陳志新 張曉鵬 左 苗 楊 萍

?

基于信號處理的故障診斷研究現(xiàn)狀及存在問題

陳志新1張曉鵬2左 苗2楊 萍2

（1. 北京物資學(xué)院，北京 101149；2. 中國空間技術(shù)研究院，北京 100094）

分析了基于信號處理的故障診斷的國內(nèi)外研究現(xiàn)狀，包括：非平穩(wěn)非線性多分量信號分析、非高斯噪聲和強(qiáng)背景噪聲問題、微小漸變故障早期診斷與演化跟蹤等三個方面。進(jìn)而指出在當(dāng)前該領(lǐng)域中存在的問題，并給出了一些今后值得研究的建議。

故障診斷；經(jīng)驗(yàn)小波變換；降噪；信號處理

1 引言

設(shè)備的某些關(guān)鍵部件，一旦發(fā)生故障，會影響整個系統(tǒng)，帶來巨大的直接和間接損失。為了確保穩(wěn)定、長時間地滿負(fù)荷正常運(yùn)行，及時獲取設(shè)備的運(yùn)轉(zhuǎn)狀態(tài)，最大化發(fā)揮其使用效能并降低工作風(fēng)險，早期診斷與設(shè)備狀態(tài)演化跟蹤就顯得尤為重要。王國彪[1]指出微弱早期故障診斷研究意義重大。

故障診斷包含很多研究領(lǐng)域，其中振動信號處理是的一個重要內(nèi)容。對于分析非平穩(wěn)多分量信號，小波變換（wavelet transform, WT）、經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition, EMD）等方法的應(yīng)用均取得了一定效果[2～4]，但它們存在一定缺陷，例如：WT無法兼顧時間與頻率分辨率且缺乏自適應(yīng)性。EMD存在以下問題：無法通過理論證明本征模態(tài)函數(shù)（intrinsic mode function, IMF）的正交性；會出現(xiàn)過包絡(luò)和欠包絡(luò)從而導(dǎo)致模態(tài)混疊或虛假模態(tài)；需要進(jìn)行不可預(yù)知的多次迭代計算；分解的結(jié)果對噪聲很敏感，仿真信號表明噪聲的少許改變有可能導(dǎo)致最終IMF的很大不同。而Gilles[5]提出的經(jīng)驗(yàn)小波變換（empirical wavelet transform, EWT）相對EMD作了較大改進(jìn)。它對原始信號的傅里葉譜進(jìn)行自適應(yīng)地分割，對得到的每個分割區(qū)間采用相應(yīng)的小波濾波器以提取調(diào)幅-調(diào)頻（AM-FM）分量，這些分量就是具備緊支撐傅里葉譜的固有模態(tài)?？傊?，以小波架構(gòu)為基礎(chǔ)的EWT理論充分，不會產(chǎn)生模態(tài)混疊及虛假模態(tài)，從而受到關(guān)注。

一般來說工業(yè)現(xiàn)場環(huán)境比較復(fù)雜，實(shí)際所測得的振動信號幾乎都是非平穩(wěn)多分量信號，其有用信號往往淹沒于強(qiáng)噪聲背景中并混合強(qiáng)脈沖噪聲以及帶有明顯波動趨勢。為了提高機(jī)械系統(tǒng)在線監(jiān)測和故障判斷的準(zhǔn)確性，在強(qiáng)噪聲環(huán)境下機(jī)械設(shè)備的弱故障早期診斷技術(shù)將是非常困難和非常有意義的探索工作。

2 國內(nèi)外研究現(xiàn)狀分析

2.1 非平穩(wěn)非線性多分量信號分析

振動分析是非常有效也是目前經(jīng)常使用的研究手段，對于準(zhǔn)確判別變工況條件下故障的狀態(tài)仍有很多問題需要解決。何正嘉[6]指出：基于小波包的頻帶能量監(jiān)測和自回歸譜分析以及模糊聚類網(wǎng)絡(luò)分類；諧波小波、小波分形、廣義自適應(yīng)小波分析；主分量自回歸譜模糊識別等可適用于變工況非平穩(wěn)的大型機(jī)械設(shè)備在線和離線的監(jiān)測與診斷。鄒今春[7]綜述了國內(nèi)外變工況齒輪箱故障診斷的一些技術(shù)。

變工況下設(shè)備振動信號通常都帶有非線性、非平穩(wěn)的多分量特征。

Yang Yang[8]指出旋轉(zhuǎn)機(jī)械在變工況下往往呈現(xiàn)出多分量頻率調(diào)制的非平穩(wěn)信號特征，提出參數(shù)化時頻技術(shù)來分析旋轉(zhuǎn)機(jī)械在變轉(zhuǎn)速下的非平穩(wěn)信號。與EMD采用的多次迭代篩分方法不同，基于小波框架的EWT具有完備的理論基礎(chǔ)。國內(nèi)外學(xué)者對EWT進(jìn)行了深入研究，李志農(nóng)[9]在機(jī)械故障診斷中引入了EWT方法。Jiang Yu[10]提出了EWT-Duffing振子方法以進(jìn)行滾動軸承復(fù)合故障解耦診斷。Chen Jinglong[11]為了提高信號的信噪比同時又避免內(nèi)部模態(tài)識別不準(zhǔn)確，采用了基于數(shù)據(jù)驅(qū)動閾值的小波空間鄰域系數(shù)降噪法并用EWT分解。Pan Jun[12]提出了自適應(yīng)傅里葉譜改進(jìn)的EWT方法。Cao Hongrui[13]提出基于EWT的車輪軸承振動信號故障診斷方法。黃南天[14]提出一種結(jié)合EWT和支持向量機(jī)的高壓斷路器的故障診斷方法。陳浩[15]提出將EWT用于徑向加速度估計，馮博[16]提出將EWT用于軸承故障診斷。向玲[17]通過仿真與實(shí)際信號比較研究了EWT與EMD方法之間的區(qū)別和各自性能。筆者通過復(fù)雜強(qiáng)噪聲背景下弱故障檢測研究得到以下結(jié)論[18]：實(shí)際現(xiàn)場振動信號往往包含波動現(xiàn)象，對此，EWT能非常有效地去除波動趨勢，從而使得頻譜分析圖的譜線更加易于分析；EWT對脈沖噪聲的敏感度明顯弱于EMD；相比EMD方法，其理論更加嚴(yán)謹(jǐn)；EWT可通過多次分解提取單分量信號，因此非常適用于分析非平穩(wěn)的多分量信號，還可結(jié)合Hilbet變換以得到任意瞬時頻率和瞬時幅值，從而有效監(jiān)測現(xiàn)場設(shè)備的頻率波動和幅值波動。

2.2 非高斯噪聲和強(qiáng)背景噪聲問題

高斯信號模型是傳統(tǒng)信號處理中的很重要內(nèi)容，但實(shí)踐中非高斯分布往往更普遍存在。由此，基于分?jǐn)?shù)低階統(tǒng)計量的信號處理理論和方法得到了重視和研究，Liu Yang[19]提出了alpha穩(wěn)定分布的脈沖噪聲環(huán)境下信號濾波方法，郭皓[20]提出基于alpha穩(wěn)定分布的超聲圖像的去噪方法。筆者[21]和李長寧[22]通過分析某現(xiàn)場實(shí)際振動信號的分布特性，得到用分?jǐn)?shù)低階alpha穩(wěn)定分布描述該分布會更合適的結(jié)論。Yu Gang[23]提出基于kurtogram和alpha穩(wěn)定分布模型的滾動軸承早期診斷方法。筆者研究發(fā)現(xiàn)振動信號經(jīng)小波分解后得到的細(xì)節(jié)系數(shù)有時滿足特定統(tǒng)計分布規(guī)律[24]。

2.3 微小漸變故障早期診斷與演化跟蹤

李娟[25]綜述了各種微小故障的診斷方法并分析了其特點(diǎn)。Lin Jinshan[26]提出基于多重分形消除趨勢波動分析法和馬氏距離準(zhǔn)則的滾動軸承弱故障的診斷。Li Hongkun[27]提出基于時頻分析的synchronous averaging reassigned wavelet scalogram并應(yīng)用于滾動軸承的早期診斷。

結(jié)合階比和重采樣技術(shù)可以將振動信號的時域信號轉(zhuǎn)化為角域信號?？讘c鵬[28]通過Gabor變換及其逆變換，以及階比跟蹤，得到各階比成分對應(yīng)的時域重構(gòu)信號。異步采樣的等間隔的振動信號和轉(zhuǎn)速信號，然后通過數(shù)字信號處理融合算法合成同步采樣信號，這就是計算階比跟蹤（Computed Order Tracking, COT）。楊志堅[29]提出一種無須轉(zhuǎn)速測量的階比跟蹤分析算法。郭瑜[30]也提出了實(shí)現(xiàn)時頻分析階比跟蹤技術(shù)的純軟件的方法。汪華平[31]針對變轉(zhuǎn)速情況下利用階次跟蹤提取轉(zhuǎn)速變化的倍頻分量提出了校正階次全息譜分析方法。徐亞軍[32]針對滾動軸承故障診斷提出結(jié)合線調(diào)頻小波路徑追蹤與階比循環(huán)平穩(wěn)解調(diào)的方法。張新廣[33]提出處理非平穩(wěn)信號的基于階比域的AR模型盲辨識算法。Guo Yu[34]提出用包絡(luò)階比跟蹤對變工況下滾動軸承進(jìn)行故障檢測。Cheng Junsheng[35]提出基于local mean decomposition的階比跟蹤技術(shù)用于齒輪故障診斷。于善平[36]為了提取滾動軸承故障特征頻率而提出共振解調(diào)包絡(luò)信號采用階比分析的方法。Pan Minchun[37]提出可在線實(shí)時運(yùn)行的自適應(yīng)Vold-Kalman濾波階比跟蹤算法。任達(dá)千[38]提出瞬時頻率直接計算的局域均值分解方法。這些研究表明：可通過時頻分析階比跟蹤技術(shù)獲得時域重構(gòu)信號，然后經(jīng)過局域均值分解再計算瞬時頻率。

何正嘉[39]指出為實(shí)現(xiàn)機(jī)械設(shè)備運(yùn)行過程中的故障狀態(tài)與演變過程的動態(tài)識別可充分利用模型、狀態(tài)特征和故障征兆等，從而達(dá)到故障預(yù)示的目的。顧煜炯[40]針對變工況條件下的風(fēng)電機(jī)組齒輪箱故障預(yù)警和風(fēng)電軸承早期診斷問題提出階比重采樣角域信號早期故障特征的提取方法。馬潔[41]提出了解決多變量相關(guān)條件下旋轉(zhuǎn)機(jī)械的故障估計及預(yù)測問題的基于核主元分析的非線性故障重構(gòu)技術(shù)。Man Zhihong[42]提出了一種齒輪嚙合振動信號的最優(yōu)sinusoidal建模方法并應(yīng)用于齒輪故障診斷與預(yù)測。Si Xiaosheng[43]、Xu Dong[44]通過模型以能夠刻畫軸承退化過程的特征量的變化趨勢來預(yù)估剩余壽命。

3 存在問題

通過以上國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)分析，說明了非線性非平穩(wěn)多分量信號分析、非高斯噪聲和強(qiáng)背景噪聲問題、微小漸變故障早期診斷與演化跟蹤是旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域經(jīng)常面對的重大現(xiàn)實(shí)問題，需進(jìn)一步深入研究。

具體存在問題如下：

a. 設(shè)備在故障初期時的狀態(tài)特征信號往往比較微弱。設(shè)備的有些結(jié)構(gòu)如重合度大的螺旋錐齒輪、線接觸的圓錐滾子軸承等使得故障引起的沖擊現(xiàn)象不明顯，導(dǎo)致故障特征微弱；故障源與測試接收源之間的距離導(dǎo)致振動信號衰減；傳感器都是通過設(shè)備箱體采集振動信號，所有運(yùn)動部件都會給箱體上的測量帶來隨機(jī)和其他動部件的干擾。因此，早期故障特征總是淹沒于強(qiáng)大的復(fù)雜背景噪聲。

b. 旋轉(zhuǎn)機(jī)械設(shè)備運(yùn)行時，考慮各種因素影響，所測得的振動信號往往是非平穩(wěn)、非線性的多分量信號。針對這類信號，目前常用的分析方法和分析工具多少都存在某些局限。

c. 高斯信號模型是傳統(tǒng)信號處理中的主要內(nèi)容，但現(xiàn)場信號往往是非高斯分布的，筆者[21]和李長寧[22]通過分析某現(xiàn)場實(shí)際振動信號的分布特性，認(rèn)為用分?jǐn)?shù)低階alpha穩(wěn)定分布描述該分布可能更加準(zhǔn)確。

d. 工業(yè)現(xiàn)場的工況本身就很復(fù)雜，再加上不確定的外部環(huán)境干擾，設(shè)備故障跟蹤與預(yù)測會受很多因素影響。目前進(jìn)行故障預(yù)測和剩余使用壽命估計的常用方法采用了一些能夠反映設(shè)備退化情況的特征量，但這些特征量往往會受不確定工況影響。

4 建議與展望

綜合以上，建議以下問題值得研究：實(shí)際工況下的非平穩(wěn)多分量信號分析問題；現(xiàn)場普遍存在的非高斯噪聲和強(qiáng)背景噪聲問題；微小漸變故障的演化過程跟蹤問題。這些問題源于工業(yè)現(xiàn)場旋轉(zhuǎn)機(jī)械設(shè)備健康監(jiān)控與管理的迫切需求，不僅具有重要的學(xué)術(shù)意義，而且可進(jìn)一步提高變工況下監(jiān)測效率，預(yù)防重大事故的發(fā)生，具有可觀的社會價值和經(jīng)濟(jì)效益。

對于故障診斷中的非平穩(wěn)多分量信號分析，EWT比小波分析和EMD更具優(yōu)勢。因此對基于信號處理的故障診斷研究展望如下：

4.1 基于非高斯模型的EWT故障特征提取

正在運(yùn)行的旋轉(zhuǎn)機(jī)械設(shè)備，其實(shí)際振動信號非常復(fù)雜，受各種振動因素影響，最后檢測得到的整個機(jī)械系統(tǒng)的振動信號往往是非平穩(wěn)非線性的多分量信號。文獻(xiàn)[21]已指出：用分?jǐn)?shù)低階alpha穩(wěn)定分布描述設(shè)備振動信號更符合實(shí)際情況，今后可研究其相應(yīng)的分?jǐn)?shù)低階alpha穩(wěn)定分布模型及其在EWT域的降噪法。某齒輪箱實(shí)際振動信號經(jīng)小波分解后某階的第1層和第2層的細(xì)節(jié)系數(shù)的聯(lián)合分布圖如圖1所示。

圖1 第1層和第2層的細(xì)節(jié)系數(shù)的聯(lián)合分布圖

圖2 擬合的聯(lián)合分布圖

對于如下非高斯雙元收縮模型：

4.2 基于EWT結(jié)合相關(guān)向量機(jī)的信號分類的自動故障診斷

通過EWT分解，計算自相關(guān)函數(shù)并以其為衡量標(biāo)準(zhǔn)，先用EWT提取出復(fù)雜強(qiáng)噪聲背景下弱故障的特征。有周期成分的信號的自相關(guān)函數(shù)也有周期性，且周期峰值不衰減；否則無周期成分的信號的自相關(guān)函數(shù)峰值會發(fā)生衰減。以此峰值特性作判斷依據(jù)，把分解后的各信號中的周期性最明顯的分解信號提取出來作為所要檢測的特征信號。最后以此特征信號為分析對象結(jié)合相關(guān)向量機(jī)判斷故障類型。實(shí)際常用的故障診斷方法都需要人參與分析和判斷，這就對故障診斷實(shí)踐帶來了人為的主觀因素的影響，而且在某些情況下還不一定能得到明確的診斷結(jié)果。可研究基于EWT結(jié)合相關(guān)向量機(jī)的信號分類的故障診斷方法，這種方法直接對分析的對象進(jìn)行分類，根據(jù)分類結(jié)果判斷是何種故障。目前該方法在實(shí)驗(yàn)室的結(jié)果還比較理想，但該方法需要的是同一種設(shè)備在不同狀態(tài)類型下的信號作為訓(xùn)練信號，而工廠實(shí)際的設(shè)備很難取得各種類型下的原始信號。應(yīng)通過與企業(yè)合作，利用其大量的歷史數(shù)據(jù)來進(jìn)行檢驗(yàn)，從而探索故障的自動診斷。

按照如下思路可實(shí)現(xiàn)基于EWT的復(fù)雜強(qiáng)噪聲背景下弱故障特征信號提取，然后以此特征信號為分析對象結(jié)合相關(guān)向量機(jī)來自動判斷故障類型。

a. 對原始信號進(jìn)行EWT分解；

b. 對分解后的第一個信號再進(jìn)行EWT分解，計算其方差并判斷，重復(fù)這個分解直至方差值不再變小，此時分解得到的信號作為趨勢信號；

c. 計算各分解后的信號的自相關(guān)函數(shù)，以峰值特性判斷分解后的各信號，取周期性最明顯的信號作為該特征信號。

基于EWT和RVM的故障在線診斷方法具體思路是：以類內(nèi)、類間距離作為判據(jù)，設(shè)定EWT的頻域分割方法，再用EWT把原始信號映射到EWT域，在此域內(nèi)提取被分析信號的能量特征向量，然后用RVM進(jìn)行訓(xùn)練和分類識別。

5 結(jié)束語

基于信號處理的故障診斷技術(shù)對長期運(yùn)轉(zhuǎn)的機(jī)械設(shè)備尤其是大型高科技裝備非常重要。在診斷復(fù)雜系統(tǒng)時，由于各種原因僅靠經(jīng)典方法應(yīng)對往往解決不了問題?；谛盘柼幚淼膹?fù)雜系統(tǒng)的診斷監(jiān)控一直在不斷發(fā)展完善，并強(qiáng)調(diào)應(yīng)用于實(shí)際系統(tǒng)。理論的發(fā)展支撐實(shí)際項目的創(chuàng)新。針對復(fù)雜強(qiáng)噪聲背景下旋轉(zhuǎn)機(jī)械的微弱故障診斷問題，旋轉(zhuǎn)機(jī)械微小漸變故障的早期診斷與演化跟蹤的關(guān)鍵在于：如何結(jié)合大型旋轉(zhuǎn)機(jī)械裝備的實(shí)際特征，如變工況運(yùn)行環(huán)境、復(fù)雜強(qiáng)背景噪聲等，用獲取的監(jiān)測數(shù)據(jù)，對其狀態(tài)演化過程進(jìn)行跟蹤監(jiān)測，通過建立非高斯噪聲模型以更有效地降噪，利用最新的非平穩(wěn)多分量信號分析方法提取微弱故障特征，實(shí)現(xiàn)設(shè)備的早期故障識別和狀態(tài)演化跟蹤。

1 王國彪，何正嘉，陳雪峰，等. 機(jī)械故障診斷基礎(chǔ)研究“何去何從”[J]. 機(jī)械工程學(xué)報，2013，49(1)：63～72

2 Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London, A, 1998, 454: 903～995

3 Rilling G, Flandrin P, Goncalvès P. On empirical mode decomposition and its Algorithms [J]. IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing, 2003, 3:8～11

4 陳志新，徐金梧，楊德斌，等. 基于經(jīng)驗(yàn)?zāi)B(tài)分解的混沌噪聲背景下弱信號檢測與信號提取[J]. 機(jī)械科學(xué)與技術(shù)，2006，25(2)：220～224

5 Gilies J. Empirical wavelet transform[J]. IEEE Transactions on Signal Processing, 2013, 61(16): 3999～4010

6 何正嘉，訾艷陽，張周鎖，等. 大型機(jī)械設(shè)備變工況非平穩(wěn)動態(tài)分析與監(jiān)測診斷關(guān)鍵技術(shù)[J]. 中國機(jī)械工程，1999，10(9)：978～981

7 鄒今春，沈玉娣. 變工況齒輪箱故障診斷方法綜述[J]. 機(jī)械傳動，2012，36(8)：124～127

8 Yang Yang, Dong Xingjian, Peng Zhike, et al. Vibration signal analysis using parameterized time-frequency method for features extraction of varying-speed rotary machinery[J]. Journal of Sound and Vibration, 2015(335): 350～366

9 李志農(nóng)，朱明，褚福磊，等. 基于經(jīng)驗(yàn)小波變換的機(jī)械故障診斷方法研究[J]. 儀器儀表學(xué)報，2014，35(11)：2423～2432

10 Jiang Yu, Zhu Hua, Li Z.A new compound faults detection method for rolling bearings based on empirical wavelet transform and chaotic oscillator[J]. Chaos, Solitons and Fractals, 2016, 89: 8～19

11 Chen Jinglong, Pan Jun, Li Zipeng, et al. Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals[J]. Renewable Energy, 2016, 89: 80～92

12 Pan Jun, Chen Jinglong, Zi Yanyang, et al. Mono-component feature extraction for mechanical fault diagnosis using modified empirical wavelet transform via data-driven adaptive Fourier spectrum segment[J]. Mechanical Systems and Signal Processing, 2016, 72: 160～183

13 Cao Hongrui, Fan Fei, Zhou Kai, et al. Wheel-bearing fault diagnosis of trains using empirical wavelet transform[J]. Measurement, 2016, 82: 439～449

14 黃南天，張書鑫，蔡國偉，等. 采用EWT和OCSVM的高壓斷路器機(jī)械故障診斷[J]. 儀器儀表學(xué)報，2015，36(12)：2773～2781

15 陳浩，郭軍海，齊巍. 基于經(jīng)驗(yàn)小波變換的目標(biāo)加速度估計算法[J]. 北京航空航天大學(xué)學(xué)報，2015，41(1)：154～159

16 馮博，李輝，鄭海起. 基于經(jīng)驗(yàn)小波變換的軸承故障診斷研究[J]. 軸承，2015，12：53～58

17 向玲，李媛媛. 經(jīng)驗(yàn)小波變換在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J]. 動力工程學(xué)報，2015，35(12)：975～981

18 陳志新，劉鑫，盧成林，等. 基于經(jīng)驗(yàn)小波變換的復(fù)雜強(qiáng)噪聲背景下弱故障檢測方法[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(20)：202～208

19 Liu Yang, Qiu Tianshuang, Ren Fuquan, et al. Robust optimal filtering method for cyclostationary signals [J]. Procedia Engineering, 2012, 29: 1889～1896

20 郭皓. 基于alpha穩(wěn)定分布的超聲圖像去噪方法研究[D]. 成都：四川大學(xué)，2006

21 陳志新. 脈沖噪聲環(huán)境中基于FLOWVD的機(jī)械設(shè)備故障時頻監(jiān)測方法[J]. 振動與沖擊，2013，32(10)：136～140

22 李長寧. 機(jī)械故障信號統(tǒng)計建模及其故障診斷方法的研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2010

23 Yu Gang, Li Changning, Zhang Jianfeng. A new statistical modeling and detection method for rolling element bearing faults based on alpha-stable distribution[J]. Mechanical Systems and Signal Processing, 2013 (41): 155～175

24 Chen Zhixin, Xu Jinwu, Yang Debin. New method of extracting weak failure information in gearbox by complex wavelet denoising[J]. Chinese Journal of Mechanical Engineering, 2008, 21(4): 87～91

25 李娟，周東華，司小勝，等. 微小故障診斷方法綜述[J]. 控制理論與應(yīng)用，2012，29(12)：1517～1527

26 Lin Jinshan, Chen Qian. Fault diagnosis of rolling bearings based on multifractal detrended fluctuation analysis and Mahalanobis distance criterion[J]. Mechanical Systems and Signal Processing, 2013 (38): 515～533

27 Li Hongkun, Xu Fujian, Liu Hongyi, et al. Incipient fault information determination for rolling element bearing based on synchronous averaging reassigned wavelet scalogram[J]. Measurement, 2015(65): 1～10

28 孔慶鵬，宋開臣，陳鷹. 發(fā)動機(jī)變速階段振動信號時頻分析階比跟蹤研究[J]. 振動工程學(xué)報，2005，18(4)：448～452

29 楊志堅，丁康，梁茜. 基于頻譜校正理論的階比跟蹤分析[J]. 機(jī)械工程學(xué)報，2009，45(12)：41～45

30 郭瑜，秦樹人，梁玉前. 時頻分析階比跟蹤技術(shù)[J]. 重慶大學(xué)學(xué)報（自然科學(xué)版），2002，25(5)：17～20

31 湯寶平教授指導(dǎo)，汪華平. 旋轉(zhuǎn)機(jī)械變速工況下階次全息方法研究[D]. 重慶大學(xué)，2013

32 徐亞軍，于德介，劉堅. 基于線調(diào)頻小波路徑追蹤階比循環(huán)平穩(wěn)解調(diào)的滾動軸承故障診斷[J]. 航空動力學(xué)報，2013，28(11)：2600～2607

33 張新廣，李志農(nóng)，王心怡，等. 一種基于階比域的AR模型盲辨識算法[J]. 振動與沖擊，2009，28(5)：41～43

34 Guo Yu , Liu Tingwei, Na Jing, et al. Envelope order tracking for fault detection in rolling element bearings[J]. Journal of Sound and Vibration, 2012(331): 5644～5654

35 Cheng Junsheng, Zhang kang, Yang Yu. An order tracking technique for the gear fault diagnosis using local mean decomposition method[J]. Mechanism and Machine Theory, 2012(55): 67～76

36 于善平，劉曉東，管莉娜. 變工況滾動軸承故障診斷方法研究[J]. 大連民族學(xué)院學(xué)報，2008，1(1)：27～30

37 Pan Minchun, Wu Chengxue. Adaptive Vold-Kalman filtering order tracking[J]. Mechanical Systems and Signal Processing, 2007 (21): 2957～2969

38 任達(dá)千，楊世錫，吳昭同，等. 信號瞬時頻率直接計算法與Hilbert變換及Teager能量法比較[J]. 機(jī)械工程學(xué)報，2013，49(9)：42～48

39 何正嘉，警艷陽，陳雪峰，等. 機(jī)械故障預(yù)示中的若干科學(xué)問題[J]. 振動與沖擊，2010，29(s)：144～147

40 顧煜炯，宋磊，徐天金，等. 變工況條件下的風(fēng)電機(jī)組齒輪箱故障預(yù)警方法[J]. 中國機(jī)械工程，2014，10(2)：1346～1351

41 馬潔，李鋼，陳默. 基于非線性故障重構(gòu)的旋轉(zhuǎn)機(jī)械故障預(yù)測方法[J]. 自動化學(xué)報，2014，40(9)：2045～2049

42 Man Zhihong, Wang Wenyi, Khoo Suiyang, et al. Optimal sinusoidal modelling of gear mesh vibration signals for gear diagnosis and prognosis [J]. Mechanical Systems and Signal Processing, 2012(33): 256～274

43 Si Xiaosheng, Wang Wenbing, Hu Changhua, et al. Remaining useful life estimation based on a nonlinear diffusion degradation process[J]. IEEE Transactions on Reliability, 2012, 61(1): 50～67

44 Xu Dong, Huang Jine, Zhu Qin, et al. Residual fatigue life prediction of ball bearing based on Paris law and RMS[J]. Chinese Journal of Mechanical Engineering, 2012, 25(2): 320～327

Current Situation and Existing Problems of Research on Fault Diagnosis Based on Signal Processing

Chen Zhixin1Zhang Xiaopeng2Zuo Miao2Yang Ping2

(1. Beijing Wuzi University, Beijing 101149; 2. China Academy of Space Technology, Beijing 100094)

The research status of fault diagnosis based on signal processing is analyzed at home and abroad. It includes three aspects, such as non-stationary nonlinear multicomponent signal analysis, non Gauss noise and strong background noise, early diagnosis and evolution tracking of micro gradient fault. The existing problems in this field and suggestions for further research are also pointed out.

fault diagnosis；empirical wavelet transform (EWT)；de-noising；signal processing

北京市自然科學(xué)基金（3173043）。

陳志新（1973），副教授，機(jī)械電子工程專業(yè)；研究方向：故障監(jiān)測診斷與處理、數(shù)據(jù)分析研究等。

2018-07-30