侯澤林

（晉能控股山西科學(xué)技術(shù)研究院 雙創(chuàng)中心，山西 大同 037006）

0 引言

旋轉(zhuǎn)機(jī)械在煤炭行業(yè)應(yīng)用中起著至關(guān)重要的作用。由于旋轉(zhuǎn)機(jī)械長(zhǎng)期在重負(fù)荷、高溫、高速等惡劣復(fù)雜條件下工作，不可避免地會(huì)發(fā)生故障[1，2]。軸承外圈如圖1 所示。因此，必須及時(shí)監(jiān)測(cè)機(jī)械的狀態(tài)，盡早診斷故障。旋轉(zhuǎn)機(jī)械故障診斷是旋轉(zhuǎn)機(jī)械的關(guān)鍵技術(shù)之一，它包括四項(xiàng)基本任務(wù)：確定機(jī)器或關(guān)鍵部件之間是否發(fā)生了異常情況，找出早期故障及其根源，評(píng)估其嚴(yán)重程度，預(yù)測(cè)故障發(fā)展趨勢(shì)。即故障檢測(cè)，故障隔離、故障評(píng)估和故障預(yù)測(cè)。實(shí)施有效的旋轉(zhuǎn)機(jī)械故障診斷非常重要，它有助于避免異常事件發(fā)展，減少離線時(shí)間，預(yù)測(cè)剩余壽命，減少生產(chǎn)力損失，最終避免重大系統(tǒng)故障和災(zāi)難。同時(shí)，隨著現(xiàn)代工業(yè)制造業(yè)的發(fā)展，機(jī)械設(shè)備和系統(tǒng)已經(jīng)變得相當(dāng)大規(guī)模、復(fù)雜化和自動(dòng)化。由于對(duì)高性能、安全性和可靠性的更高要求，旋轉(zhuǎn)機(jī)械故障診斷不僅變得越來越重要，而且變得越來越困難。因此，近幾十年來，旋轉(zhuǎn)機(jī)械故障診斷得到了越來越多的關(guān)注和長(zhǎng)足的發(fā)展。本文基于前人的研究基礎(chǔ)，對(duì)旋轉(zhuǎn)機(jī)械故障診斷技術(shù)進(jìn)行了全面的概述，進(jìn)而提供對(duì)其進(jìn)一步地見解。

1 旋轉(zhuǎn)機(jī)械故障診斷的研究現(xiàn)狀

近年來，隨著信號(hào)處理技術(shù)、人工智能技術(shù)和大數(shù)據(jù)技術(shù)的發(fā)展，人們對(duì)旋轉(zhuǎn)機(jī)械故障診斷進(jìn)行了大量的文獻(xiàn)綜述。作為對(duì)機(jī)械故障診斷基礎(chǔ)研究的全面回顧，Chen 等[3]回顧了過去，總結(jié)了現(xiàn)在，分析了未來的發(fā)展趨勢(shì)，重點(diǎn)介紹了故障診斷的四個(gè)關(guān)鍵步驟：故障機(jī)理、傳感器技術(shù)與信號(hào)采集、信號(hào)處理和智能診斷。同時(shí)，學(xué)者們?cè)谄渌芯糠矫?，如故障診斷[1-3]中的信號(hào)處理技術(shù)、基于條件的維護(hù)中的故障診斷和預(yù)測(cè)和健康管理[4]、軸承、變速箱和渦輪機(jī)的故障診斷[5]以及故障診斷中的人工智能技術(shù)也做了大量研究[6，7]。

旋轉(zhuǎn)機(jī)械故障診斷本質(zhì)上是一個(gè)模式識(shí)別問題，包括特征提取和故障識(shí)別兩個(gè)關(guān)鍵步驟，可以通過信號(hào)處理技術(shù)和人工智能技術(shù)來解決。信號(hào)處理技術(shù)是旋轉(zhuǎn)機(jī)械故障診斷的重要課題，已廣泛應(yīng)用于各種工業(yè)領(lǐng)域。在2006 年，Jardine 等人[8]總結(jié)了波形數(shù)據(jù)的三種信號(hào)處理方法：時(shí)域分析、頻域分析和時(shí)頻域分析。此外，根據(jù)不同的開發(fā)階段，Rai 和Upadhyay[5]分析了滾動(dòng)元軸承的各種信號(hào)處理方法及其診斷能力，并將其分為三個(gè)階段。經(jīng)過不斷的研究和發(fā)展，旋轉(zhuǎn)機(jī)械故障診斷的信號(hào)處理技術(shù)已經(jīng)發(fā)展成為一系列的方法和工具，包括基于小波的方法、經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒?、自回歸方法、環(huán)平穩(wěn)方法、譜峭度法和峰圖方法、形態(tài)信號(hào)處理方法、基于熵的方法和數(shù)據(jù)約簡(jiǎn)工具。此外，由于越來越多的關(guān)注，人工智能技術(shù)也被應(yīng)用到旋轉(zhuǎn)機(jī)械故障診斷中。一般來說，旋轉(zhuǎn)機(jī)械故障診斷中的人工智能技術(shù)可分為三類：監(jiān)督方法、半監(jiān)督方法和無監(jiān)督方法。其中，使用最廣泛的分類器包括k-最近鄰方法、貝葉斯方法、支持向量機(jī)方法、隨機(jī)森林方法和人工神經(jīng)網(wǎng)絡(luò)方法。近年來，隨著人工智能和計(jì)算機(jī)科學(xué)的不斷發(fā)展，深度學(xué)習(xí)技術(shù)也被引入到旋轉(zhuǎn)機(jī)械故障診斷。由于深度學(xué)習(xí)自動(dòng)提取特征和處理大量數(shù)據(jù)的能力，已成為旋轉(zhuǎn)機(jī)械故障診斷的研究熱點(diǎn)。大量的深度學(xué)習(xí)方法，如卷積神經(jīng)網(wǎng)絡(luò)、堆疊自編碼器、限制玻爾茲曼機(jī)器、深度信念網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)，已經(jīng)被集成到旋轉(zhuǎn)機(jī)械故障診斷中。

2 旋轉(zhuǎn)機(jī)械故障診斷的研究熱點(diǎn)

2.1 譜峭度（SK）

作為包絡(luò)分析的強(qiáng)大技術(shù)之一，譜峭度法是一種基于振動(dòng)信號(hào)檢測(cè)旋轉(zhuǎn)機(jī)械故障的有效方法。它是由Dwyer 在1983 年首次引入的，并被定義為一種統(tǒng)計(jì)工具，可以指示信號(hào)中的非高斯分量及其在頻域[9]中的位置。受譜峭度法識(shí)別的限制，它通常僅作為經(jīng)典功率譜密度的補(bǔ)充。2006 年，Antoni J 對(duì)譜峭度法進(jìn)行了徹底的分析，并通過有條件的非平穩(wěn)過程的Wold-Cramer 分解提出了SK 的形式化。同時(shí)，Antoni J 和Randall RB 指出，譜峭度法不僅能在強(qiáng)掩蔽噪聲的情況下提供一種強(qiáng)大的方法來檢測(cè)早期故障，而且還能提供一種獨(dú)特的方法來設(shè)計(jì)最佳濾波器來濾除機(jī)械特征的故障[10，11]。自此，譜峭度法的改進(jìn)引起了相當(dāng)多的關(guān)注，在接下來的十年中出現(xiàn)了多篇關(guān)于該方法的研究文獻(xiàn)并取得了一些進(jìn)展。基于滾動(dòng)軸承的譜峭度法故障診斷流程如圖2 所示。

圖2 基于滾動(dòng)軸承的故障診斷流程圖

2016 年，Wang等人的研究表明[12]，譜峭度法的主要發(fā)展方向是譜峭度法的短時(shí)間傅里葉變換估計(jì)量、Kurtogram 及快速Kurtogram、自適應(yīng)譜峭度法和Protrugram。這些譜峭度技術(shù)對(duì)于從振動(dòng)信號(hào)中檢測(cè)脈沖信號(hào)是非常強(qiáng)大的，即使該信號(hào)中存在著大量噪聲。此外，與其他時(shí)波分析方法如小波變換和EMD 相比，譜峭度技術(shù)可以自動(dòng)指示這些信號(hào)發(fā)生在哪些頻段中。因此，譜峭度技術(shù)在對(duì)于滾動(dòng)軸承故障診斷中取得了良好的診斷效果。

然而，由于該理論的基本假設(shè)存在局限性，所以譜峭度技術(shù)不適用于從機(jī)器的升速或降速實(shí)驗(yàn)中獲得的信號(hào)。時(shí)頻分解方法和譜峭度技術(shù)的結(jié)合，將譜峭度作為選擇頻段解調(diào)頻帶的工具是譜峭度技術(shù)未來的發(fā)展趨勢(shì)。另一個(gè)熱門的研究方向是將譜峭度與人工智能技術(shù)結(jié)合起來，進(jìn)行智能診斷，利用譜峭度技術(shù)對(duì)信號(hào)進(jìn)行預(yù)處理。

2.2 排列熵

在旋轉(zhuǎn)機(jī)械故障診斷的數(shù)據(jù)驅(qū)動(dòng)方法中，特征提取是關(guān)鍵技術(shù)之一。在特征提取中引入了熵的概念來表達(dá)振動(dòng)信號(hào)的非線性和非平穩(wěn)的動(dòng)態(tài)特征。目前已經(jīng)集成了許多方法，如Shannon 熵、近似熵、樣本熵、模糊熵和多尺度熵。Bandt 和Pompe[13]提出了排列熵來測(cè)量時(shí)間序列的復(fù)雜度。由于其在時(shí)間序列信號(hào)下具有較高得到穩(wěn)定性和高計(jì)算效率，也將排列熵引入旋轉(zhuǎn)機(jī)械故障診斷，排列熵有效地代表了滾動(dòng)軸承振動(dòng)信號(hào)的工作特征。

排列熵是一種用于描述一維非線性時(shí)間序列信號(hào)復(fù)雜性與混亂程度的熵算法，作為可定量描述時(shí)間序列信號(hào)復(fù)雜程度與混亂程度的熵值參數(shù)，具有計(jì)算過程簡(jiǎn)單、計(jì)算效率高、抗干擾能力強(qiáng)、對(duì)信號(hào)變化敏感性好等優(yōu)點(diǎn)，可針對(duì)性處理滾動(dòng)軸承振動(dòng)信號(hào)成分復(fù)雜、故障信號(hào)微弱的問題。排列熵：

重構(gòu)符號(hào)序列

式中：m——嵌入維數(shù)；

t——延遲參數(shù)。

由此人們?yōu)樾D(zhuǎn)機(jī)械故障診斷提出了許多基于突變熵的方法，其中大多數(shù)集中在排列熵的發(fā)展，并與分解算法相結(jié)合進(jìn)行特征表征，如小波包分解、局部平均分解和VMD。

2018 年，Li 等人[14]總結(jié)了旋轉(zhuǎn)機(jī)械故障診斷中的幾種熵算法及其變體，其中排列熵和其他基于熵的方法取得了許多成功的應(yīng)用。然而，有三個(gè)問題限制了排列熵的發(fā)展。首先，熵算法通常與分解方法相結(jié)合來提取特征，這消耗了大量的時(shí)間。雖然排列熵提高了計(jì)算效率，但它不足以進(jìn)行在線監(jiān)測(cè)。其次，復(fù)雜的參數(shù)設(shè)置使得在沒有足夠經(jīng)驗(yàn)的情況下很難應(yīng)用排列熵，從而削弱了其智能性。最后也是最重要的是，作為一種傳統(tǒng)的數(shù)據(jù)處理技術(shù)，排列熵和其他熵都是人工特征提取方法，現(xiàn)在正被基于深度學(xué)習(xí)的方法所取代。因此，排列熵的主要發(fā)展趨勢(shì)是提高其計(jì)算效率，使其參數(shù)自動(dòng)化，并將其融入到深度學(xué)習(xí)中。

2.3 深度學(xué)習(xí)

雖然數(shù)據(jù)驅(qū)動(dòng)的方法在旋轉(zhuǎn)機(jī)械故障診斷中取得了良好的性能，但有兩個(gè)關(guān)鍵問題阻礙了進(jìn)一步的發(fā)展。一方面，特征提取依賴于信號(hào)處理技術(shù)和診斷專家的先驗(yàn)知識(shí)。另一方面，用于故障識(shí)別的分類器是淺層學(xué)習(xí)模型，如極端學(xué)習(xí)機(jī)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林。淺層結(jié)構(gòu)限制了它們?cè)谛D(zhuǎn)機(jī)械故障診斷中學(xué)習(xí)復(fù)雜的非線性關(guān)系和處理大數(shù)據(jù)的能力。作為人工智能的一個(gè)突破，深度學(xué)習(xí)統(tǒng)一了特征提取和故障識(shí)別，可以通過多層次結(jié)構(gòu)在大數(shù)據(jù)中挖掘有用的深度信息。

隨著計(jì)算機(jī)能力和數(shù)據(jù)規(guī)模的增加，深度學(xué)習(xí)方法可以顯著提高模式識(shí)別，并在許多領(lǐng)域得到了成功的應(yīng)用，具有比其他機(jī)器學(xué)習(xí)技術(shù)更好的性能，包括語音識(shí)別、圖像識(shí)別、機(jī)器人技術(shù)和醫(yī)學(xué)。深度學(xué)習(xí)的自動(dòng)化特征學(xué)習(xí)過程和強(qiáng)大的分類能力，可以有效地解決上述兩個(gè)缺陷，是故障特征挖掘和旋轉(zhuǎn)機(jī)械智能診斷的重要工具。近年來，大量的論文報(bào)道了基于深度學(xué)習(xí)的方法在機(jī)械故障診斷中的應(yīng)用，其中典型的模式是CNN、遞歸神經(jīng)網(wǎng)絡(luò)和生成對(duì)抗網(wǎng)絡(luò)。

雖然基于深度學(xué)習(xí)的方法已經(jīng)被證明優(yōu)于淺層學(xué)習(xí)方法，但它們的性能在很大程度上取決于數(shù)據(jù)的質(zhì)量和數(shù)量。然而，在實(shí)際工業(yè)應(yīng)用中，F(xiàn)DRM 缺乏大量可用的高質(zhì)量數(shù)據(jù)，數(shù)據(jù)具有數(shù)據(jù)不足、數(shù)據(jù)不完整和數(shù)據(jù)不平衡的特點(diǎn)。要解決這些問題，轉(zhuǎn)移學(xué)習(xí)是一種非常具有應(yīng)用前景的技術(shù)，此外，由于其與人類和動(dòng)物學(xué)習(xí)相似，無監(jiān)督學(xué)習(xí)是解決數(shù)據(jù)復(fù)雜度的一種有效方法。因此，深度學(xué)習(xí)的一個(gè)研究熱點(diǎn)就是發(fā)展轉(zhuǎn)移學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，以減少數(shù)據(jù)復(fù)雜度造成的診斷難度。

2.4 稀疏表示法

稀疏表示是一種信號(hào)分析和特征表示技術(shù)，可以緊湊地描述任意復(fù)雜信號(hào)，從更多的角度全面揭示信號(hào)特征，并提取豐富的詳細(xì)信息。稀疏表示由匹配追求算法發(fā)起，起源于原子分解?；谧值涞脑臃纸鈱?fù)雜信號(hào)分解為最匹配信號(hào)的主要結(jié)構(gòu)的最優(yōu)基本波形的疊加。這樣，信號(hào)被稀疏表示，并用信號(hào)表示中使用的原子數(shù)來測(cè)量稀疏性。由于其在故障特征識(shí)別方面的良好適應(yīng)性和高靈活性，在機(jī)械故障診斷中也實(shí)現(xiàn)了稀疏表示。

2017 年，F(xiàn)eng ZP 等人[15]全面總結(jié)了機(jī)械故障診斷中復(fù)雜信號(hào)分析的稀疏表示，并考慮了原子分解算法和系統(tǒng)設(shè)計(jì)方法作為兩個(gè)關(guān)鍵問題。Cai 等人[16]提出了一種基于稀疏性信號(hào)分解方法的變速箱故障特征提取方法。Liu 等人[17]提出了一種新的稀疏故障特征提取表示方法，通過阻尼二階系統(tǒng)的單位脈沖響應(yīng)函數(shù)構(gòu)造一個(gè)超完備的系統(tǒng)。Wang J 等人[18]提出了一種新的軸承故障診斷模型，考慮故障尺寸、旋轉(zhuǎn)頻率、軸承尺寸和其他參數(shù)。雖然已經(jīng)有許多論文報(bào)道，但這兩個(gè)方面的發(fā)展仍然是一個(gè)研究熱點(diǎn)，例如，降低了系統(tǒng)設(shè)計(jì)的計(jì)算復(fù)雜度，以及現(xiàn)有的分解算法的組合和改進(jìn)。另一個(gè)研究趨勢(shì)是根據(jù)使用的系統(tǒng)的特性來開發(fā)分解算法。

3 結(jié)論及展望

機(jī)械故障診斷目前還遠(yuǎn)未被認(rèn)為是一門完整的學(xué)科。旋轉(zhuǎn)機(jī)械故障診斷的基礎(chǔ)研究和相關(guān)技術(shù)的突破是推動(dòng)其發(fā)展的動(dòng)力。在不久的將來，旋轉(zhuǎn)機(jī)械故障診斷的基礎(chǔ)研究應(yīng)以工程應(yīng)用、各種相關(guān)研究、科學(xué)問題的解決方案和自主創(chuàng)新為基礎(chǔ)。此外，應(yīng)鼓勵(lì)編制和建立標(biāo)準(zhǔn)的故障診斷數(shù)據(jù)庫。通過共享典型工程實(shí)例以及標(biāo)準(zhǔn)實(shí)驗(yàn)數(shù)據(jù)、算法和驗(yàn)證模型，可以避免重復(fù)建設(shè)和研究。

本文總結(jié)四個(gè)研究熱點(diǎn)及發(fā)展方向：譜峭度、排列熵、深度學(xué)習(xí)和稀疏表示。除了深度學(xué)習(xí)之外，其他三個(gè)主題都是信號(hào)處理技術(shù)。我們認(rèn)為，隨著人工智能的不斷發(fā)展，將深度學(xué)習(xí)與這些基于振動(dòng)信號(hào)特征的信號(hào)處理技術(shù)相結(jié)合，將成為旋轉(zhuǎn)機(jī)械故障診斷領(lǐng)域的熱門研究方向。此外，基于深度學(xué)習(xí)、遷移學(xué)習(xí)和集成學(xué)習(xí)，研究數(shù)據(jù)不足、數(shù)據(jù)不完整和數(shù)據(jù)不平衡下的旋轉(zhuǎn)機(jī)械故障診斷解決方案是工業(yè)工程的巨大挑戰(zhàn)和實(shí)際要求。此外，未來研究的關(guān)鍵是基于實(shí)際工業(yè)數(shù)據(jù)在系統(tǒng)層面和工程應(yīng)用的產(chǎn)品層面進(jìn)行故障診斷。