機(jī)械故障診斷技術(shù)機(jī)遇與挑戰(zhàn)*

陳國(guó)梁，岳 夏，周 超，張春良

（廣州大學(xué)機(jī)械與電氣工程學(xué)院，廣州 510006）

0 引言

機(jī)械故障診斷學(xué)是一種了解和掌握機(jī)器在運(yùn)行過程中的狀態(tài)，確定其整體或局部正?；虍惓＃缙诎l(fā)現(xiàn)故障及其原因，并能預(yù)報(bào)故障發(fā)展趨勢(shì)的技術(shù)。機(jī)械故障診斷學(xué)中的基礎(chǔ)問題可歸納為：故障動(dòng)態(tài)演化機(jī)理研究，系統(tǒng)信號(hào)處理，故障識(shí)別和智能診斷。近年來，隨著科學(xué)技術(shù)的發(fā)展，故障診斷技術(shù)進(jìn)入了新發(fā)展階段，也迎來了發(fā)展黃金期。以風(fēng)力發(fā)電機(jī)組維護(hù)為例，預(yù)計(jì)2024年僅海上風(fēng)電機(jī)組運(yùn)維規(guī)模就將達(dá)到37億元左右，年復(fù)合增長(zhǎng)率達(dá)到50%左右[1]。而這些場(chǎng)合往往環(huán)境惡劣、地處偏遠(yuǎn)，難以采用人工值守的方式，采用遠(yuǎn)程智能診斷更加適合。

通常故障診斷流程可以分為信號(hào)獲取、特征提取以及故障識(shí)別與預(yù)測(cè)3個(gè)環(huán)節(jié)[2]。本文則從診斷技術(shù)側(cè)重的不同，將故障診斷技術(shù)分為4類：實(shí)時(shí)故障診斷、早期故障診斷、智能故障診斷以及5G聯(lián)合數(shù)據(jù)故障診斷。這4類診斷技術(shù)既相互關(guān)聯(lián)又有各自特點(diǎn)。實(shí)時(shí)故障診斷需要在規(guī)定的時(shí)間間隔內(nèi)給出故障診斷的結(jié)果，強(qiáng)調(diào)診斷的高時(shí)效性；早期故障診斷是在預(yù)防性維護(hù)的要求下發(fā)展出來的，強(qiáng)調(diào)復(fù)雜環(huán)境以及噪聲干擾等不利條件下的早期微弱故障精確識(shí)別；智能故障診斷是人工智能和故障診斷相結(jié)合的產(chǎn)物，本文主要是指運(yùn)行人工智能進(jìn)行故障預(yù)測(cè)與健康管理等，構(gòu)建具備學(xué)習(xí)能力和一定綜合決策能力的故障診斷技術(shù)；而5G聯(lián)合數(shù)據(jù)故障診斷則是在最新5G 通訊背景下，利用5G 技術(shù)的低時(shí)延、高速率傳輸特性，有效提升遠(yuǎn)程故障診斷服務(wù)的技術(shù)。

1 實(shí)時(shí)故障診斷

隨著工業(yè)系統(tǒng)過程的復(fù)雜化和現(xiàn)代科學(xué)技術(shù)的迅猛發(fā)展，現(xiàn)代機(jī)械加工已經(jīng)進(jìn)入超高速范圍。在現(xiàn)代高速、高精度的機(jī)械設(shè)備運(yùn)行過程中，實(shí)時(shí)故障診斷顯得更為重要。實(shí)時(shí)性故障診斷需要在很短的時(shí)間內(nèi)完成數(shù)據(jù)采集、特征提取以及故障識(shí)別的工作。由于信息來源的時(shí)間長(zhǎng)度受限，故障特征的穩(wěn)定性較差，也難以采用復(fù)雜的特征提取與識(shí)別算法，從而對(duì)故障診斷技術(shù)提出了苛刻的挑戰(zhàn)。為了解決故障診斷中的實(shí)時(shí)性問題，相關(guān)學(xué)者采用的策略主要是以下兩種：一是針對(duì)集體應(yīng)用改進(jìn)現(xiàn)有的智能算法和模型，提高已有環(huán)節(jié)數(shù)據(jù)處理效率提升診斷方法的實(shí)時(shí)性；二是改進(jìn)或提出新的故障診斷模型或流程，通過替換甚至取消耗時(shí)環(huán)節(jié)實(shí)現(xiàn)實(shí)時(shí)診斷。

Turker[3]構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的電機(jī)實(shí)時(shí)診斷系統(tǒng)。每次診斷采集0.48 s的電機(jī)電流數(shù)據(jù)，通過預(yù)處理并輸入一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。由于取消了獨(dú)立的特征提取環(huán)節(jié)，可以在1 ms 之內(nèi)完成電機(jī)主要故障的識(shí)別，且主要故障的識(shí)別準(zhǔn)確率均大于97%。Cai[4]則采用面向?qū)ο蟮呢惾~斯網(wǎng)絡(luò)，重新設(shè)計(jì)了針對(duì)復(fù)雜系統(tǒng)的故障診斷流程，通過優(yōu)化復(fù)雜工業(yè)系統(tǒng)內(nèi)大量重復(fù)結(jié)構(gòu)在診斷過程中的表達(dá)，實(shí)現(xiàn)了多類故障的實(shí)時(shí)概率估計(jì)，其實(shí)時(shí)診斷方法的核心是信息的有效復(fù)用。沈飛[5]提出一種時(shí)間遷移模型，通過減少當(dāng)前時(shí)刻數(shù)據(jù)使用量，以提升旋轉(zhuǎn)機(jī)械工況發(fā)生變化時(shí)的實(shí)時(shí)故障診斷性能，其診斷模型平均執(zhí)行時(shí)間為1.16 s，基本滿足實(shí)時(shí)診斷需求，其核心思想是歷史數(shù)據(jù)的有效使用。陳科[6]則提出一種基于固定“篩”數(shù)量停止準(zhǔn)則的CEEMD 實(shí)時(shí)軸承智能故障診斷算法，將210個(gè)采樣點(diǎn)的信號(hào)分解效率提升了90 倍。孫淑光[7]則結(jié)合實(shí)際工程經(jīng)驗(yàn)提出一種基于二次差值的改進(jìn)殘差決策算法，避免了多決策門限的復(fù)雜性，在采樣時(shí)間為0.1 s的情況下，故障檢測(cè)所需時(shí)間大約為2 s，大幅降低了故障檢測(cè)時(shí)間。上述方法在保證檢測(cè)準(zhǔn)確性和識(shí)別率的基礎(chǔ)上，改進(jìn)了算法或模型來減少故障診斷的時(shí)間，有效提升了診斷算法實(shí)時(shí)性。這兩種提升診斷算法實(shí)時(shí)性的核心都是特定應(yīng)用中算法的針對(duì)性改良。

可以看出，當(dāng)前研究已從多個(gè)方面著眼提升實(shí)時(shí)診斷效率。但單次完整診斷的執(zhí)行周期依然較長(zhǎng)，還有很大的潛力可挖。

2 早期故障診斷

在機(jī)械故障診斷領(lǐng)域，對(duì)中期、晚期較為明顯的故障已經(jīng)形成了一系列較為成熟的故障檢測(cè)手段，但在工程中總是希望對(duì)故障的發(fā)生和增長(zhǎng)做到防微杜漸。早期故障具有特征不明顯、信噪比低等特點(diǎn)，使得早期故障往往不能夠及時(shí)發(fā)現(xiàn)。

Jia[8]提出了一種基于最大相關(guān)峰度的改進(jìn)譜峰度（SK）方法，在提取滾動(dòng)軸承早期故障上有明顯優(yōu)勢(shì)。冷永剛[9]提出SVD 分量包絡(luò)分析的滾動(dòng)軸承早期故障檢測(cè)方法，可以從原始采集信號(hào)中清晰分離出軸承的早期故障特征。武兵[10]提出了最大相關(guān)峭度反褶積與譜峭度結(jié)合的滾動(dòng)軸承早期故障診斷方法，降低了信號(hào)噪聲，提升了原信號(hào)的峭度，可以準(zhǔn)確有效地診斷滾動(dòng)軸承的早期故障。丁康[11]提出一種基于譜峭度和Morlet 小波的滾動(dòng)軸承微弱故障診斷新方法，能夠有效診斷滾動(dòng)軸承微弱故障。明安波[12]將線性峭度圖方法引入到滾動(dòng)軸承故障特征表征中，更好地抵抗信號(hào)中大幅值異常值和隨機(jī)沖擊的干擾，更有利于提取微弱的軸承故障特征。唐貴基[13]則針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解和局部均值分解問題難以解決的過包絡(luò)、欠包絡(luò)、邊界效應(yīng)等問題，將變分模態(tài)分解VMD（viriational mode decomposition）引入到機(jī)械故障診斷中，通過引入最新信號(hào)處理工具實(shí)現(xiàn)信號(hào)高頻部分的細(xì)化分析，放大軸承早期故障信號(hào)中的微弱特征信息，實(shí)現(xiàn)軸承運(yùn)行狀態(tài)的準(zhǔn)確識(shí)別。以上方法主要通過對(duì)特征提取環(huán)節(jié)進(jìn)行改進(jìn)以實(shí)現(xiàn)早期故障診斷。Li[14]提出一種基于加權(quán)診斷觀測(cè)器的FD 系統(tǒng)，同時(shí)優(yōu)化系統(tǒng)的魯棒性和故障敏感性。該文獻(xiàn)從系統(tǒng)構(gòu)建的角度闡述了提升故障敏感性的方法，具備微弱故障診斷應(yīng)用的潛力。Yu[15]則針對(duì)深度學(xué)習(xí)方法中訓(xùn)練復(fù)雜度高和時(shí)間長(zhǎng)的問題，建立了相應(yīng)的深層信任網(wǎng)絡(luò)模型，有效提升了訓(xùn)練效率和故障診斷精度。Ma[16]提出了一種基于濾波技術(shù)的跟蹤控制多源振動(dòng)仿真方法，使用跟蹤濾波器來準(zhǔn)確估計(jì)多源子頻率分量的幅度和相位，可以實(shí)現(xiàn)最多8 個(gè)子頻率的幅度和相位跟蹤從而實(shí)現(xiàn)多源故障診斷。以上兩篇文獻(xiàn)著重提升診斷識(shí)別精度，對(duì)于微弱故障診斷同樣具備參考價(jià)值。岳夏[17]基于傳感器陣列對(duì)軸承故障相位耦合頻段的聲場(chǎng)進(jìn)行近場(chǎng)聲全息重建，再通過重建面體現(xiàn)的高頻沖擊信號(hào)調(diào)幅特性，通過引入聲陣列信號(hào)實(shí)現(xiàn)微弱故障的識(shí)別。此外，斯凱孚洞悉（SKF InsightTM）軸承將檢測(cè)傳感器內(nèi)置并通過無線網(wǎng)絡(luò)傳輸數(shù)據(jù)，從信號(hào)來源的角度保障了故障特征的有效獲取，同樣也是一種行之有效的方法。

可以看出早期故障診斷的難點(diǎn)更多在于將微弱的故障特征找出來，因此針對(duì)性的特征提取方法依然是其重點(diǎn)。但是早期故障診斷依然面臨著誤報(bào)率較高等問題，通過早期故障機(jī)理揭示典型故障特征的研究還需要進(jìn)一步深入。

3 智能故障診斷

智能故障診斷技術(shù)是一種在知識(shí)層次上，以知識(shí)處理技術(shù)為基礎(chǔ)，實(shí)現(xiàn)辯證邏輯與數(shù)理邏輯的集成、符號(hào)處理與數(shù)值處理的統(tǒng)一、推理過程與算法過程的統(tǒng)一，通過概念和處理方式知識(shí)化，實(shí)現(xiàn)設(shè)備故障診斷的智能化診斷方法，為人們使用智能技術(shù)解決復(fù)雜系統(tǒng)故障問題提供了強(qiáng)有力工具[18]。智能故障診斷已經(jīng)成為故障診斷領(lǐng)域中最活躍的研究之一，本文僅從智能識(shí)別、大數(shù)據(jù)和壽命預(yù)測(cè)3個(gè)方面簡(jiǎn)要闡述。

3.1 智能識(shí)別

華南理工大學(xué)李巍華等[19]提出了基于一種雙層螢火蟲改進(jìn)算法，減小了訓(xùn)練誤差，提升了訓(xùn)練效率、故障識(shí)別率。英國(guó)思克萊德大學(xué)Al-Bugharbee等[20]首先通過奇異譜分析做信號(hào)預(yù)處理，再使用自回歸模型診斷故障，可對(duì)存在的故障進(jìn)行完整和高精度的識(shí)別。袁建虎[21]提出了一種基于小波時(shí)頻圖和卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承智能故障診斷方法，該方法能有效識(shí)別滾動(dòng)軸承的故障類型，改進(jìn)的CNN 具有較強(qiáng)的泛化能力、特征提取和識(shí)別能力。田書[22]提出將改進(jìn)變分模態(tài)分解能量熵與支持向量機(jī)相結(jié)合的斷路器故障診斷新方法，所提方法在少量樣本情況下仍能有效提取斷路器的運(yùn)行狀態(tài)并對(duì)故障進(jìn)行分類。陳超[23]根據(jù)獲取的可用數(shù)據(jù)不足提出一種基于輔助數(shù)據(jù)的增強(qiáng)型最小二乘支持向量機(jī)遷移學(xué)習(xí)策略來診斷數(shù)據(jù)量不足時(shí)的軸承故障診斷，相比傳統(tǒng)機(jī)器學(xué)習(xí)，基于此方法的模型在診斷軸承故障時(shí)性能提升顯著。司景萍[24]將小波包信號(hào)處理技術(shù)與模糊神經(jīng)網(wǎng)絡(luò)結(jié)合，研究了基于模糊神經(jīng)網(wǎng)絡(luò)的智能故障診斷專家系統(tǒng)。劉建強(qiáng)[25]提出了一種基于小波包分解和集合經(jīng)驗(yàn)?zāi)B(tài)分解的列車轉(zhuǎn)向架軸承智能故障診斷方法，能夠充分提取故障特征，準(zhǔn)確識(shí)別軸承故障。曲建嶺[26]提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承自適應(yīng)故障診斷算法，軸承數(shù)據(jù)庫(kù)實(shí)驗(yàn)表明算法能夠?qū)崿F(xiàn)高達(dá)99%以上的故障識(shí)別準(zhǔn)確率。李奕江[27]基于VMD-HMM的滾動(dòng)軸承磨損狀態(tài)識(shí)別方法，對(duì)滾動(dòng)軸承磨損狀態(tài)識(shí)別率較高。Rajeevan[28]將無監(jiān)督學(xué)習(xí)和認(rèn)知建模相結(jié)合，有效地檢測(cè)、分類診斷中已知和未知故障。Wang[29]提出了一種基于甲殼蟲天線搜索的支持向量機(jī)（BAS-SVM）的風(fēng)電機(jī)組滾動(dòng)軸承智能故障診斷方法，識(shí)別準(zhǔn)確率達(dá)100%。張?chǎng)蝃30]提出了基于拉普拉斯特征映射和深度置信網(wǎng)絡(luò)的半監(jiān)督故障識(shí)別，增強(qiáng)了特征提取的智能性，提高了分類精度。胡蔦慶[31]提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和深度卷積神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法，準(zhǔn)確、有效地對(duì)行星齒輪箱的工作狀態(tài)和故障類型進(jìn)行分類。

3.2 大數(shù)據(jù)智能診斷

Jia[32]提出一種利用頻譜對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的旋轉(zhuǎn)機(jī)械故障診斷方法。該方法能夠自適應(yīng)地從滾動(dòng)軸承和行星齒輪箱的大量樣本中提取故障特征，提高了診斷精度，對(duì)基于大數(shù)據(jù)的故障診斷具備指導(dǎo)意義。胡軍[33]提出了基于大數(shù)據(jù)挖掘技術(shù)的設(shè)備故障診斷方法，能夠有效挖掘出設(shè)備狀態(tài)記錄數(shù)據(jù)內(nèi)在規(guī)律，實(shí)現(xiàn)具有數(shù)據(jù)自適應(yīng)性、更加準(zhǔn)確的設(shè)備故障診斷。Melis[34]提出了基于數(shù)據(jù)驅(qū)動(dòng)的間歇過程監(jiān)控框架，在大數(shù)據(jù)環(huán)境下進(jìn)行在線故障監(jiān)測(cè)與診斷，具有優(yōu)良性能。Wu[35]在大數(shù)據(jù)環(huán)境下將機(jī)器學(xué)習(xí)算法應(yīng)用于數(shù)據(jù)挖掘階段，采用混合智能算法，有效地提高了監(jiān)測(cè)診斷的靈敏度、魯棒性和準(zhǔn)確性。

3.3 壽命預(yù)測(cè)

Li[36]針對(duì)系統(tǒng)預(yù)測(cè)和健康管理上利用模型預(yù)測(cè)剩余使用壽命中精準(zhǔn)模型不可用的問題，提出了一種新的基于數(shù)據(jù)驅(qū)動(dòng)的深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，將采取的原始數(shù)據(jù)作為輸入，避免了直接利用專業(yè)知識(shí)進(jìn)行預(yù)測(cè)，有效提高了預(yù)測(cè)精度。Xu[37]等基于預(yù)先分好的5個(gè)軸承壽命等級(jí)，從振動(dòng)和聲發(fā)射中提取的時(shí)域特征，提出了一種基于可延長(zhǎng)使用壽命的軸承狀態(tài)連續(xù)監(jiān)測(cè)和狀態(tài)分類的混合模型。西安交通大學(xué)雷亞國(guó)等[38]提出自適應(yīng)多核組合的相關(guān)向量機(jī)預(yù)測(cè)方法，并應(yīng)用于機(jī)械剩余壽命預(yù)測(cè)。Jiao[39]提出了一種新的多故障模式下的故障監(jiān)測(cè)與剩余使用壽命預(yù)測(cè)框架，通過監(jiān)測(cè)故障的發(fā)展趨勢(shì)、預(yù)測(cè)和識(shí)別多故障下的故障模式來進(jìn)一步估計(jì)剩余使用壽命。一種隱半馬爾可夫模型方法被用于直升機(jī)主變速箱行星齒輪架疲勞裂紋的故障診斷和剩余使用壽命預(yù)測(cè)，提高了診斷準(zhǔn)確性[40]。

智能故障診斷融合了計(jì)算機(jī)領(lǐng)域的最新成果。尤其是大數(shù)據(jù)的引入，極大地降低了故障診斷的實(shí)施難度，拓展了系統(tǒng)的使用范圍，具備非常好的發(fā)展?jié)摿?。但是在故障診斷系統(tǒng)的可解釋性、可拓展性等方面，智能故障診斷仍需加強(qiáng)。

4 5G聯(lián)合數(shù)據(jù)故障診斷

第五代移動(dòng)通信系統(tǒng)5G已經(jīng)開始普及應(yīng)用。5G網(wǎng)絡(luò)的數(shù)據(jù)傳輸速率遠(yuǎn)遠(yuǎn)高于以前的蜂窩網(wǎng)絡(luò)，最高可達(dá)10 Gbit/s，同時(shí)網(wǎng)絡(luò)延遲低于1 ms，而4G 為30～70 ms。在實(shí)際故障診斷中，5G技術(shù)為遠(yuǎn)程故障診斷提供了新的平臺(tái)。

Hu[41]討論了應(yīng)用5G網(wǎng)絡(luò)技術(shù)運(yùn)行遠(yuǎn)程故障診斷時(shí)可能出現(xiàn)的性能不足問題，針對(duì)此提出了通信邊緣計(jì)算環(huán)路及系統(tǒng)模型用于評(píng)估診斷程序的效率，有助于5G技術(shù)在故障診斷領(lǐng)域的應(yīng)用。Pablo[42]為了應(yīng)付5G挑戰(zhàn)下的服務(wù)終端大數(shù)量下的管理復(fù)雜度問題，提出了一種基于網(wǎng)絡(luò)數(shù)據(jù)分析的自愈方法用于故障診斷領(lǐng)域，有助于降低診斷錯(cuò)誤率。趙峰[43]探討了基于5G技術(shù)的智能車間故障預(yù)測(cè)與健康管理系統(tǒng)，研究表明該系統(tǒng)降低了智能車間維修和維護(hù)成本，提高設(shè)備、系統(tǒng)的使用生命周期。

5G聯(lián)合數(shù)據(jù)故障診斷的應(yīng)用目前依然在起步階段。但是其高效的傳輸性能無疑使得采用陣列信號(hào)、多模態(tài)信號(hào)的遠(yuǎn)程實(shí)時(shí)故障診斷成為可能。5G聯(lián)合數(shù)據(jù)故障診斷與云服務(wù)有望催生出中國(guó)自己的專業(yè)化、規(guī)?；墓收显\斷服務(wù)企業(yè)。

5 故障診斷的新機(jī)遇與挑戰(zhàn)

隨著制造強(qiáng)國(guó)戰(zhàn)略與智能制造的提出，故障診斷正面臨著前所未有的機(jī)遇。但是也要清醒地認(rèn)識(shí)到，已有研究距離智能制造的實(shí)際需求仍有一定距離。如何融入制造強(qiáng)國(guó)戰(zhàn)略解決行業(yè)實(shí)際需求，給現(xiàn)有的智能故障診斷理論與方法帶來了新的挑戰(zhàn)。

（1）現(xiàn)有研究大部分針對(duì)的是較為簡(jiǎn)單的環(huán)節(jié)與系統(tǒng)。現(xiàn)代制造設(shè)備復(fù)雜多樣、信號(hào)源多、類型差異大、耦合性強(qiáng)、動(dòng)力學(xué)建模困難、非線性強(qiáng)，同時(shí)還存在較強(qiáng)的不確定性干擾。如何應(yīng)對(duì)這些問題，需要故障診斷基礎(chǔ)理論方面進(jìn)一步深入研究。

（2）大數(shù)據(jù)與智能故障診斷是故障診斷未來的發(fā)展趨勢(shì)，但是并不意味著數(shù)據(jù)或者智能診斷方法是自我獨(dú)立的。如何將動(dòng)力學(xué)、特征提取、數(shù)據(jù)挖掘、智能識(shí)別等有機(jī)結(jié)合，消除各環(huán)節(jié)之間的孤島效應(yīng)，實(shí)現(xiàn)數(shù)據(jù)與診斷過程的可解釋性，是未來的重要挑戰(zhàn)。

（3）故障診斷技術(shù)應(yīng)當(dāng)融入智能制造的進(jìn)程，以開放、包容的心態(tài)主動(dòng)引入新信號(hào)、新方法、新技術(shù)。尤其故障診斷長(zhǎng)期被認(rèn)為是一種減少損失而不是增加企業(yè)效益的技術(shù)，這一點(diǎn)已經(jīng)成為了阻礙故障診斷發(fā)展的重要原因。如何在智能制造體系中，探索高保真模型、數(shù)字孿生等體系下運(yùn)用故障診斷技術(shù)參與優(yōu)化決策與控制，提升企業(yè)生產(chǎn)效益，同樣值得深入研究。

（4）現(xiàn)有研究大部分都針對(duì)通用故障診斷理論與方法，考慮實(shí)際需求的相對(duì)較少。因此，故障診斷研究需要適當(dāng)突出實(shí)際應(yīng)用的背景與特色，走入企業(yè)進(jìn)一步經(jīng)受實(shí)踐檢驗(yàn)。

6 結(jié)束語

故障診斷技術(shù)研究從20世紀(jì)50年代開始，已經(jīng)取得了很大進(jìn)展。隨著智能制造的發(fā)展，可以說故障診斷已經(jīng)進(jìn)入了關(guān)鍵的機(jī)遇期。如何針對(duì)產(chǎn)品具體需求，切實(shí)提升企業(yè)產(chǎn)品的智能化水平；如何利用大數(shù)據(jù)，針對(duì)行業(yè)提供專業(yè)化、規(guī)模化服務(wù)，將是故障診斷未來的發(fā)展方向。故障診斷理論、技術(shù)及其實(shí)際應(yīng)用方興未艾，還需要進(jìn)一步地深入探索。