陳鵬

(蘭州石化職業(yè)技術(shù)大學(xué) 電子電氣工程學(xué)院，蘭州 730060)

0 引言

滾動軸承被廣泛應(yīng)用于風(fēng)力發(fā)電、航空發(fā)動機(jī)、高速火車輪對等重要工業(yè)領(lǐng)域的大型裝備中，長期高速運轉(zhuǎn)易導(dǎo)致裝備損壞，因此其在整個大型裝備的故障監(jiān)測與診斷中受到業(yè)界關(guān)注[1]。目前，在基于振動、油膜、鐵譜、軸溫和聲音等各類診斷技術(shù)中，基于振動信號的監(jiān)測由于不受機(jī)械結(jié)構(gòu)影響且測試簡單而得到了廣泛的研究和應(yīng)用。本文主要對基于振動信號的滾動軸承故障診斷方法進(jìn)行綜述。

基于滾動軸承振動信號的故障診斷方法的技術(shù)路線如圖1所示，主要分為3類：

1)將信號分解方法與包絡(luò)分析相結(jié)合， 實現(xiàn)信號降噪后故障特征頻率的提取，與軸承不同零件的理論故障特征頻率進(jìn)行對比實現(xiàn)軸承不同位置故障的判定。該類方法適用于軸承的在線分析，在工程應(yīng)用中適用性高，一直是研究的熱點,但只能實現(xiàn)定性故障診斷而無法實現(xiàn)定量故障診斷。

2)故障特征提取方法與淺層機(jī)器學(xué)習(xí)方法相結(jié)合，通過時域、頻域、時頻域信號處理方法實現(xiàn)降噪和故障特征提取，或通過信號處理方法降噪后與非線性動力學(xué)方法結(jié)合實現(xiàn)故障特征提取，然后將提取的特征輸入淺層機(jī)器學(xué)習(xí)方法實現(xiàn)故障分類。該方法在故障類型較少以及恒工況下的故障診斷方面應(yīng)用較多，但在復(fù)雜工況和故障類型較多情況下的診斷效果欠佳，且步驟比較復(fù)雜。

3)當(dāng)前處于研究熱點的深度學(xué)習(xí)方法。深度學(xué)習(xí)方法具有深層結(jié)構(gòu)和較強(qiáng)的非線性特征提取能力，可以直接實現(xiàn)軸承振動信號中故障特征提取和模式識別，尤其能夠滿足復(fù)雜工況端到端的故障診斷，解決前2種方法在復(fù)雜工況下故障診斷能力有限的問題。但深度學(xué)習(xí)模型需要大量數(shù)據(jù)樣本進(jìn)行訓(xùn)練，而軸承故障樣本往往很難獲得(屬于小樣本)，因此深度學(xué)習(xí)同樣面臨如何在小樣本下實現(xiàn)故障診斷的問題。

圖1 基于滾動軸承振動信號故障診斷方法的技術(shù)路線

同時，還有些研究將以上各類方法進(jìn)行融合，如將信號處理與深度學(xué)習(xí)相結(jié)合等，下文將對各類方法應(yīng)用中具體技術(shù)的國內(nèi)外研究現(xiàn)狀進(jìn)行梳理。

1 基于信號分解的故障診斷方法

軸承由于磨損和剝落等故障產(chǎn)生的振動信號具有強(qiáng)非線性和非平穩(wěn)特性，為解決這一問題，產(chǎn)生了具有分析信號局部特征的時頻分析方法，可以對頻譜隨時間變化的特性進(jìn)行有效分析，現(xiàn)已成為信號處理和分析的主要工具[2]。

1.1 短時傅里葉變換

短時傅里葉變換(Short-Time Fourier Transform，STFT)根據(jù)固定窗寬的窗函數(shù)對信號進(jìn)行劃分，然后按照窗寬移動對信號進(jìn)行傅里葉變換而獲得其頻譜信息，具有簡單、高效和分析結(jié)果無交叉干擾的特點[3]。然而，短時傅里葉變換存在窗函數(shù)窗寬固定且無法較好兼顧頻率與時間分辨率的缺點，學(xué)者們針對此問題提出了采用三階B樣條實現(xiàn)窗寬大小的自適應(yīng)確定以及基于對數(shù)窗能量的時頻聚集性度量準(zhǔn)則選擇窗寬的方法，并將其應(yīng)用于軸承故障診斷[4-5]。

1.2 小波變換

小波變換(Wavelet Transform，WT)繼承了短時傅里葉變換局部化的思想，同時擁有隨頻率變化的時頻窗口[6]。對于非平穩(wěn)信號而言，小波變換具有同時分析信號高、低頻成分的多分辨率特性。由于小波變換一定程度上解決了短時傅里葉變換的缺點，在滾動軸承和旋轉(zhuǎn)機(jī)械其他部件的故障診斷中得到了廣泛應(yīng)用，但小波變換對信號高頻部分的分析不夠完善，在特征提取中容易丟失信號的高頻部分信息。因此，有學(xué)者提出了能夠?qū)崿F(xiàn)信號高頻部分更細(xì)信息分析的小波包變換(Wavelet Packet Transform, WPT)和采用冗余的第二代小波包變換，但其分解效果受到基函數(shù)選擇和分解層數(shù)的影響[7-8]。

1.3 維格納分布

維格納分布(Wigner-Ville Distribution，WVD)由于在時頻分布方面的良好特性，在信號處理中得到廣泛應(yīng)用。但是，維格納分布屬于雙線性，在信號分析中可能存在交叉干擾現(xiàn)象[9]，雖然通過引進(jìn)預(yù)濾波和多分量分離等理論改進(jìn)了維格納分布，但均未在根本上解決該問題。

1.4 自適應(yīng)時頻分析方法

自適應(yīng)時頻分析方法是近年信號處理方面的主流工具，并在軸承的故障診斷中得到了廣泛研究。經(jīng)典的自適應(yīng)非線性信號處理方法——經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)于1998年被提出[10]，經(jīng)驗?zāi)B(tài)分解的基本原理是將信號自適應(yīng)分解為多個本征模態(tài)分量后再對每個分量通過希爾伯特譜變化進(jìn)行時頻分析，其存在端點效應(yīng)、模態(tài)混疊、過包絡(luò)和欠包絡(luò)等問題。在經(jīng)驗?zāi)B(tài)分解的基礎(chǔ)上，先后有集合經(jīng)驗?zāi)B(tài)分解(Ensemble EMD, EEMD)[11]和完全集合經(jīng)驗?zāi)B(tài)分解(Complete Ensemble EMD，CEEMD)[12]等改進(jìn)方法并應(yīng)用于軸承的故障診斷。

也有學(xué)者另辟思路，從理論上提出不同的自適應(yīng)時頻分析方法解決經(jīng)驗?zāi)B(tài)分解存在的問題，如：局部均值分解(Local Mean Decomposition, LMD)與經(jīng)驗?zāi)B(tài)分解的系統(tǒng)性比較表明其可以更好地解決經(jīng)驗?zāi)B(tài)分解存在的過包絡(luò)與欠包絡(luò)問題[13-14]；固有時間尺度分解(Intrinsic Time-scale Decomposition, ITD)[15]的運算速度更快，更加適合信號的在線分解；經(jīng)驗小波變換(Empirical Wavelet Transform, EWT)[16]則在小波變換理論基礎(chǔ)上進(jìn)行構(gòu)建，根據(jù)信號的頻率特性將信號的頻譜自適應(yīng)劃分為多個窄帶頻率分量，在各頻帶上建立小波濾波器并將信號分解為多個不同頻率特征的分量，相比經(jīng)驗?zāi)B(tài)分解擁有更完備的數(shù)學(xué)理論基礎(chǔ)和快速的分解性。

2014年，文獻(xiàn)[17]提出一種新的自適應(yīng)信號處理方法——變分模態(tài)分解(Variational Model Decomposition, VMD)，其通過引入變分約束實現(xiàn)信號分解，突破了以上自適應(yīng)時頻分析方法以遞歸分析為中心的思想，極大地改善了分解過程中存在的模態(tài)混疊和端點效應(yīng)問題。文獻(xiàn)[18]將變分模態(tài)分解進(jìn)行改進(jìn)后應(yīng)用于軸承故障信號的分解，驗證其較優(yōu)的抗噪能力，并與Teager相結(jié)合實現(xiàn)了軸承的早期故障診斷。但變分模態(tài)分解參數(shù)對分解效果影響較大，仍需進(jìn)一步研究。

1.5 小結(jié)

通過以上各類信號處理方法實現(xiàn)軸承振動信號的降噪和分離，然后通過合理準(zhǔn)則選取某一分解后的分量進(jìn)行包絡(luò)分析實現(xiàn)軸承不同故障特征頻率的提取并實現(xiàn)故障診斷，該類方法在工業(yè)實際應(yīng)用中的實時性更高，在離線和在線設(shè)備監(jiān)測與故障診斷中一直是主流。因此，將新提出的先進(jìn)信號處理理論應(yīng)用于軸承故障診斷領(lǐng)域也是一直的研究方向。

2 基于淺層機(jī)器學(xué)習(xí)的軸承故障診斷方法

故障診斷的實質(zhì)是模式識別，而淺層機(jī)器學(xué)習(xí)方法則是典型的模式識別方法，但由于其學(xué)習(xí)能力有限，常常需與各類故障特征提取方法相配合，先通過各類特征提取方法提取故障特征，然后輸入淺層機(jī)器學(xué)習(xí)方法實現(xiàn)故障診斷。

2.1 特征提取方法

2.1.1 時域分析

振動信號在時域狀態(tài)的表現(xiàn)形式是隨時間變化的波形，在故障診斷中通常選擇時域信號的均值、絕對均值、峰值、峰峰值、均方根值和標(biāo)準(zhǔn)差等常用統(tǒng)計量作為故障特征進(jìn)行提取，然后根據(jù)不同統(tǒng)計特征與故障類型的關(guān)系判斷故障或輸入淺層機(jī)器學(xué)習(xí)方法進(jìn)行不同故障類型的分類[15]。

2.1.2 頻域分析

實際采集系統(tǒng)直接獲得的振動信號通常為時域信號，需將其轉(zhuǎn)化到頻域進(jìn)行分析，以更好地反映原始信號的周期性和頻率特性，一般通過頻率統(tǒng)計特征和頻譜進(jìn)行分析[16]。在頻率統(tǒng)計特征方面，通常對頻域信號的平均頻率、均方根頻率、中心頻率和根方差頻率等統(tǒng)計量進(jìn)行特征提取，這些特征可以輸入人工智能模型進(jìn)行故障診斷；在頻譜分析方面，通過幅值譜、功率譜、倒頻譜、細(xì)化譜等頻域方法進(jìn)行信號分析，其中倒頻譜在軸承故障診斷中的應(yīng)用十分廣泛。

2.1.3 非線性動力學(xué)方法

當(dāng)滾動軸承零件存在故障或故障程度不同時，其系統(tǒng)動力學(xué)特性會隨故障類型和程度的不同而變化，所采集振動信號的復(fù)雜性也會存在不同，因此，如Lyapunov指數(shù)、多重分形和信息熵等基于非線性動力學(xué)的參數(shù)可以描述信號的復(fù)雜性，即可提取振動信號的非線性動力學(xué)參數(shù)特征來實現(xiàn)故障診斷[17]。其中，各類熵及其改進(jìn)近年來在軸承故障振動信號特征提取方面得到了一定研究：文獻(xiàn)[18]將近似熵(Approximate Entropy, ApEn)與混沌理論相結(jié)合提取振動信號的微弱特征頻率，實現(xiàn)滾動軸承的故障診斷；文獻(xiàn)[19]通過局部均值分解處理信號后提取分量的樣本熵(Sample Entropy, SE)和能量熵組成故障特征，再通過支持向量機(jī)實現(xiàn)軸承的不同故障分類； 文獻(xiàn)[20]將排列熵(Permutation Entropy, PE)應(yīng)用于旋轉(zhuǎn)機(jī)械運行狀態(tài)的特征提取來實現(xiàn)軸承在線監(jiān)測，排列熵在計算效率、抗噪能力等方面有一定的優(yōu)點，但是排列熵，樣本熵和近似熵對信號的度量均未體現(xiàn)不同類別之間邊緣相對模糊的問題；文獻(xiàn)[21]結(jié)合模糊函數(shù)提出了模糊熵(Fuzzy Entropy, FE)來度量信號的復(fù)雜度，更加符合信號的實際，但模糊熵，樣本熵和排列熵僅在單尺度下對振動信號進(jìn)行衡量而忽略了多尺度下的特征信息；文獻(xiàn)[22]提出了多尺度熵(Multi-Scale Entropy, MSE)并在生物信號中驗證了其有效性；文獻(xiàn)[23]在多尺度熵的啟發(fā)下提出了多尺度排列熵(Multi-Scale Permutation Entropy，MPE)、多尺度模糊熵(Multi-Scale Fuzzy Entropy，MFE)，并在軸承振動信號分析中驗證了其有效性和優(yōu)越性。

2.2 淺層機(jī)器學(xué)習(xí)方法

目前，在故障診斷領(lǐng)域常用的淺層機(jī)器學(xué)習(xí)方法可分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩大類。

常用的監(jiān)督類學(xué)習(xí)方法主要有人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)、支持向量機(jī)(Support Vector Machine, SVM)、相關(guān)向量機(jī)(Relevance Vector Machine, RVM)、核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine, KELM)等模式識別方法，這些方法各有優(yōu)缺點，通常與不同信號處理方法及其他特征提取方法相融合實現(xiàn)軸承故障診斷，無法獨自實現(xiàn)特征自提取與識別[24]。如：人工神經(jīng)網(wǎng)絡(luò)存在結(jié)構(gòu)參數(shù)難確定，易陷入局部最優(yōu)以及訓(xùn)練樣本較大的問題；支持向量機(jī)具有解決小樣本、非線性數(shù)據(jù)和強(qiáng)泛化能力的優(yōu)勢，但稀疏有限且核函數(shù)受Mercer限制；相關(guān)向量機(jī)不受Mercer限制，適應(yīng)于小樣本數(shù)據(jù)，但輸出結(jié)果具有概率性；核極限學(xué)習(xí)機(jī)具有良好的學(xué)習(xí)能力、學(xué)習(xí)速度和泛化能力，尤其在故障預(yù)測方面有一定的優(yōu)勢，但存在不穩(wěn)定和連接權(quán)值等隨機(jī)確定的問題。

非監(jiān)督學(xué)習(xí)主要是以聚類為主的分析方法，聚類分析可以將對象按照某特征屬性進(jìn)行聚合分類，不需要樣本的訓(xùn)練標(biāo)簽[25]，如最近均值和最近鄰分類器及其改進(jìn)方法，K最近鄰(K-Nearest Neighbour, KNN)，K-means算法，GG(Gath-Geva, GG)聚類等，還有很多相似的改進(jìn)聚類方法在軸承故障診斷中得到應(yīng)用，但這些聚類方法在大數(shù)據(jù)下的高維特征聚類中存在一定的困難。

以上信號處理方法、非線性動力學(xué)方法在特征提取方面的泛化能力較弱，與淺層學(xué)習(xí)方法結(jié)合實現(xiàn)故障診斷的結(jié)果受人為經(jīng)驗影響且步驟繁瑣。

3 基于深度學(xué)習(xí)的軸承故障診斷方法

隨著旋轉(zhuǎn)機(jī)械設(shè)備的高度現(xiàn)代化和智能化，設(shè)備的運行將產(chǎn)生海量能夠表征運行狀態(tài)的數(shù)據(jù)，這導(dǎo)致上述淺層學(xué)習(xí)模型很難從海量數(shù)據(jù)中挖掘出能夠表征故障的特征，而以深度學(xué)習(xí)為主的方法恰好彌補(bǔ)了淺層機(jī)器學(xué)習(xí)的這一缺點，在軸承故障診斷領(lǐng)域逐步得到應(yīng)用。

深度學(xué)習(xí)是人工智能方面的巨大突破，其具有的深層網(wǎng)絡(luò)結(jié)構(gòu)可以直接從振動信號中學(xué)習(xí)最本質(zhì)的特征從而實現(xiàn)故障診斷，避免了各種信號處理方法手動提取特征的過程[26]。

目前，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)、深度信念網(wǎng)絡(luò)(Deep Belief Network, DBN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)、堆疊自動編碼器(Stacked Auto Encoders, SAE)等深度學(xué)習(xí)方法已經(jīng)在軸承故障診斷領(lǐng)域取得了初步應(yīng)用。文獻(xiàn)[27]提出了改進(jìn)多尺度卷積神經(jīng)網(wǎng)絡(luò)，解決了一維卷積無法提取信號多尺度特征的缺點，實現(xiàn)了對振動信號的多尺度特征的提取，提升了滾動軸承在大噪聲、變載荷和轉(zhuǎn)速工況下的故障診斷能力；文獻(xiàn)[28]提出一種粒子群優(yōu)化深度信念網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)的故障診斷模型，通過粒子群優(yōu)化算法對深度信念網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)實現(xiàn)自適應(yīng)調(diào)節(jié)，有效實現(xiàn)軸承故障診斷；由于循環(huán)神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的時間序列信息相關(guān)性挖掘能力，文獻(xiàn)[29]通過循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)滾動軸承故障診斷，并在模型中通過基于堆疊自動編碼器的門控循環(huán)單元實現(xiàn)故障檢測，提高了模型的泛化能力；文獻(xiàn)[30]提出一種經(jīng)驗?zāi)B(tài)分解與堆疊稀疏自動編碼器(Stacked Sparse Auto Encoders, SSAE)相結(jié)合的故障診斷方法，通過經(jīng)驗?zāi)B(tài)分解實現(xiàn)模態(tài)分量特征提取和降噪，然后輸入堆疊稀疏自動編碼器模型實現(xiàn)故障診斷：可見，深度學(xué)習(xí)方法已成為解決復(fù)雜工況和大數(shù)據(jù)下故障診斷的有效手段。

在模型的訓(xùn)練和測試中，以上傳統(tǒng)深度學(xué)習(xí)算法的訓(xùn)練集和測試集屬于相同的分布。然而在實際應(yīng)用中，軸承經(jīng)常在變工況下運行，不同工況下獲得的訓(xùn)練集和測試集的分布通常是不同的，深度學(xué)習(xí)模型很難在這種情況下取得良好的識別效果。深度遷移學(xué)習(xí)方法可以有效地提取訓(xùn)練集和測試集中的共同特征而減小兩者之間的分布差異，是解決上述問題的有效思路。文獻(xiàn)[35]提出了一種跨域?qū)W習(xí)的深度學(xué)習(xí)方法，實現(xiàn)了不同工況以及機(jī)器之間的故障診斷。文獻(xiàn)[36]提出了多層域自適應(yīng)深度學(xué)習(xí)方法，在深度學(xué)習(xí)的每一層都進(jìn)行域自適應(yīng)學(xué)習(xí)來實現(xiàn)不同域特征的相同特征提取，從而進(jìn)一步實現(xiàn)軸承的故障診斷。文獻(xiàn)[37]提出了域適應(yīng)深度置信網(wǎng)絡(luò)學(xué)習(xí)方法，文獻(xiàn)[38]提出了一種深度卷積域?qū)咕W(wǎng)絡(luò)的軸承故障診斷方法，均能夠?qū)崿F(xiàn)變工況下軸承的故障診斷?；谏疃冗w移學(xué)習(xí)及其改進(jìn)的方法在軸承故障診斷中取得了良好的應(yīng)用效果，但其復(fù)雜的結(jié)構(gòu)參數(shù)需要智能優(yōu)化，會消耗大量的計算時間，對工業(yè)應(yīng)用中的實時監(jiān)測有較大的影響。

除了訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)很難滿足獨立以及相同分布條件的問題，在實際工業(yè)環(huán)境中也很難獲得足夠的故障樣本，這使得建立的優(yōu)化模型難以實際應(yīng)用，因此實現(xiàn)小樣本下深度學(xué)習(xí)在故障診斷方面的突破是當(dāng)前面臨的主要問題。小樣本是指在少量有標(biāo)簽樣本訓(xùn)練下實現(xiàn)模型的學(xué)習(xí)訓(xùn)練，如何從少量的樣本中學(xué)習(xí)新的概念是小樣本學(xué)習(xí)所面臨的挑戰(zhàn)[39]。目前的主要解決思路有擴(kuò)充目標(biāo)樣本量和實現(xiàn)源域與目標(biāo)域數(shù)據(jù)集共同特征的提取2種思路，后一種仍屬于遷移學(xué)習(xí)范疇：文獻(xiàn)[40]提出了基于遷移學(xué)習(xí)實現(xiàn)源域?qū)W習(xí)知識遷移目標(biāo)域的小樣本故障診斷方法；文獻(xiàn)[41]提出了不平衡樣本下遷移公共特征空間挖掘的故障診斷，采用公共特征空間比較網(wǎng)絡(luò)實現(xiàn)不同域特征的共性和個性學(xué)習(xí)，再實現(xiàn)故障軸承的診斷；文獻(xiàn)[42]提出了一種結(jié)合預(yù)測生成去噪自動編碼器和深度珊瑚網(wǎng)絡(luò)的模型實現(xiàn)小樣本下的故障診斷；文獻(xiàn)[43]提出了一種新的數(shù)據(jù)合成方法和深度特征增強(qiáng)對抗網(wǎng)絡(luò)學(xué)習(xí)模型實現(xiàn)軸承的小樣本不平衡故障診斷；文獻(xiàn)[44]提出了基于深度對抗網(wǎng)絡(luò)模型的軸承故障診斷方法，能夠?qū)崿F(xiàn)跨域和小樣本下的故障診斷。

生成對抗式網(wǎng)絡(luò)應(yīng)該是今后小樣本下故障診斷的研究方向，同時將其與遷移學(xué)習(xí)相結(jié)合將成為解決當(dāng)前軸承故障診斷中存在的跨域和樣本不平衡問題的可行思路。在工業(yè)大數(shù)據(jù)時代下，基于深度學(xué)習(xí)的故障診斷方法將是實現(xiàn)智能運維分析和決策的可行思路。

4 結(jié)束語

本文總結(jié)了以振動信號數(shù)據(jù)為驅(qū)動的滾動軸承故障診斷方法的3類技術(shù)路線，并對各路線中具體方法的當(dāng)前應(yīng)用現(xiàn)狀和本身存在的問題進(jìn)行了梳理。基于信號分解的方法由于實時性較高，應(yīng)用性較強(qiáng)，仍是目前研究的熱點；基于淺層機(jī)器學(xué)習(xí)的方法由于過程繁瑣且泛化能力弱，會逐漸淡出研究視野，取而代之的是大數(shù)據(jù)時代下基于深度學(xué)習(xí)方法的應(yīng)用，這也將成為今后軸承故障診斷的主要思路。