韋洪新

（景德鎮(zhèn)學(xué)院，景德鎮(zhèn) 333000）

設(shè)備故障診斷技術(shù)的發(fā)展與設(shè)備維修方式緊密相連，從時(shí)間上算，故障診斷技術(shù)大致經(jīng)歷了三個(gè)發(fā)展階段：20世紀(jì)60年代以前，依賴于人的經(jīng)驗(yàn)來(lái)判斷故障發(fā)生部位的人工檢測(cè)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(jì)算機(jī)檢測(cè)技術(shù)；80年代以后，以信息處理技術(shù)為基礎(chǔ)的傳統(tǒng)設(shè)備故障診斷技術(shù)向智能化方向發(fā)展，使這項(xiàng)技術(shù)逐漸成熟[1].

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

滾動(dòng)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(hào)往往是非平穩(wěn)、非線性信號(hào).振動(dòng)信號(hào)法相比于前面幾種方法具有測(cè)量精度高，響應(yīng)快，可靠性好的特點(diǎn).分析非線性的隨機(jī)信號(hào)最常用的方法是時(shí)域和頻域分析法，由于只采用一種分析方法難以到達(dá)分析結(jié)果，近年來(lái)研究專家普遍采用時(shí)域和頻域的有機(jī)結(jié)合，能有效避免單一性產(chǎn)生的誤差[4].信號(hào)處理和故障特征提取的方法有短時(shí)傅里葉變換（Short Time Fourier Transform，STFT）[5-7]、經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）[8]、經(jīng)驗(yàn)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(gè)方面予以綜述，在此基礎(chǔ)上，對(duì)故障診斷未來(lái)的發(fā)展進(jìn)行了總結(jié)與展望.

1 滾動(dòng)軸承故障診斷基本理論

1.1 短時(shí)傅里葉變換

1.2 經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解方法的特點(diǎn)：對(duì)復(fù)雜信號(hào)進(jìn)行“篩選”，能夠精確地做出時(shí)頻圖，具有明顯的優(yōu)勢(shì)，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(dǎo)致結(jié)果無(wú)法準(zhǔn)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(diǎn)效應(yīng)和樣本選擇問(wèn)題，IMF結(jié)果受強(qiáng)噪聲的影響較大，這些問(wèn)題對(duì)EMD方法的使用造成了一定影響[12].

1.3 經(jīng)驗(yàn)小波變換

經(jīng)驗(yàn)小波變換的特點(diǎn)：信號(hào)的處理具有自適應(yīng)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(duì)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(hào)帶寬需要人為設(shè)定，對(duì)信號(hào)細(xì)節(jié)分析不方便.

1.4 其他信號(hào)處理方法

1）盲源分離.盲源分離是指當(dāng)輸入信號(hào)未知時(shí)，辨識(shí)系統(tǒng)的選擇取決于輸出信號(hào)，通過(guò)對(duì)多個(gè)信號(hào)的分離來(lái)恢復(fù)原始信號(hào)源，屬于逆向性思維的一種形式[13].基于神經(jīng)網(wǎng)絡(luò)的方法屬于盲源分離.盲源分離的特點(diǎn)：具有很好的消噪作用，但在滾動(dòng)軸承處于惡劣工作環(huán)境時(shí)，如果信號(hào)源個(gè)數(shù)未知且動(dòng)態(tài)變化時(shí)，混合矩陣和分離矩陣的大小就無(wú)法確定，最終影響信號(hào)源的分離.

2）高階統(tǒng)計(jì)量.高階統(tǒng)計(jì)量（HOS）是大于二階統(tǒng)計(jì)量的高階矩、高階累積量以及它們所對(duì)應(yīng)的高階譜等主要統(tǒng)計(jì)量，是一種基于數(shù)學(xué)公式的應(yīng)用方法[14].高階統(tǒng)計(jì)量的特點(diǎn)：目前對(duì)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(duì)高階次（N≥5）的維數(shù)研究和應(yīng)用仍存在困難.

除上述幾種常用的信號(hào)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(dòng)軸承信號(hào)分析中的應(yīng)用較少，故在此不做詳細(xì)介紹.

2 滾動(dòng)軸承故障診斷研究進(jìn)展

滾動(dòng)軸承的信號(hào)處理方法都存在各自的優(yōu)缺點(diǎn)，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(jìn)展.

2.1 STFT研究進(jìn)展

短時(shí)傅里葉變換信號(hào)的提取受窗函數(shù)影響較大，對(duì)于快速變化的振動(dòng)信號(hào)窗函數(shù)的選擇不能隨信號(hào)的變化而變化.基于這種缺點(diǎn)，西南交大的陳侃等[15]首先對(duì)滾動(dòng)軸承的原始信號(hào)進(jìn)行傳統(tǒng)傅里葉變換，然后進(jìn)行倒譜分析，此方法能較好的反映信號(hào)突變，并對(duì)故障信息進(jìn)行有效監(jiān)測(cè).同濟(jì)大學(xué)的李恒等[16]將STFT和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過(guò)模擬實(shí)驗(yàn)驗(yàn)證了其方法的有效性，該方法識(shí)別精度較高，適用于大數(shù)據(jù)處理，實(shí)現(xiàn)了端到端的模式識(shí)別.Rajiv Kumar Vashisht等[17]提出了一種基于振動(dòng)主動(dòng)控制和短時(shí)傅立葉變換相結(jié)合的開(kāi)關(guān)控制策略，該技術(shù)有利檢測(cè)滾動(dòng)軸承上小裂紋的存在.

2.2 EMD研究進(jìn)展

張永建等[18]利用Robert Hecht-Nielsen[19]證明的BP網(wǎng)絡(luò)和函數(shù)之間的關(guān)系將BP網(wǎng)絡(luò)和EMD方法相結(jié)合，該方法提高了滾動(dòng)軸承故障診斷的分類，但也存在網(wǎng)絡(luò)訓(xùn)練周期較長(zhǎng)，識(shí)別率低的缺點(diǎn).針對(duì)此問(wèn)題，陳皓[20]對(duì)小波包-BP、小波包-RBF、EMD-BP、EMD-RBF四種故障診斷類型進(jìn)行了分析，通過(guò)實(shí)驗(yàn)和研究表明，基于經(jīng)驗(yàn)?zāi)B(tài)分解EMD-RBF神經(jīng)網(wǎng)絡(luò)具有較好的優(yōu)勢(shì).在此基礎(chǔ)上，田峰等[21]利用EMD方法對(duì)檢測(cè)到的振動(dòng)信號(hào)進(jìn)行模式分解，通過(guò)Hilbert變換提取特征并送入徑向基（RBF）神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)比和分析，判斷滾動(dòng)軸承的工況.整個(gè)過(guò)程中，提高了軸承故障診斷的速度和準(zhǔn)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(hào)進(jìn)行盲源分離，然后進(jìn)行局部細(xì)化的Hilbert包絡(luò)譜分析.研究證明，該方法有利于提高系統(tǒng)的故障信號(hào)特征，提高診斷的準(zhǔn)確性.由于該方法需要人為尋峰，所以時(shí)效性難以保證.何廣堅(jiān)等[23-24]將EMD和支持向量機(jī)（support vector machine，SVM）相結(jié)合，該方法有利于獲取大量故障樣本，準(zhǔn)確識(shí)別滾動(dòng)軸承的工作狀態(tài).徐可等[25-27]為消除EMD的端點(diǎn)效應(yīng)將SVM優(yōu)化，通過(guò)離線模型輸出結(jié)果，并通過(guò)Benchmark數(shù)據(jù)對(duì)該方法進(jìn)行了有效性驗(yàn)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(diǎn)，該方法提高了機(jī)器故障特征提取的適應(yīng)能力和穩(wěn)定性.

由于滾動(dòng)軸承振動(dòng)信號(hào)易被其它噪聲信號(hào)源屏蔽，Rabah Abdelkader等[29]利用峰度、包絡(luò)譜等指標(biāo)提取有用的故障信號(hào)，該方法對(duì)滾動(dòng)軸承早期的故障檢測(cè)和診斷更敏感.Mohamed Zair[30]等提出一種滾動(dòng)軸承多故障診斷的新方法，將主成分分析、經(jīng)驗(yàn)?zāi)B(tài)分解的模糊熵和自組織映射神經(jīng)網(wǎng)絡(luò)相結(jié)合，該方法能夠正確評(píng)估滾動(dòng)軸承的劣化程度和對(duì)故障進(jìn)行高靈敏度缺陷識(shí)別.針對(duì)過(guò)去復(fù)雜、計(jì)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(shí)域診斷方法，通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解得到具有代表性的Hjorth參數(shù)，可以有效地作為滾動(dòng)軸承故障診斷的故障敏感特征.

2.3 EWT研究進(jìn)展

小波變換無(wú)法準(zhǔn)確描述時(shí)頻特性，針對(duì)小波變換的不足，許多科研人員都對(duì)傳統(tǒng)的小波變換進(jìn)行了改進(jìn).鄭近德等[32]提出了改進(jìn)經(jīng)驗(yàn)小波變換（EEWT），將振動(dòng)信號(hào)分解為單分量成分，通過(guò)包絡(luò)譜結(jié)構(gòu)清晰的發(fā)現(xiàn)故障特征.但存在需要對(duì)每一個(gè)IMF進(jìn)行解調(diào)，瞬時(shí)特征信息受其影響較大.劉自然等[33]通過(guò)包絡(luò)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(cè)信號(hào)的最佳模態(tài)分解數(shù)，使信號(hào)的頻譜分割變得容易、可靠.

在故障診斷中，噪聲的強(qiáng)弱也是影響診斷結(jié)果的重要因素之一.針對(duì)這一問(wèn)題，張文義等[34]提出信號(hào)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(guò)幅值頻譜進(jìn)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(fù)矩陣和支持向量機(jī)結(jié)合進(jìn)行綜合分析.鄧飛躍等[36]利用水循環(huán)優(yōu)化算法（WCA），對(duì)照諧波噪聲比，確定滑動(dòng)頻率窗的位置，該方法有利于微弱信號(hào)的處理.王濤等[37]針對(duì)故障特征提取困難的情況，通過(guò)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(duì)分量重構(gòu)，最后進(jìn)行包絡(luò)譜分析.該方法對(duì)軸承維修和監(jiān)測(cè)提供了可靠信息.

由于滾動(dòng)軸承部件在不同的運(yùn)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(yù)測(cè)滾動(dòng)軸承外圈的未來(lái)缺陷尺寸.針對(duì)不同的故障類型和嚴(yán)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(hào)噪聲對(duì)分類結(jié)果的影響.多數(shù)研究論文為滾動(dòng)軸承的實(shí)時(shí)監(jiān)測(cè)，但對(duì)故障類型預(yù)測(cè)的研究不多，Arun R.Pathiran等[40]基于小波分解、自適應(yīng)神經(jīng)網(wǎng)絡(luò)、主成分分析和支持向量機(jī)，結(jié)果表明該方法能準(zhǔn)確預(yù)測(cè)滾動(dòng)軸承故障類型.由于軸承早期振動(dòng)信號(hào)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(jí)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(xué)的進(jìn)步，世界上主要的發(fā)達(dá)國(guó)家，如美國(guó)、德國(guó)、日本等均對(duì)振動(dòng)信號(hào)方法進(jìn)行了深入研究；國(guó)內(nèi)一些科研院校，如中國(guó)科學(xué)院、哈爾濱工業(yè)大學(xué)、浙江大學(xué)等也開(kāi)展了該領(lǐng)域的研究，從目前研究現(xiàn)狀來(lái)看，振動(dòng)信號(hào)的處理方法在理論及實(shí)驗(yàn)方面都取得了相應(yīng)的進(jìn)展.如在滾動(dòng)軸承故障診斷的精度和穩(wěn)定性、故障信號(hào)和正常信號(hào)的分離處理、端到端的模式識(shí)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(diǎn)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(jìn)行相應(yīng)分析.離散點(diǎn)的取值和設(shè)置窗口的大小是判斷故障診斷信號(hào)的關(guān)鍵.對(duì)于較強(qiáng)非平穩(wěn)性信號(hào)和信噪比較低的滾動(dòng)軸承振動(dòng)信號(hào)依然是未來(lái)研究的難題之一.

2）國(guó)內(nèi)外研究團(tuán)隊(duì)和科研人員對(duì)不同方法進(jìn)行了完善，并取得一定成果.針對(duì)滾動(dòng)軸承的研究，將EMD與BP網(wǎng)絡(luò)等其他分析相結(jié)合，STFT與神經(jīng)網(wǎng)絡(luò)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(shí)間驗(yàn)證的不足，許多地方需要進(jìn)一步完善.

3）多學(xué)科交叉對(duì)研究故障診斷信號(hào)提供有益的指導(dǎo)，是未來(lái)研究故障診斷的一種趨勢(shì).一個(gè)故障表現(xiàn)多個(gè)故障信息，一個(gè)特征信息包含在幾種狀態(tài)信息中.盡可能多的調(diào)動(dòng)診斷、測(cè)試方法，從而全面分析、判斷，有利于提高診斷結(jié)論的準(zhǔn)確性.

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