滾動軸承故障診斷研究方法及進展

韋洪新

（景德鎮(zhèn)學院，景德鎮(zhèn) 333000）

設備故障診斷技術(shù)的發(fā)展與設備維修方式緊密相連，從時間上算，故障診斷技術(shù)大致經(jīng)歷了三個發(fā)展階段：20世紀60年代以前，依賴于人的經(jīng)驗來判斷故障發(fā)生部位的人工檢測階段，從事后維修和定期維修到定期檢查，視狀態(tài)維修的發(fā)展；60年代-80年代之間，傳統(tǒng)的計算機檢測技術(shù)；80年代以后，以信息處理技術(shù)為基礎的傳統(tǒng)設備故障診斷技術(shù)向智能化方向發(fā)展，使這項技術(shù)逐漸成熟[1].

滾動軸承由于摩損小，結(jié)構(gòu)緊湊，轉(zhuǎn)速高，使用壽命長等優(yōu)點，在工業(yè)生產(chǎn)中得到了廣泛的應用.滾動軸承在使用的過程中會產(chǎn)生故障，由于受到強烈噪聲的影響，其微弱的故障特征往往被淹沒[2].如何準確判斷滾動軸承疲勞的損傷程度和破壞類型一直是科學研究的重點和難點，也是熱點之一[3].滾動軸承按照測量性質(zhì)的不同可分為油樣法，溫度法，聲波法和振動信號法.

滾動軸承故障產(chǎn)生的原因，往往受到多種因素的影響，其產(chǎn)生的信號往往是非平穩(wěn)、非線性信號.振動信號法相比于前面幾種方法具有測量精度高，響應快，可靠性好的特點.分析非線性的隨機信號最常用的方法是時域和頻域分析法，由于只采用一種分析方法難以到達分析結(jié)果，近年來研究專家普遍采用時域和頻域的有機結(jié)合，能有效避免單一性產(chǎn)生的誤差[4].信號處理和故障特征提取的方法有短時傅里葉變換（Short Time Fourier Transform，STFT）[5-7]、經(jīng)驗模態(tài)分解（Empirical Mode Decomposition，EMD）[8]、經(jīng)驗小波變換（Empirical Wavelet Transform，EWT）[9]等.本文從這幾種方法的發(fā)展歷程，基本理論，現(xiàn)階段各方法研究等幾個方面予以綜述，在此基礎上，對故障診斷未來的發(fā)展進行了總結(jié)與展望.

1 滾動軸承故障診斷基本理論

1.1 短時傅里葉變換

1.2 經(jīng)驗模態(tài)分解

經(jīng)驗模態(tài)分解方法的特點：對復雜信號進行“篩選”，能夠精確地做出時頻圖，具有明顯的優(yōu)勢，但所求IMF分量的選擇要具有良好的穩(wěn)定性和線性特征，完備并且正交；由于低頻易產(chǎn)生不相關(guān)的模態(tài)函數(shù)，導致結(jié)果無法準確解釋，本征的模態(tài)函數(shù)將函數(shù)離散化，存在一定的端點效應和樣本選擇問題，IMF結(jié)果受強噪聲的影響較大，這些問題對EMD方法的使用造成了一定影響[12].

1.3 經(jīng)驗小波變換

經(jīng)驗小波變換的特點：信號的處理具有自適應性、多分辨率的特性，更直觀形象，診斷效果明顯.但模態(tài)函數(shù)的提取對特征提取的影響較大，且工作環(huán)境變化比較大的情況下信號帶寬需要人為設定，對信號細節(jié)分析不方便.

1.4 其他信號處理方法

1）盲源分離.盲源分離是指當輸入信號未知時，辨識系統(tǒng)的選擇取決于輸出信號，通過對多個信號的分離來恢復原始信號源，屬于逆向性思維的一種形式[13].基于神經(jīng)網(wǎng)絡的方法屬于盲源分離.盲源分離的特點：具有很好的消噪作用，但在滾動軸承處于惡劣工作環(huán)境時，如果信號源個數(shù)未知且動態(tài)變化時，混合矩陣和分離矩陣的大小就無法確定，最終影響信號源的分離.

2）高階統(tǒng)計量.高階統(tǒng)計量（HOS）是大于二階統(tǒng)計量的高階矩、高階累積量以及它們所對應的高階譜等主要統(tǒng)計量，是一種基于數(shù)學公式的應用方法[14].高階統(tǒng)計量的特點：目前對低階次（N=2，3，4）的HOS研究可以處理任何平穩(wěn)噪聲的影響，但對高階次（N≥5）的維數(shù)研究和應用仍存在困難.

除上述幾種常用的信號處理方法外，還包括現(xiàn)代方法中的譜分析、Wigner-Ville分布，傳統(tǒng)方法中的相關(guān)分析等，但這幾種方法在滾動軸承信號分析中的應用較少，故在此不做詳細介紹.

2 滾動軸承故障診斷研究進展

滾動軸承的信號處理方法都存在各自的優(yōu)缺點，相關(guān)研究人員基于前期理論并結(jié)合相關(guān)研究方法取得較好的研究進展.

2.1 STFT研究進展

短時傅里葉變換信號的提取受窗函數(shù)影響較大，對于快速變化的振動信號窗函數(shù)的選擇不能隨信號的變化而變化.基于這種缺點，西南交大的陳侃等[15]首先對滾動軸承的原始信號進行傳統(tǒng)傅里葉變換，然后進行倒譜分析，此方法能較好的反映信號突變，并對故障信息進行有效監(jiān)測.同濟大學的李恒等[16]將STFT和卷積神經(jīng)網(wǎng)絡相結(jié)合，通過模擬實驗驗證了其方法的有效性，該方法識別精度較高，適用于大數(shù)據(jù)處理，實現(xiàn)了端到端的模式識別.Rajiv Kumar Vashisht等[17]提出了一種基于振動主動控制和短時傅立葉變換相結(jié)合的開關(guān)控制策略，該技術(shù)有利檢測滾動軸承上小裂紋的存在.

2.2 EMD研究進展

張永建等[18]利用Robert Hecht-Nielsen[19]證明的BP網(wǎng)絡和函數(shù)之間的關(guān)系將BP網(wǎng)絡和EMD方法相結(jié)合，該方法提高了滾動軸承故障診斷的分類，但也存在網(wǎng)絡訓練周期較長，識別率低的缺點.針對此問題，陳皓[20]對小波包-BP、小波包-RBF、EMD-BP、EMD-RBF四種故障診斷類型進行了分析，通過實驗和研究表明，基于經(jīng)驗模態(tài)分解EMD-RBF神經(jīng)網(wǎng)絡具有較好的優(yōu)勢.在此基礎上，田峰等[21]利用EMD方法對檢測到的振動信號進行模式分解，通過Hilbert變換提取特征并送入徑向基（RBF）神經(jīng)網(wǎng)絡，通過對比和分析，判斷滾動軸承的工況.整個過程中，提高了軸承故障診斷的速度和準確率.

安曉紅等[22]將Gabor變換和EMD方法相結(jié)合，首先將原始未知混合信號進行盲源分離，然后進行局部細化的Hilbert包絡譜分析.研究證明，該方法有利于提高系統(tǒng)的故障信號特征，提高診斷的準確性.由于該方法需要人為尋峰，所以時效性難以保證.何廣堅等[23-24]將EMD和支持向量機（support vector machine，SVM）相結(jié)合，該方法有利于獲取大量故障樣本，準確識別滾動軸承的工作狀態(tài).徐可等[25-27]為消除EMD的端點效應將SVM優(yōu)化，通過離線模型輸出結(jié)果，并通過Benchmark數(shù)據(jù)對該方法進行了有效性驗證.于青民等[28]利用EMD方法用箱內(nèi)數(shù)據(jù)均值代替箱體數(shù)據(jù)，濾除了特征向量的異常點，該方法提高了機器故障特征提取的適應能力和穩(wěn)定性.

由于滾動軸承振動信號易被其它噪聲信號源屏蔽，Rabah Abdelkader等[29]利用峰度、包絡譜等指標提取有用的故障信號，該方法對滾動軸承早期的故障檢測和診斷更敏感.Mohamed Zair[30]等提出一種滾動軸承多故障診斷的新方法，將主成分分析、經(jīng)驗模態(tài)分解的模糊熵和自組織映射神經(jīng)網(wǎng)絡相結(jié)合，該方法能夠正確評估滾動軸承的劣化程度和對故障進行高靈敏度缺陷識別.針對過去復雜、計算量大的故障診斷方案，Chhaya Grover[31]等提出一種基于Hjorth參數(shù)的軸承故障時域診斷方法，通過經(jīng)驗模態(tài)分解得到具有代表性的Hjorth參數(shù)，可以有效地作為滾動軸承故障診斷的故障敏感特征.

2.3 EWT研究進展

小波變換無法準確描述時頻特性，針對小波變換的不足，許多科研人員都對傳統(tǒng)的小波變換進行了改進.鄭近德等[32]提出了改進經(jīng)驗小波變換（EEWT），將振動信號分解為單分量成分，通過包絡譜結(jié)構(gòu)清晰的發(fā)現(xiàn)故障特征.但存在需要對每一個IMF進行解調(diào)，瞬時特征信息受其影響較大.劉自然等[33]通過包絡分析確定小波變換的模態(tài)數(shù)和頻率邊界，該方法能夠檢測信號的最佳模態(tài)分解數(shù)，使信號的頻譜分割變得容易、可靠.

在故障診斷中，噪聲的強弱也是影響診斷結(jié)果的重要因素之一.針對這一問題，張文義等[34]提出信號共振分量的能量算子解調(diào)方法，將特征幅值和沖擊脈沖分離，通過幅值頻譜進行分析.何俊等[35]提出一種基于同步壓縮小波變換的方法，采用非負矩陣和支持向量機結(jié)合進行綜合分析.鄧飛躍等[36]利用水循環(huán)優(yōu)化算法（WCA），對照諧波噪聲比，確定滑動頻率窗的位置，該方法有利于微弱信號的處理.王濤等[37]針對故障特征提取困難的情況，通過峭度值篩選出EWT變換得的固有模態(tài)分量，采用逆變換的方式對分量重構(gòu)，最后進行包絡譜分析.該方法對軸承維修和監(jiān)測提供了可靠信息.

由于滾動軸承部件在不同的運行速度和載荷下存在局部缺陷，F(xiàn)arzad Hemmati等[38]優(yōu)化峰度和模糊熵之比，結(jié)果可有效預測滾動軸承外圈的未來缺陷尺寸.針對不同的故障類型和嚴重程度，Seyed Majid Yadavar Nikravesh等[39]提出了一種小波包分解和不同頻帶能量分析的新方法，降低了信號噪聲對分類結(jié)果的影響.多數(shù)研究論文為滾動軸承的實時監(jiān)測，但對故障類型預測的研究不多，Arun R.Pathiran等[40]基于小波分解、自適應神經(jīng)網(wǎng)絡、主成分分析和支持向量機，結(jié)果表明該方法能準確預測滾動軸承故障類型.由于軸承早期振動信號微弱，Shruti Sachan等[41]提出了一種基于零頻濾波和小波變換的兩級去噪算法，有助于提取隱藏在輸出中的脈沖信息.

3 分析與結(jié)論

隨著現(xiàn)代科學的進步，世界上主要的發(fā)達國家，如美國、德國、日本等均對振動信號方法進行了深入研究；國內(nèi)一些科研院校，如中國科學院、哈爾濱工業(yè)大學、浙江大學等也開展了該領(lǐng)域的研究，從目前研究現(xiàn)狀來看，振動信號的處理方法在理論及實驗方面都取得了相應的進展.如在滾動軸承故障診斷的精度和穩(wěn)定性、故障信號和正常信號的分離處理、端到端的模式識別等方面都有所突破.但故障診斷技術(shù)并未完全成熟，因此基于前面的內(nèi)容，做以下幾點分析與展望：

1）現(xiàn)代研究方法雖然具體函數(shù)構(gòu)造不同，但思路方法一致，將連續(xù)函數(shù)離散化，并進行相應分析.離散點的取值和設置窗口的大小是判斷故障診斷信號的關(guān)鍵.對于較強非平穩(wěn)性信號和信噪比較低的滾動軸承振動信號依然是未來研究的難題之一.

2）國內(nèi)外研究團隊和科研人員對不同方法進行了完善，并取得一定成果.針對滾動軸承的研究，將EMD與BP網(wǎng)絡等其他分析相結(jié)合，STFT與神經(jīng)網(wǎng)絡相結(jié)合、EWT與SVM相結(jié)合、盲源分離與HHT相結(jié)合等.但由于理論和算法加之時間驗證的不足，許多地方需要進一步完善.

3）多學科交叉對研究故障診斷信號提供有益的指導，是未來研究故障診斷的一種趨勢.一個故障表現(xiàn)多個故障信息，一個特征信息包含在幾種狀態(tài)信息中.盡可能多的調(diào)動診斷、測試方法，從而全面分析、判斷，有利于提高診斷結(jié)論的準確性.

4）由于現(xiàn)代故障診斷處理方法研究時間較短，多數(shù)研究處于理論研究和模擬分析，與實際情況信號的復雜性和隨機性還有一定差距，需要時間的積累.