文韜

摘 要：滾動軸承作為旋轉(zhuǎn)機械設(shè)備的主要零部件，其運行狀態(tài)對旋轉(zhuǎn)機械設(shè)備的健康狀況有著重要影響，為避免設(shè)備發(fā)生致命故障，防止生產(chǎn)損失和人員傷亡，有必要對滾動軸承的運行狀態(tài)進行診斷分析。長期以來，故障診斷技術(shù)重點在于處理噪聲信號，通過時頻域變換來挖掘人工特征，然而前述過程變得愈發(fā)復(fù)雜和繁瑣，與實現(xiàn)智能診斷的目的背道而馳。隨著人工智能技術(shù)的發(fā)展，大數(shù)據(jù)時代給故障診斷帶來新的發(fā)展機會，深度學(xué)習通過強大的特征自提取能力極大地簡化特征提取過程，而遷移學(xué)習更使變工況下故障診斷達到極好地效果。本文闡述傳統(tǒng)故障診斷方法，討論人工智能時代軸承智能診斷技術(shù)的發(fā)展方向。

關(guān)鍵詞：滾動軸承;深度學(xué)習;遷移學(xué)習;故障診斷

1 前言

軸承作為現(xiàn)代機電裝備中的重要零部件之一，其在制造業(yè)下各個領(lǐng)域都得到廣泛應(yīng)用，比如工程機械，軍事裝備，礦產(chǎn)采集等，其工作狀態(tài)對設(shè)備的精度、效率、維護成本等有很大影響。因而，為延長軸承的工作壽命，降低經(jīng)濟成本并避免安全事故的發(fā)生，對軸承進行及時的故障診斷就很有必要?！吨袊圃?025》中指出，要增強信息化技術(shù)對制造業(yè)的賦能，而隨著互聯(lián)網(wǎng)技術(shù)的普及，當前各種數(shù)據(jù)呈井噴式爆發(fā)。制造業(yè)進入大數(shù)據(jù)時代，通過數(shù)據(jù)驅(qū)動的人工智能算法與軸承故障診斷技術(shù)結(jié)合具有廣闊前景。

一個普通的滾動軸承一般可以分為：內(nèi)圈、外圈、滾動體和保持架四部分（圖1），因而，軸承的故障類型也可分為這對應(yīng)的內(nèi)圈故障，外圈故障，滾動體故障和保持架故障四種。

2 傳統(tǒng)軸承故障診斷方法

故障診斷常使用振動信號和聲發(fā)射信號作為數(shù)據(jù)來源，在這兩種方法中，振動信號因其對機械旋轉(zhuǎn)的敏感性和測量方法的簡潔性而得到廣泛應(yīng)用。當軸承發(fā)生故障時，其振動信號在時域和頻域會有表現(xiàn)，不同類型的故障會體現(xiàn)多種特征。此前，學(xué)者們常利用時域的振動數(shù)據(jù)，計算多個統(tǒng)計參數(shù)，如峰度、均方根、平均值等進行計算提取故障特征。該模式往往需要學(xué)者針對具體問題，設(shè)計特定的特征提取模型，但對變工況，多種故障耦合的振動數(shù)據(jù)，人工特征難以獲得良好的診斷效果。

3 智能故障診斷技術(shù)

隨著物聯(lián)網(wǎng)、5G技術(shù)的發(fā)展，海量數(shù)據(jù)為深度學(xué)習的發(fā)展注入巨大的能量，深度學(xué)習這種依靠數(shù)據(jù)驅(qū)動的算法正如朝陽一般，給故障診斷技術(shù)帶來黎明。

3.1 基于深度學(xué)習的故障診斷

與傳統(tǒng)機器學(xué)習相比，深度學(xué)習具有更深的網(wǎng)絡(luò)架構(gòu)，在圖2中，隱藏層往往具有幾十上百層?，F(xiàn)在，卷積神經(jīng)網(wǎng)絡(luò)，殘差網(wǎng)絡(luò)，長短期記憶網(wǎng)絡(luò)等等流行的網(wǎng)絡(luò)架構(gòu)，能提取出軸承的深層故障特征，與傳統(tǒng)故障診斷算法的淺層特征相比，深層特征具有更好的泛化性，模型魯棒性更強。并且深度學(xué)習可以自動化地提取更具表現(xiàn)力地特征，以及滿足實際應(yīng)用中端到端的需求，將特征提取過程變得簡潔高效，目前已在機械故障診斷領(lǐng)域得到了廣泛的應(yīng)用。例如，潘繼財[1]提出基于GAN的深度學(xué)習故障診斷方法，把判別器的訓(xùn)練結(jié)果輸入數(shù)據(jù)，并提取出軸承的故障數(shù)據(jù)集中的特征。

3.2 基于遷移學(xué)習故障診斷

隨著制造業(yè)步入新興的大數(shù)據(jù)和智能新時代，從狀態(tài)檢測系統(tǒng)收集的數(shù)據(jù)量急劇增加，且工況較多。因此，研究如何有效利用這些不同工況下的數(shù)據(jù)對軸承狀態(tài)進行診斷分析具有重要意義。

遷移學(xué)習顧名思義就是就是把在源域上訓(xùn)練好的模型參數(shù)遷移到目標域上數(shù)據(jù)新來幫助新模型訓(xùn)練。而源域和目標域上的數(shù)據(jù)分布其實多數(shù)是截然不同的，如圖3所示，遷移學(xué)習中的域適應(yīng)通過把源域和目標域數(shù)據(jù)映射到同一個向量空間，拉近各自分布的距離，這樣，在源域上訓(xùn)練的模型就能更好的應(yīng)用在目標域上。蘭雨濤[]提出一種基于遷移成分分析的域自適應(yīng)軸承智能故障診斷方法，讓源域和目標域樣本在特征子空間上的差異最小化，。由此顯著地縮小了域分布間的距離，實現(xiàn)了從源域到目標域的跨域特征信息遷移。

4. 總結(jié)

本文探討滾動軸承智能診斷技術(shù)的現(xiàn)狀，指出傳統(tǒng)方法的弊端和局限性，重點討論人工智能時代智能故障診斷的發(fā)展趨勢。

參考文獻：

[1]潘繼財，大數(shù)據(jù)樣本與半監(jiān)督環(huán)境下基于生成對抗網(wǎng)絡(luò)的故障診斷，機械與電子. 2021，39（05），20-25

[2]蘭雨濤，胡超凡，金京，王衍學(xué)， 基于遷移成分分析的跨域軸承故障分類方法研究， 機電工程. 2021，38（05）， 521-527