滾動軸承故障診斷發(fā)展現(xiàn)狀及發(fā)展趨勢

杜煜坤，徐 樂，魏語辰，徐少梁，郝 潔

（江蘇師范大學，江蘇徐州 221116）

0 引言

滾動軸承是大型旋轉機械設備中的重要零部件，廣泛應用于冶金、航空航天等多個領域，但因其長期處于復雜、惡劣工作環(huán)境中極容易發(fā)生故障，而一旦出現(xiàn)故障就很有可能對旋轉機械造成損傷，甚至造成人員死傷，因而須要對滾動軸承的工況進行實時監(jiān)測和故障診斷。由于考慮到外界環(huán)境因素的影響，會使診斷結果出現(xiàn)差異化，降低檢測精度，所以檢測滾動軸承振動信號這一內在因素，然后對其振動信號進行提取和分析。目前，該方法已變成現(xiàn)階段較為廣泛使用的一種檢測手段。

1 滾動軸承振動信號分析

軸承周期性旋轉時，受損表面會與其他元件表面接觸，所產生的脈動和沖擊是周期性的，使內外圈產生固有頻率，對滾動軸承運行中的振動信號分析是主機裝備故障診斷的有效手段。振動信號大多為非平穩(wěn)、非線性的多分量信號，現(xiàn)階段已有科研人員通過大量方法對其進行研究分析。分析振動信號的方法主要分為時域、頻域、時頻分析三類，其中時頻分析在使用領域里最為廣泛，常用的有小波變換、LMD[1]、EMD 等。在故障診斷中，因其工作環(huán)境多處于轉速高、噪聲大等條件中，采集出的多分量信號不能直接用作分析信號，基本上需要把復雜的多分量信號分解成多個單一信號，再對分解出的單一信號進行分析。

1.1 小波變換

小波變換是在時頻域分析檢測信號的一種信號處理方法，它可以在多尺度上細化信號，最終滿足高頻細分時間和低頻細分頻率的要求。隨著小波理論的發(fā)展，運用小波閾值去噪的方法在信號去噪領域有著廣泛應用，在提取振動信號的過程中可以提取到更有效的信號。

銀鴻等[2]使用傅里葉變換和小波變換對鋼絲繩的漏磁檢測信號進行分析研究，通過傅里葉變換分析幅頻特性，并基于小波變換原理選擇最優(yōu)小波基，對原始測試數(shù)據進行濾波。趙靖等[3]通過使用以負熵和無跡卡爾曼濾波為基礎，提出了動態(tài)貝葉斯小波變換方法，提取出最佳寬帶和中心頻率的振動信號，將其進行濾波和分析，再對濾波后的信號進行包絡解調分析，提取到軸承的微弱故障特征。

1.2 局部均值分解方法（LMD）

LMD 方法是將多分量信號分化為無數(shù)個瞬時頻率分量PF（乘積函數(shù)）之總和，每個PF 分量都是通過將純調頻信號和包絡信號相乘而獲得的，PF 分量中的瞬時頻率對應純調頻信號，瞬時幅值對應其包絡信號，將純調頻信號和包絡信號進行組合就可以得到完整的時頻分布。

何田等[8]運用LMD 對原始信號進行Hilbert 變換，對瞬時幅值進行FFT，在齒輪磨損、斷齒、齒輪剝落3 個故障方面進行實驗分析。楊宇等[9]重點提取LMD 中的包絡信號，得到包絡譜，將包絡譜特征值輸入支持向量機分類器中進行分析。張亢等[10]結合階次跟蹤分析和局部均值分解，將提取的齒輪時域振動信號轉化為角域平穩(wěn)信號，有效提取故障特征。

1.3 經驗模態(tài)分解（EMD）

EMD 方法是以傅里葉變換為基礎，由HUANG 等[4]提出，將復雜信號分解成有限個的本征模函數(shù)（IMF）之和，經過研究發(fā)現(xiàn)，這種方法對分析非平穩(wěn)、非線性信號較為適用。

王奉濤等[5]把EMD 分解得到的特征向量作為輸入層，再將多個SAE 進行疊加處理，訓練得到SSAE 網絡。張健等[6]使用EMD 方法把振動信號分解成無數(shù)個IMF 分量得到包絡譜，再使用VPMCD 對故障進行識別和分類。邵明輝等[7]同樣利用EMD分解得到模態(tài)分量，再使用小波包分量進行分解重構，將其輸入支持向量機中識別刀具的磨損狀態(tài)。

2 滾動軸承故障特征分類

通過對滾動軸承振動信號故障分析，需要將其故障特征進行分類，以適應針對性的故障研究，其過程需要大量算法運算和優(yōu)化學習。支持向量機、人工神經網絡和遷移學習是現(xiàn)階段使用較為廣泛的3 種分類方法，它們各自擅長的運算和學習特點。

2.1 支持向量機（SVM）

支持向量機擁有多種運算方法，在工程領域采用核方法較為常見。支持向量機的輸入數(shù)據使用非線性函數(shù)進行學習運算，輸入的數(shù)據樣本具有多個特征，由此構成特征空間，作為決策邊界。

SVM 核方法的實質是將非線性函數(shù)關系轉化成高維希爾伯特空間的線性問題，然后在其高維空間中找到最優(yōu)的回歸超平面，使全部樣本與最優(yōu)超平面之間的間距最小。

王祥等[11]對建筑物沉降影響進行分析，建立原始訓練集，選擇核函數(shù)建立支持向量機模型，為建筑物變形預測提供了一種工具。韓曉[12]通過使用粗糙集來降低數(shù)據樣本的維數(shù)，之后再使用支持向量機對其數(shù)據進行分類。崔桂梅等[13]選用高斯核函數(shù)支持向量機建立基礎模型，通過差分進化算法對模型進行最優(yōu)參數(shù)搜索。

2.2 BP 神經網絡

神經網絡是模仿人腦神經元網絡建立的一種算法模型，它由節(jié)點互連組成，這里的每個節(jié)點都是一個特定的輸出函數(shù)，即一個激勵函數(shù)。這種模型已經應用到自動控制、預測估計、模式識別等多數(shù)領域，其中BP 神經網絡使用更為廣泛。BP 神經網絡是一種多層前饋神經網絡，包含輸入層、隱含層和輸出層，具有強大的非線性映射能力和學習機制。

熊鵬等[14]將卷積神經網絡進行優(yōu)化，運用密集連接卷積網絡，通過動態(tài)加權網絡層提取行星齒輪箱的故障特征。楊家印[15]以小波神經網絡算法為基礎，提取時頻域的多個表征值，將BP神經網絡應用于汽車齒輪箱，有效提高了診斷精度。徐欣怡等[16]將小波包變換和BP 神經網絡結合，分解和重構原始振動信號，提取能量特征向量，提高了地鐵軸承的診斷速度。

2.3 遷移學習

遷移學習是利用卷積神經網絡的深入學習算法而構建的一種在源域和目標域具有相似特征時，將原有算法模型進行微調，遷移到目標域進行算法計算。遷移學習按照源域和目標域有無標簽及其對應任務是否相同，可分為歸納式、直推式、無監(jiān)督3 種。

季旭峰等[17]利用深度遷移學習的方法搭建滾動軸承的各類故障模型，并對故障數(shù)據進行分析，驗證模型的可靠性。楊沐泓等[18]借助遷移學習和卷積神經網絡運用到醫(yī)療影像領域，進行新冠肺炎影響的識別，取得了高達84.4%的準確率。陳仁祥等[19]為了對行星齒輪進行故障診斷，提出了一種基于深度置信網絡的遷移學習方法，從源域把網絡的權重和偏置值作為的數(shù)據遷移到目標域來進行識別和學習，最終提高故障識別的準確率。

3 滾動軸承故障診斷發(fā)展趨勢

通過研究旋轉機械振動信號發(fā)現(xiàn)，小波變換只會將信號的低頻部分進行更深入的分解，而不會繼續(xù)分解高頻部分（即信號的細節(jié)部分），所以小波變換可以很好地表明某一類信號的低頻信息是主要成分，分解表示包含大量細節(jié)信息（精細邊緣或紋理）的信號。EMD 方法克服了基函數(shù)無自適應性的問題，但存在欠包絡、模態(tài)混淆等問題，需要與其他方法配合進行使用。LMD能夠抑制端點效應，減少迭代的次數(shù)等，但有時會發(fā)生信號滯后現(xiàn)象，在以后的應用過程中需深入研究。

支持向量機是使用內積核函數(shù)來替代向高維空間的非線性映射，但無法大規(guī)模對樣本進行實施，且無法解決多分類等問題，在進行振動信號故障診斷時應與其他方法進行結合。神經網絡具有非線性映射能力，可以進行自學習和自適應，但收斂速度較慢，其預測能力和學習能力存在著矛盾關系。在遷移學習微調之前，發(fā)現(xiàn)模型的初始機能更高；在訓練過程中，模型提升更快；經過訓練，得到的模型收斂性更好。不過遷移學習在現(xiàn)階段還處于初級研究領域，所能參考的數(shù)據量小且都為標準數(shù)據。

隨著“中國制造2025”和工業(yè)4.0 理念的深入，相關企業(yè)和單位越來越關注機械加工的精益性和運行中的穩(wěn)定性。通過以上各種方法，如果能完善LMD 在信號滯后上的不足，依靠其少量的迭代次數(shù)的優(yōu)勢，使其提取出的故障特征通過遷移學習，則能夠縮短分析和識別所消耗的時間，確保較高的精確性。

4 結束語

本文以滾動軸承故障診斷方法為研究對象，分別對小波變換、EMD、LMD 方法進行了分析和研究，并結合現(xiàn)狀提出通過遷移學習來優(yōu)化LMD 信號的發(fā)展趨勢和方向，為機械故障診斷研究提出一種參考和指導。