軸承故障診斷技術綜述

沙美妤，劉利國

(1.江南大學 機械工程學院，江蘇 無錫 214122；2.江蘇省工程機械機械振動與測試重點實驗室，江蘇 徐州 221000)

軸承由于其自身的優(yōu)點廣泛應用于很多工業(yè)系統，但軸承在使用中會產生故障，且具有一定隨機性，嚴重影響機械設備的正常運行，因此深入研究軸承診斷方法和故障機理一直是國內外專家學者所關注的熱點問題。

依據測取信號的不同性質，診斷方法可以分為振動法、油樣分析法、噪聲法、聲發(fā)射法等。由目前軸承故障診斷技術的發(fā)展和應用現狀來看，基于振動信號的診斷方法是國內外比較普及且有效的檢測方法。雖然已有各種各樣的信號分析儀用于軸承故障診斷，但依據振動分析原理研制的診斷儀器和方法一直是國內軸承檢測診斷的主流。

1 軸承故障診斷的發(fā)展歷史

20世紀60年代，美國最早出現了軸承故障診斷技術，隨著國內外學者的不斷研究和改進，各種診斷方法與技術層出不窮，診斷的智能性和精度也有了很大提高。軸承故障診斷的發(fā)展歷史大體上可分為3個階段：

1)人工檢測時期。工業(yè)發(fā)展早期，在沒有任何故障檢測儀器的情況下，工程技術人員只能借助眼、耳等人體器官識別故障。例如檢測人員將聽音棒放置在相關零部件上，用耳朵聽聲判斷有無故障。但是該方法很難實時、準確地判斷軸承故障。

2)計算機技術時期。隨著計算機技術的出現和發(fā)展，在20世紀60年代，頻譜分析從理論變?yōu)楝F實，利用軸承的特性和快速Fourier變換技術分別計算振動的特征頻率并處理振動信號，通過對比判斷是否存在軸承故障。隨后，共振解調技術出現，大大提高了信噪比，可以凸顯出故障信號，從而在故障診斷領域得到廣泛應用。同時，沖擊脈沖計的出現使得利用所測脈沖的最大幅值檢測軸承的早期損傷故障更為有效。

3)趨于完善的軸承故障監(jiān)測與診斷技術及系統。20世紀90年代后，隨著計算機技術的快速發(fā)展，以及小波技術和人工智能方面的神經網絡技術等的出現和發(fā)展，軸承故障診斷逐步由初級化走向智能化，并逐漸成熟。

2 軸承故障診斷內容

目前，軸承運行狀態(tài)的檢測、故障預警和故障追蹤3個方面是軸承故障診斷的主要內容。軸承故障診斷系統的完整內容如圖1所示。

圖1 軸承故障診斷系統圖

3 基于振動信號的軸承故障診斷

3.1 軸承振動的產生

固有振動、故障引起的振動及加工安裝引起的振動是軸承的3種主要振動類型。其中，故障振動是不應有的振動，當由疲勞、磨損、粘著、腐蝕和破損等引起的故障點存在于軸承組件上時，在軸承工作過程中必然與其他零件產生撞擊，從而引發(fā)一系列的沖擊振動。

3.2 基于振動信號的傳統故障診斷技術

基于振動信號的傳統軸承故障監(jiān)測和診斷技術主要使用傳感器采集運行過程中軸承的振動信號，對采集的信號進行放大、濾波和轉換等處理得到振動的幅值或頻率，通過與規(guī)定的閾值進行對比判斷軸承是否存在故障。時域分析、頻域分析、時頻域分析是基于振動信號的傳統故障診斷技術的3類主要方法。

3.2.1 時域分析

對軸承振動信號的時域分析開展較早，但其所采集的時域信號波形多是十分復雜的振動信號，噪聲、加工安裝引起的振動等因素對其影響嚴重，使用時域分析方法判斷軸承運行狀態(tài)是否正常比較困難，難以確定故障的部位、性質等關鍵信息。常用的時域分析方法有參數法和沖擊脈沖法。

1)參數法。振動信號的基本數字特征常被用于對軸承進行故障診斷。均值、峰值、概率密度函數、方差以及峭度系數、波形因子等量綱一化特征參數是常用的基本數字特征，將這些時域參數與正常工作軸承的響應值進行對比分析，可以判斷軸承是否存在故障。該方法的優(yōu)點是簡便、快捷，但易受噪聲的影響，且需定期對軸承振動總量進行檢測記錄，只能粗略判斷故障，難以確定故障的性質和部位等關鍵信息。但若綜合分析多個特征參數，診斷效果會有所改善[1]。

2)沖擊脈沖法(Shock Pulse Method，SPM)。時域分析中，還常采用時間序列進行故障分析和診斷，脈沖是一種時間序列，可以體現沖擊力強弱，因此可用于判斷軸承故障。此方法的優(yōu)點是簡便易用，專門針對軸承的復合失效診斷，且無需專業(yè)人員分析。但無法判斷故障的位置和類型，且受背景噪聲或其他沖擊源影響嚴重，診斷效果很差，只能說明軸承的總體狀態(tài)[2]。

3.2.2 頻域分析

由于軸承故障的產生和發(fā)展均會改變信號的頻率結構，因此確定信號的頻率結構是頻域分析的主要目的。頻域分析包括頻譜分析、細化譜分析和解調譜分析、倒頻譜分析、差頻分析等[3-4]。調制性是故障振動信號的特性之一，因此合理解調所測軸承故障振動信號至關重要，尤其在需要準確診斷故障部位的情況下。目前，頻域分析法基本滿足工程實踐的要求，也取得了一定效果，但由于其不提供任何時域信息，存在一定不足。常用的頻域分析方法如下。

1)共振解調法(包絡檢波頻譜分析法)。該方法將軸承或檢測系統作為諧振體，利用軸承故障會激起諧振的現象，放大故障沖擊引起的高頻共振響應，通過包絡檢測方法提取低頻成分并進行頻譜變換，最后得到包絡譜圖，在圖上找到故障的頻率信息，從而得到故障的類型及部位。其特點是：譜線與故障存在對應的關系，兩者同時存在或同時消失；故障越大，沖擊強度越大，共振解調幅值越大，成正比關系；有較好的抗頻率動干擾性[5]。

2)Fourier變換法。Fourier變換將一個波形分解成許多簡單的項，并將這些項再組合起來重建原來的波形。比如周期性的信號可以表示成一個直流偏置信號與若干正弦信號和余弦信號之和的形式[6]。Fourier變換可以很好地分析放大器的失真，找出噪聲中的微弱信號。但是穩(wěn)態(tài)和線性信號是Fourier變換的基礎，而這樣的信號在實際檢測中不存在，只能是一種假設。

3.2.3 時頻域分析

平穩(wěn)信號和非平穩(wěn)信號是軸承故障振動信號的2種類型。軸承在實際工作時受各種工作狀況的影響，一般產生的是非線性、非平穩(wěn)振動信號；另外在實際檢測過程中，由于傳感器安裝位置的限制，采集的信號中包含了有用信息和干擾信息，實際檢測信號也是非線性、非平穩(wěn)的隨機信號。只有將時域和頻域進行二維聯合，才能更好地表示該類信號的局部特征。而信號分析中一直存在時域與頻域的局部化矛盾。因此，許多專家學者一直在努力研究新的時頻分析方法，使信號在時頻域上能夠同時局部化。目前，常用的時頻域分析方法有短時窗口Fourier變換、小波變換、經驗模態(tài)分解、局部均值分解等。

1)短時窗口Fourier變換(Short-Time Fourier Transform，STFT)。信號加窗后再進行Fourier變換是STFT法的主要思想。窗函數可隨著時間t的移動而移動，并可得到感興趣的位置附近的很小時間上的頻譜，從而使時間局域化[7]。因為存在頻率分辨率固定、限制時間和頻率最高分辨率等問題，STFT法僅適用于緩變信號的分析。

2)小波分析技術。小波分析技術將信號分割為很多層次，分析認為有用的頻段，從而獲取軸承的故障特征頻率。具有適合變化頻率的可變窗寬，能更好地“顯微”出信號中短時高頻現象，特別適合分析短時沖擊信號。但是由于其本身缺陷，這種信號處理方法不具自適應性[8-9]。將小波技術和神經網絡、奇異值分解、模糊評判和分形盒維數等技術相結合進行軸承故障模式識別的方法[10]，也得到了廣泛應用。

3)經驗模態(tài)分解(Empirical Mode Decomposition，EMD)。EMD是基于信號的局部特征時間尺度的方法[10]。此法將信號分解為若干個固有模態(tài)函數(IMF)之和，并對各個IMF分量進行分析，從而準確有效地把握原數據的特征信息。EMD法是一種自適應的完備、正交的信號分解方法，從根本上擺脫了傳統變換的局限性，信噪比較高，非常適用于非平穩(wěn)、非線性信號[11]。但包絡、端點效應、模態(tài)混淆和欠包絡等問題在理論上依然存在，仍需進行深入研究[12-13]。

4)局部均值分解(Local Mean Decomposition，LMD)。LMD是一種自適應時頻分析方法，其給出了包絡估計和局部均值函數的定義，在不斷平滑信號的過程中得到瞬時頻率相應的包絡信號和純調頻信號，并將這2種信號相乘得到一個為單分量的調幅-調頻信號的PF分量。因此，LMD對處理非平穩(wěn)和非線性信號非常有效，尤其是處理多分量的調幅-調頻信號。但是端點效應、迭代終止條件、平滑方法等問題仍然存在，還需要深入研究[14]。

4 近年研究情況和進展

4.1 新興故障診斷方法

傳統的信號分析與處理方法對分析對象進行一些理性化的處理和簡化，以求分析與處理簡便，并在此基礎上形成了相對完整的理論體系和方法。但是，這樣的簡化和處理方法常忽略信號中的部分特征，甚至是一些非常重要的特征信息。因此，利用傳統故障診斷技術進行分析存在一定缺陷，實際診斷結果差強人意，誤診和漏診現象頻繁。在此基礎上，很多新興的故障診斷技術應運而生。

4.1.1 基于非線性理論的幾何不變量診斷技術

近年來，在軸承故障診斷中加入了混沌、分岔和分形等非線性理論，并取得了一定進展[15]。原理如下：對振動時間序列信號進行小波消噪，對沖擊振動信號的間隔進行時域分析檢查，并進行相間重構計算出多個幾何不變量，將它們作為特征量輸入到神經網絡，最后對軸承的故障進行模式識別。在測試過程中，分析儀采集振動信號傳到計算機中進行相關數據的分析處理，并利用軸承的振動信號訓練網絡。試驗表明此方法具有較高的故障識別率[16]。

4.1.2 基于循環(huán)平穩(wěn)理論的循環(huán)統計量方法

循環(huán)平穩(wěn)信號又稱周期平穩(wěn)信號，是指對于結構對稱且具有固定載荷區(qū)間的軸承，其非平穩(wěn)振動信號會表現出一定的周期性。對于此類信號進行分析可以釆用循環(huán)統計量方法[17-18]。該方法能夠高效地分離有用信號與噪聲信號，非常適合早期軸承故障診斷。譜相關密度函數[19]、自相關函數及切片分析等是常用的循環(huán)統計量方法，幾種方法各有所長，可以根據實際需要選擇[20]。

4.1.3 現代智能診斷技術

現代人工智能診斷方法包括支持向量機、神經網絡、專家系統、隱馬爾可夫模型、模糊數學等。據統計，支持向量機和神經網絡法廣泛應用在機械系統的故障診斷中[21]。

4.2 我國研究近況和進展

我國在軸承故障診斷技術方面起步較晚，但隨著經濟水平的不斷提高，科學技術的不斷發(fā)展，以及我國科研人員的不懈努力，軸承故障診斷技術也取得了一定的突破和研究成果。

文獻[22]提出以分形網格維數為特征量，利用維數距離函數判別待測信號與原始信號的相似程度，以此診斷軸承故障。

文獻[23]提出一種基于多尺度小波域隱馬爾可夫模型(WHMM)參數特征的故障診斷方法，彌補了基于小波能量譜和能量譜熵的故障診斷方法要求小波分解系數基本符合高斯分布的不足，可以分析信號多尺度小波分解系數的統計特征，具有很強的穩(wěn)定性。該法提出可用WHMM描述小波變換域系數在尺度間、尺度內的統計相關性，并從窗口寬度、小波基和分類器3個層面分析了該方法對診斷性能的影響。

文獻[24]提出了一種基于幅值倒頻譜分析與經驗模態(tài)分解的軸承故障診斷方法，并通過試驗證明了該方法的有效性。

文獻[25]提出了一種基于奇異值分解和經驗模態(tài)分解的模糊C均值(Fuzzy Center Means，FCM)聚類與特征提取的滾動軸承故障診斷方法，其主要針對滾動軸承非平穩(wěn)振動故障信號。深入研究了SVD，EMD和FCM聚類3種方法的結合問題，并通過試驗證明該方法能夠準確識別滾動軸承故障狀態(tài)，且不像神經網絡一樣需要大量的樣本進行學習，因此可用于實時診斷，并縮短診斷時間。同時，該方法具有一定的通用性和可移植性，也可用于診斷其他機械類故障。

文獻[26]通過計算對比得到分形盒維數和關聯維數的優(yōu)劣，指出分形盒維數能夠更好地分析含噪較重的信號。同時提出滾動軸承正常信號盒維數大于故障振動信號盒維數。

文獻[27]提出了基于傳統的標準化經驗模態(tài)分解的改進方法，指出傳統經驗模態(tài)分解方法在實際應用中存在停機準則過于苛刻、沒有考慮插值誤差的影響等不足，并將改進的方法運用到實際處理軸承振動信號中。

文獻[28]在掌握振動軸承工作狀態(tài)的基礎上，改進了包絡解調理論分析法中的脈沖沖擊模型，建立振動軸承2點點蝕故障振動模型，提出了振動軸承內、外圈點蝕故障的判別依據。

5 我國軸承故障診斷的發(fā)展趨勢

隨著新興軸承故障診斷技術的不斷出現，軸承的故障診斷技術有了很大進步，很多方法已投入實際使用，但還有部分技術仍處于試驗階段，關鍵問題尚待解決?？傮w而言，軸承故障理論和應用都不完善，還需要不斷改進。軸承故障診斷技術的發(fā)展趨勢：

1)繼續(xù)完善參數法、沖擊脈沖法、小波分析、共振解調法等傳統時域、頻域、時頻分析技術和理論。

2)在完善上述方法的基礎上，不斷探討現代人工智能故障診斷方法和分形理論在軸承故障診斷中的應用。集合多領域專家的智慧，進行跨學科研究，新興方法將是未來故障診斷很長一段時間的發(fā)展方向和研究熱點。

3)任何一種故障診斷方法都有自己的不足和缺陷，為了能全面詳細地反映軸承故障的特征，將不同故障診斷方法結合使用，以充分利用它們的優(yōu)點，仍將是研究重點和技術路徑之一。