摘 要 滑動軸承是大型旋轉(zhuǎn)機(jī)械中的重要支撐設(shè)備，對滑動軸承進(jìn)行潤滑狀態(tài)監(jiān)測及早期故障診斷對機(jī)組安全生產(chǎn)有重要意義. 本文闡述了滑動軸承的故障狀態(tài)及失效形式，詳細(xì)說明了振動信號、聲發(fā)射信號及鐵譜分析等技術(shù)在滑動軸承狀態(tài)監(jiān)測中的運(yùn)用，綜述了專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)在滑動軸承故障識別中的有效應(yīng)用. 通過分析對未來的發(fā)展趨勢進(jìn)行了展望：結(jié)合新一代人工智能與傳感技術(shù)，通過多物理場信號進(jìn)行融合監(jiān)測，發(fā)展建立軸承信號標(biāo)準(zhǔn)數(shù)據(jù)庫，結(jié)合可視化研究和遠(yuǎn)程監(jiān)測，實(shí)現(xiàn)快速精準(zhǔn)的滑動軸承狀態(tài)監(jiān)測與故障診斷.

關(guān)鍵詞 滑動軸承；狀態(tài)監(jiān)測；故障診斷；神經(jīng)網(wǎng)絡(luò)；人工智能

中圖分類號 TH133.31；TH165+.3 文獻(xiàn)標(biāo)識碼 A

0 前 言

軸承廣泛應(yīng)用于機(jī)械工程中，作為旋轉(zhuǎn)機(jī)械的零部件，在機(jī)械中支撐旋轉(zhuǎn)體，并使轉(zhuǎn)軸轉(zhuǎn)動產(chǎn)生的摩擦力減至最低[1]. 滑動軸承是汽輪機(jī)組等旋轉(zhuǎn)機(jī)械的核心部件，優(yōu)點(diǎn)是運(yùn)行平穩(wěn)，噪音低，承載力高，抗震性強(qiáng)和使用壽命長等[2-3]. 對企業(yè)而言，滑動軸承作為大型旋轉(zhuǎn)設(shè)備機(jī)組的關(guān)鍵部件，其運(yùn)行狀態(tài)的監(jiān)測與故障診斷對設(shè)備的運(yùn)行及維護(hù)具有重要指導(dǎo)價(jià)值，并對設(shè)備維護(hù)、維修的效率和成本有直接影響，是機(jī)組安全運(yùn)行的重要保障.

目前，對于滑動軸承的狀態(tài)監(jiān)測與故障診斷技術(shù)已處于研究與應(yīng)用階段，研究和開發(fā)滑動軸承故障預(yù)測方法是當(dāng)今非常重要的科技課題. 相較于傳統(tǒng)研究，當(dāng)前對于滑動軸承潤滑狀態(tài)監(jiān)測與故障診斷方法的研究重點(diǎn)發(fā)生了轉(zhuǎn)移，從重點(diǎn)研究油膜逐漸發(fā)展為對接觸面微結(jié)構(gòu)的分析與研究上來. 通過整理分析近年來相關(guān)研究成果，梳理了滑動軸承潤滑狀態(tài)監(jiān)測及故障診斷方法，對當(dāng)前研究現(xiàn)狀進(jìn)行了評述，并對未來研究發(fā)展方向進(jìn)行了展望.

1 滑動軸承故障狀態(tài)及防治措施

由于滑動軸承與滾動軸承存在諸多差異，如結(jié)構(gòu)不同、運(yùn)動方式不同、摩擦力形式不同等，因此滑動軸承的故障狀態(tài)及失效形式與滾動軸承差別較大. 滑動軸承的故障狀態(tài)是指在運(yùn)行過程中發(fā)生異常，性能下降，或其他工作參數(shù)超過規(guī)定界限，使滑動軸承喪失部分或全部功能的現(xiàn)象[4].

滑動軸承運(yùn)行平穩(wěn)，但啟動時阻力相對滾動軸承而言要大得多，滑動軸承的磨損也較多發(fā)生在啟停階段，所以滑動軸承要求軸襯材料具有良好的減摩性和耐磨性. 軸承合金是滑動軸承專用的耐磨、減摩材料，也稱巴氏合金或白合金，通常用鑄造的方法將巴氏合金澆筑在材料強(qiáng)度較高的軸瓦表面[5].

常見的滑動軸承故障有巴氏合金松脫、巴氏合金損壞（磨損、刮傷、咬粘、腐蝕等）、軸承間隙不當(dāng)?shù)?，均可進(jìn)行針對性防治，例如重新澆筑巴氏合金、在軸承合金中增添錫和銻的成分提高耐腐蝕性能、仔細(xì)刮瓦、提高裝配精度等措施[6].

油膜振蕩是流體動壓軸承特有的故障，油膜振蕩由半速油膜渦動發(fā)展，當(dāng)轉(zhuǎn)子轉(zhuǎn)速升至一階臨界轉(zhuǎn)速的兩倍時，油膜渦動頻率與轉(zhuǎn)子固有頻率重合，引起轉(zhuǎn)子軸承系統(tǒng)發(fā)生劇烈共振，振幅突然增加，發(fā)出明顯的撞擊聲，導(dǎo)致油膜破裂，軸頸與軸瓦碰撞甚至損壞，造成巨大損失[7]. 防治油膜振蕩的常用措施有：做好轉(zhuǎn)子動靜平衡、運(yùn)行前做好各項(xiàng)參數(shù)檢查、提高轉(zhuǎn)子的臨界轉(zhuǎn)速、提高軸承比壓、調(diào)整軸承間隙、提高油溫等[8].

2 狀態(tài)監(jiān)測

影響滑動軸承狀態(tài)的因素非常多，除本文上節(jié)所述，還包括軸承材料缺陷、潤滑油供油不穩(wěn)、油質(zhì)惡化、潤滑油受顆粒物污染、軸瓦偏移、轉(zhuǎn)子不對中等[9-13]. 這些因素將威脅到機(jī)組的穩(wěn)定經(jīng)濟(jì)運(yùn)行. 對滑動軸承進(jìn)行有效的狀態(tài)監(jiān)測，及時發(fā)現(xiàn)并排除隱患，對整個轉(zhuǎn)子-軸承系統(tǒng)的正常運(yùn)行具有重要意義[14].

滑動軸承潤滑狀態(tài)監(jiān)測通常包括如圖1所示的三個環(huán)節(jié)：①信號采集：可監(jiān)測的參數(shù)通常包括振動信號、潤滑油溫度、油屑、背景噪聲、聲發(fā)射信號等[15]；②特征提取：通過對獲取的數(shù)據(jù)進(jìn)行深入分析，提取特征以反映故障信息[16]；③故障識別：對所提取的特征參數(shù)，進(jìn)一步借助神經(jīng)網(wǎng)絡(luò)或人工智能等現(xiàn)代智能方法對故障進(jìn)行診斷預(yù)測.

2.1 信號采集

對滑動軸承進(jìn)行狀態(tài)監(jiān)測及故障診斷，離不開先進(jìn)傳感技術(shù)的使用. 由于設(shè)備運(yùn)行故障信息多表現(xiàn)于機(jī)械動力學(xué)、熱力學(xué)、聲學(xué)等多物理場，國內(nèi)外相關(guān)研究人員對此做了大量的研究工作.

2.1.1 振動信號

振動分析是工業(yè)上最常用的狀態(tài)監(jiān)測技術(shù)之一，具有信息豐富、傳感器安裝方便等優(yōu)點(diǎn)[11]. 且振動噪聲中的頻譜、頻率等特征能有效突出滑動軸承的故障狀態(tài)[17-18].

Poddar等[9]使用加速度傳感器分別獲取了清潔潤滑油及加入不同尺寸污染物的振動頻譜，分析并指出隨著污染物顆粒的尺度和濃度增大，振動信號隨之明顯增加. Oliveira等[19]利用轉(zhuǎn)子振動獲取軸承潤滑狀態(tài)，開發(fā)了一種基于模型的過程識別技術(shù)，能很好地預(yù)估軸承在不同潤滑條件下的潤滑油流量，提供了一種有效的供油識別方法. Gecgel等[20]開發(fā)了一個使用模擬振動信號和深度學(xué)習(xí)算法對滑動軸承磨損故障進(jìn)行分類的框架，并使用不同磨損程度和操作條件下的數(shù)值模擬數(shù)據(jù)集來訓(xùn)練和測試診斷框架，表現(xiàn)良好. Oh，H等[21]為了提高可擴(kuò)展性，結(jié)合各種規(guī)模系統(tǒng)的數(shù)據(jù)，設(shè)計(jì)了一種振動成像方法，此外還提出了一種用于無監(jiān)督特征工程的深度學(xué)習(xí)方法. 通過實(shí)際案例研究表明，該方法在保持準(zhǔn)確性的同時，可以大大提高故障診斷方法的適用性.

開展轉(zhuǎn)子系統(tǒng)早期碰摩診斷的研究工作具有現(xiàn)實(shí)意義，由于振動信號的主要能量主要分布在1 500 Hz以下低頻區(qū)域，在滑動軸承工作環(huán)境中，干擾信號也多為低頻，因而分離有效信號比較困難. 并且對直徑小于10 μm大小的污染物，振動監(jiān)測效果并不明顯. 這表明單純使用振動信號監(jiān)測，不能及時發(fā)現(xiàn)滑動軸承的早期故障，綜合多物理場信號對滑動軸承進(jìn)行監(jiān)測，早期診斷效果更佳. 通過積累足夠量的實(shí)驗(yàn)數(shù)據(jù)，創(chuàng)建滑動軸承運(yùn)行狀態(tài)數(shù)據(jù)庫，對滑動軸承的潤滑狀態(tài)進(jìn)行預(yù)測是未來的研究方向，將大數(shù)據(jù)與可視化技術(shù)結(jié)合能夠進(jìn)一步提升滑動軸承狀態(tài)監(jiān)測與故障識別水平. 同時，使用仿真驅(qū)動的深度學(xué)習(xí)方法，在診斷滑動軸承的磨損故障應(yīng)用中具有廣闊前景.

2.1.2 聲發(fā)射信號

聲發(fā)射作為一種無損動態(tài)檢測技術(shù)，具有靈敏度高、響應(yīng)快、對線性缺陷敏感、抗干擾性強(qiáng)、傳感器安裝方便、不受材料幾何形狀影響等優(yōu)點(diǎn)[22]. 因此非常適用于對噪聲復(fù)雜環(huán)境下運(yùn)行的滑動軸承進(jìn)行聲發(fā)射檢測.

材料內(nèi)部或表面因局部變形或損傷，材料中局部區(qū)域應(yīng)力集中，快速釋放應(yīng)變能并產(chǎn)生瞬態(tài)彈性波的現(xiàn)象被稱為聲發(fā)射（Acoustic Emission，AE）. 聲發(fā)射信號內(nèi)含豐富的碰摩信息，且碰摩時釋放的能量與聲發(fā)射信號的幅值直接相關(guān). 通過分析聲發(fā)射檢測所得的各種參數(shù)，便可了解材料內(nèi)部的缺陷情況. 在普通聲發(fā)射檢測的基礎(chǔ)上，采用多通道聲發(fā)射檢測系統(tǒng)，可進(jìn)一步確定滑動軸承缺陷的具體部位. 使用聲發(fā)射技術(shù)對旋轉(zhuǎn)機(jī)械進(jìn)行檢測的過程如圖2所示[23].

對潤滑狀態(tài)進(jìn)行分類是聲發(fā)射在滑動軸承上最廣泛的用途之一. Sadegh等[24]對聲發(fā)射記錄信號進(jìn)行特征提取，然后對提取的特征進(jìn)行選擇和分類. 譚浩宇等[25]通過利用信息熵距方法分析聲發(fā)射信號，通過信息熵距圖有效區(qū)分滑動軸承的3種潤滑狀態(tài)，提高了信息利用率. 盧緒祥等[26]采用基于聲發(fā)射信號信息（火用）貼進(jìn)度和方差的方法，實(shí)現(xiàn)對不同潤滑狀態(tài)的準(zhǔn)確診斷. F. K？觟nig等[27]針對滑動軸承中存在的潤滑油顆粒污染問題，將聲發(fā)射（AE）技術(shù)應(yīng)用于滑動軸承試驗(yàn)臺，使用機(jī)器學(xué)習(xí)的方法評估AE信號以檢測軸承的異常. 在顆粒污染的情況下，該方法的靈敏度和準(zhǔn)確率分別為97%和100%. Poddar等[28]以聲發(fā)射數(shù)據(jù)為輸入，在故障分類的基礎(chǔ)上開發(fā)建立了一種故障預(yù)測應(yīng)用，在故障狀態(tài)觸發(fā)報(bào)警的同時，還能診斷故障的類別.

上述研究表明，基于聲發(fā)射信號的系統(tǒng)訓(xùn)練、測試和驗(yàn)證的目標(biāo)具有良好的相關(guān)性，且計(jì)算成本非常低，能夠有效地進(jìn)行特征提取和選擇，解決了3種潤滑類型的分類問題. 通過信息熵等方法對滑動軸承聲發(fā)射信號進(jìn)行分析，能夠?qū)櫥瑺顟B(tài)進(jìn)行更直觀、清晰與準(zhǔn)確的診斷. 此外，聲發(fā)射信號能準(zhǔn)確識別出滑動軸承中存在的顆粒污染問題，但在缺油和磨合過程時準(zhǔn)確率不高.

在實(shí)際運(yùn)行環(huán)境下，滑動軸承的聲發(fā)射信號受噪聲污染嚴(yán)重，進(jìn)行研究前需首先采用降噪算法進(jìn)行去噪，通過分析聲發(fā)射信號的特征，有助于對滑動軸承進(jìn)行故障判別，且通過合理布置聲發(fā)射傳感器能進(jìn)一步確定故障位置，有利于早期故障預(yù)警及降低檢修成本.

張峻寧等[29]結(jié)合AE信號的特點(diǎn)，提出了基于多層多位置稀疏的滑動軸承AE信號降噪算法，能夠有效獲得滑動軸承不同程度摩擦狀態(tài)的變化. 另一方面，張峻寧等[30]提出一種改進(jìn)的K-SVD字典的滑動軸承AE信號去噪算法，有效去除了AE信號中易于裂紋混淆的噪聲，凸顯故障特征. 張穎等[31]采用非接觸式聲發(fā)射波形流測試技術(shù)采集滑動軸承不同狀態(tài)下的信號，并運(yùn)用雙譜分析方法對聲發(fā)射波形流信號進(jìn)行分析，根據(jù)雙譜分析三維圖及等高線圖表現(xiàn)出的不同特征，實(shí)現(xiàn)對滑動軸承不同故障的判別. 王曉偉等[32]將聲發(fā)射技術(shù)用于可傾瓦徑向滑動軸承故障的檢測，根據(jù)信號傳播時間，AE均方根值、布置傳感器的位置及軸承的結(jié)構(gòu)可以推斷出發(fā)生碰摩的瓦塊位置.

2.1.3 鐵譜分析

鐵譜分析是用于檢測滑動軸承磨損狀態(tài)的有效技術(shù)，通過利用高強(qiáng)度磁場，將潤滑油中含有的磨粒分離出來，利用顯微鏡進(jìn)行觀察和定性定量分析[33]. 鐵譜分析技術(shù)具有較高的檢測效率和較寬的磨粒尺寸檢測范圍，能夠準(zhǔn)確判斷機(jī)器的磨損變化.

目前鐵譜分析主要有4種類型：直讀鐵譜儀、分析式鐵譜儀、旋轉(zhuǎn)式鐵譜儀及在線鐵譜儀[34]，前3種類型都需要先從設(shè)備中采集油樣，隨后進(jìn)行處理并觀察，在故障診斷的及時性和連續(xù)性上都存在不足，且分析鐵譜也是一種較為依靠個人經(jīng)驗(yàn)的技術(shù)，這也是該技術(shù)的不足之處. 為提高鐵譜分析速度，擺脫對操作者個人經(jīng)驗(yàn)的依賴，在線鐵譜儀的出現(xiàn)為實(shí)時連續(xù)監(jiān)測磨損變化提供了可行性，結(jié)合圖像特征等評價(jià)方法，有效提高了鐵譜分析的精度和可靠性.

2.1.4 其他信號

除了上述信號外，在滑動軸承故障診斷中常用的檢測信號還包括潤滑油油溫、油壓、油膜厚度、軸承溫度、軸心軌跡等，上述信號能在不同方面反映滑動軸承的故障信息.

朱軍等[35]使用熱電信號均值與電勢值來實(shí)時判斷滑動軸承的累計(jì)磨損量和瞬時磨損量. Hu等[36]建立了潤滑油膜的厚度分析模型，解決了軸頸表面溫度分布問題，分析了軸頸表面溫差產(chǎn)生的原因及其對轉(zhuǎn)子振動的影響. 陳閩杰等[37]采用油壓曲線監(jiān)測的方法，彌補(bǔ)了油液分析和振動分析的不足. 郭明軍等[38]將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于滑動軸承轉(zhuǎn)子軸心軌跡識別中，對該模型進(jìn)行試驗(yàn)，可實(shí)現(xiàn)轉(zhuǎn)子故障的精確診斷，并具有自適應(yīng)特征學(xué)習(xí)能力.

使用熱電效應(yīng)的監(jiān)測方法，能夠有效判斷滑動軸承的磨損狀態(tài). 另外，油膜的狀態(tài)很大程度上反映著滑動軸承的運(yùn)行狀態(tài)，其動態(tài)特性直接影響整個旋轉(zhuǎn)機(jī)械系統(tǒng)能否正常運(yùn)行及運(yùn)行的品質(zhì)，油膜的厚度是保證軸承穩(wěn)定、可靠運(yùn)行的最主要參數(shù). 對于油膜厚度的測量，是對滑動軸承運(yùn)行狀態(tài)診斷的關(guān)鍵技術(shù)，也是檢測難度最大的參數(shù)，因此，工程上也常對油液其他指標(biāo)進(jìn)行監(jiān)測. 除了對油膜和油液進(jìn)行監(jiān)測外，利用軸心軌跡對滑動軸承進(jìn)行狀態(tài)監(jiān)測也是一種行之有效的方法. 軸心軌跡能夠有效反映滑動軸承運(yùn)行狀態(tài)，在現(xiàn)代旋轉(zhuǎn)機(jī)械日益大型化和高自動化的背景下，該識別方法也逐步向智能化、多元化發(fā)展.

從上述內(nèi)容不難看出，國內(nèi)外眾多學(xué)者根據(jù)不同物理信號的特點(diǎn)對滑動軸承進(jìn)行監(jiān)測，獲得了豐富的研究經(jīng)驗(yàn)和成果，為滑動軸承潤滑狀態(tài)監(jiān)測與故障診斷工作奠定了堅(jiān)實(shí)的基礎(chǔ). 但目前的信號獲取工作大多停留在實(shí)驗(yàn)室模擬和仿真階段，且少有綜合多物理場信號對滑動軸承潤滑狀態(tài)的監(jiān)測工作.

2.2 特征提取

通過各種監(jiān)測方法獲取了滑動軸承的油膜、油溫、油壓、軸心軌跡、振動、聲發(fā)射等信號后，接下來的關(guān)鍵則是從信號中提取有效特征信息. 對滑動軸承潤滑狀態(tài)的信號處理技術(shù)可以分為基于時域、頻域和時-頻域的方法.

2.2.1 基于時域的特征提取

盧緒祥等[39]對形態(tài)濾波器進(jìn)行了優(yōu)化設(shè)計(jì)，并實(shí)時計(jì)算了某汽輪發(fā)電機(jī)組滑動軸承升速過程中聲發(fā)射信號的時域特征參數(shù)，包括均方根值、峰值及峭度因子等，能快速準(zhǔn)確地診斷滑動軸承潤滑故障. 李偉光等[40]利用協(xié)方差矩陣特征值差分譜的概念來描述有效主成分與次要成分的特征值差異性，將改進(jìn)PCA算法用于大型滑動軸承實(shí)驗(yàn)臺轉(zhuǎn)子的軸心軌跡提純，效果優(yōu)于傳統(tǒng)PCA算法. Xiang，L等[41]利用時域圖、頻譜和級聯(lián)譜提取轉(zhuǎn)子系統(tǒng)的響應(yīng)特征，揭示了裂紋、摩擦沖擊和油膜渦動等故障的耦合效應(yīng)，提出了轉(zhuǎn)子-軸承系統(tǒng)多故障相互作用的響應(yīng)特征和非線性動力學(xué)行為.

2.2.2 基于頻域的特征提取

Babu等[42]介紹了基于巴特沃斯濾波器的快速傅里葉變換信號處理方法，用于滑動軸承狀態(tài)監(jiān)測. Babu，TN等[43]基于Debauchies小波-02對滑動軸承進(jìn)行故障診斷，使用快速傅里葉變換獲得頻域信號，結(jié)合人工神經(jīng)網(wǎng)絡(luò)對故障進(jìn)行分類，結(jié)果表明自動軸承故障檢測的成功率很高. 冉鈞等[44]提出了一種對頻域振幅進(jìn)行灰色關(guān)聯(lián)分析的轉(zhuǎn)子故障模式辨識新方法，在不同轉(zhuǎn)速頻率下均能取得良好的效果.

2.2.3 基于時頻域的特征提取

研究表明聲發(fā)射信號在時域和頻域中表現(xiàn)出很強(qiáng)的局部性，因此由特征提取而產(chǎn)生的系統(tǒng)誤差較小. F. K？觟nig等[45]對滑動軸承聲發(fā)射信號進(jìn)行了時頻域特征提取，用于滑動軸承磨損和疲勞故障檢測以及壽命預(yù)測且表現(xiàn)良好. T. Babu等[46]綜述了從不同測量系統(tǒng)獲得的測量數(shù)據(jù)中識別滑動軸承動態(tài)特性的各種方法，介紹了時域和頻域的各種數(shù)據(jù)處理方法. 趙柄錫等[47]針對轉(zhuǎn)子系統(tǒng)早期碰摩故障，提出一種基于時域和時-頻域聯(lián)合特征提取和分析的方法，為復(fù)雜故障的識別提供參考.

2.2.4 其他特征提取方法

除上述時域、頻域、時頻域特征提取方法外，常用特征提取方法還包括分形幾何、譜分析等方法.

分形幾何為復(fù)雜信號提供了一種幾何結(jié)構(gòu)分析方法，已在很多領(lǐng)域有了成功應(yīng)用. 王浩等[48]通過對緊密度、豐度和分形維數(shù)的聯(lián)合，較好地評定和區(qū)分轉(zhuǎn)子系統(tǒng)的運(yùn)行狀態(tài). 梁寧等[49]針對滾動軸承振動信號進(jìn)行一系列基于分形幾何的滾動軸承診斷方法研究，研究表明，分形幾何可以有效地用于非線性、非穩(wěn)定性信號的軸承故障診斷. 張亢等[50]將滾動軸承故障特征的PF分量形態(tài)學(xué)分形維數(shù)作為特征量以判斷滾動軸承故障類型. 孟宗等[51]也將局部特征分解與形態(tài)學(xué)分形維數(shù)相結(jié)合，有效地實(shí)現(xiàn)了對滾動軸承的故障診斷.

信號的譜分析是指信號的某些特征在頻域的分布，如幅值譜、相位譜、能量譜、功率譜等. 邊杰等[52]采用VMD和包絡(luò)切片譜結(jié)合的方法，對各模態(tài)分量進(jìn)行幅值譜分析對比，對滾動軸承故障非平穩(wěn)信號的特征進(jìn)行了有效提取. 汪鵬宇等[53]提出改進(jìn)角度-時間譜分析的滾動特征提取方法，能夠?qū)收想A次進(jìn)行準(zhǔn)確分析，對軸承變轉(zhuǎn)速下的故障特征進(jìn)行表征. 陳鵬等[53]針對VMD和群分解法在軸承早期故障診斷中特征提取困難的問題進(jìn)行研究，采用平方包絡(luò)譜負(fù)熵準(zhǔn)則對群分解進(jìn)行優(yōu)化，能夠有效提取軸承早期復(fù)合故障.

分形幾何、譜分析技術(shù)在非線性、非平穩(wěn)型號特征提取方面具有獨(dú)特優(yōu)勢，但目前該方法大部分研究應(yīng)用主要集中于滾動軸承的故障診斷方面，對于滑動軸承潤滑狀態(tài)上的應(yīng)用研究還較少，將在滾動軸承上成熟的故障診斷識別技術(shù)遷移到滑動軸承領(lǐng)域，采用分形幾何、譜分析等特征提取技術(shù)與自適應(yīng)優(yōu)化算法相結(jié)合，并借助深度學(xué)習(xí)網(wǎng)絡(luò)、專家系統(tǒng)以及新一代智能故障識別技術(shù)對滑動軸承進(jìn)行潤滑狀態(tài)監(jiān)測及早期故障診斷，具有廣闊的發(fā)展空間.

3 故障識別

機(jī)械故障智能識別的基本原理是通過信號分析技術(shù)或網(wǎng)絡(luò)學(xué)習(xí)得到有效特征，然后通過分類或者聚類的算法實(shí)現(xiàn)機(jī)械狀態(tài)的識別[54-55]. 在故障識別過程中，合適的模式識別算法對于診斷的效果有重要影響[56].

3.1 專家系統(tǒng)

專家系統(tǒng)是指利用研究領(lǐng)域?qū)＜业膶I(yè)知識進(jìn)行推理，用與專家相同的能力，解決專業(yè)的、高難度的實(shí)際問題的智能系統(tǒng)[57]. 借助專家系統(tǒng)對滑動軸承進(jìn)行診斷，能夠快速精確地找出缺陷，預(yù)防惡性問題的發(fā)生. 陳超[58]開發(fā)了旋轉(zhuǎn)機(jī)械故障診斷專家系統(tǒng)，該系統(tǒng)將EXSYS專家系統(tǒng)建造軟件集成于系統(tǒng)中，簡化了知識庫及推理機(jī)建立及維護(hù)的過程，但有待進(jìn)一步開發(fā)狀態(tài)趨勢預(yù)測以及建立故障預(yù)測專家系統(tǒng). Tahi，M等[59]采用基因包裝器技術(shù)減少了大量信號冗余屬性，選擇最佳輸入特征，構(gòu)建了一種基于決策樹的專家系統(tǒng)來識別和診斷軸承狀態(tài)，并在試驗(yàn)臺上對軸承的缺陷、不對中、不平衡和良好狀態(tài)進(jìn)行了驗(yàn)證. 目前關(guān)于專家系統(tǒng)進(jìn)行滑動軸承狀態(tài)監(jiān)測及故障診斷相關(guān)的研究較少，現(xiàn)階段國內(nèi)外對專家系統(tǒng)的應(yīng)用停留在相對基礎(chǔ)且輕量級的階段，遠(yuǎn)不能滿足大型商業(yè)應(yīng)用的需求. 在滑動軸承狀態(tài)監(jiān)測與故障診斷方面，專家系統(tǒng)的下一步發(fā)展將以模型推理為主，結(jié)合規(guī)則推理，滿足對實(shí)時以及大數(shù)據(jù)量處理的需求.

3.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是一種模擬人腦結(jié)構(gòu)及功能的信息處理系統(tǒng)，克服了傳統(tǒng)人工智能方法對于直覺方面的缺陷，使之在神經(jīng)專家系統(tǒng)、組合優(yōu)化、模式識別、智能控制、預(yù)測等領(lǐng)域得到了很好的應(yīng)用[60-61]. 近年來，國內(nèi)外眾多學(xué)者對基于ANN的滑動軸承故障診斷技術(shù)進(jìn)行了大量研究與應(yīng)用[62-66]. 在自動編碼器的幫助下，可以有效提高神經(jīng)網(wǎng)絡(luò)的魯棒性，Babu N T等[67]通過將深度神經(jīng)網(wǎng)絡(luò)（DNN）與自動編碼器相結(jié)合，對滑動軸承進(jìn)行自動故障分類，采用比例共軛梯度算法進(jìn)行訓(xùn)練，使特征提取方法達(dá)到100%的效率. 長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）非常適合基于時間序列數(shù)據(jù)進(jìn)行分類，處理和預(yù)測，由于需要對滑動軸承進(jìn)行長時間的狀態(tài)監(jiān)測，F(xiàn). K？觟nig等[68]開發(fā)了一種使用聲發(fā)射信號和長短期記憶神經(jīng)網(wǎng)絡(luò)對滑動軸承進(jìn)行數(shù)據(jù)驅(qū)動的磨損監(jiān)測方法，能夠?qū)崟r進(jìn)行磨損監(jiān)控并保證良好的精度. 在此基礎(chǔ)上，Ding，N等[69]提出基于長短期記憶神經(jīng)網(wǎng)絡(luò)的單階段和多階段迭代預(yù)測模型進(jìn)行滑動軸承退化評估和剩余壽命預(yù)測，多階段迭代預(yù)測可以實(shí)現(xiàn)早期碰摩預(yù)警，效果優(yōu)于單階段迭代預(yù)測和傳統(tǒng)的機(jī)器學(xué)習(xí)預(yù)測. BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，具有很強(qiáng)的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)，文周等[70]提出了一種基于思維進(jìn)化算法（MEA）的BP神經(jīng)網(wǎng)絡(luò)滑動軸承故障診斷方法，結(jié)果表明MEA-BP故障診斷法較未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)故障診斷法優(yōu)勢明顯. 人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)在滑動軸承故障診斷領(lǐng)域經(jīng)過多年研究和發(fā)展，已成為當(dāng)前比較先進(jìn)的技術(shù). 但是還存在許多缺陷，如現(xiàn)有模型算法的訓(xùn)練速度不夠快；算法的集成度不夠高等. 未來生物神經(jīng)元系統(tǒng)仍需進(jìn)一步深入研究，在理論上繼續(xù)尋找創(chuàng)新點(diǎn)，進(jìn)而建立新的適用于滑動軸承的模型及算法.

3.3 支持向量機(jī)

支持向量機(jī)（Support vector machine，SVM）是一種經(jīng)典的分類技術(shù). SVM的優(yōu)越性使其在回歸估計(jì)、概率密度函數(shù)估計(jì)模式識別等領(lǐng)域均有廣泛應(yīng)用[71]. 王金東等[72]提出一種基于多重共振稀疏分解與多尺度符號動力學(xué)熵相結(jié)合的往復(fù)壓縮機(jī)滑動軸承故障診斷方法，利用支持向量機(jī)進(jìn)行故障特征識別，故障識別率顯著提高. 趙海洋[73]提出了改進(jìn)二叉樹SVM層次結(jié)構(gòu)構(gòu)建方法，并對各SVM子分類器分別進(jìn)行參數(shù)優(yōu)化，建立了基于SVM的軸承間隙故障狀態(tài)評估模型，經(jīng)測試該模型能實(shí)現(xiàn)對故障狀態(tài)的準(zhǔn)確評估. 在改進(jìn)二叉樹的基礎(chǔ)上，Liu，X等[74]提出了一種將遞歸量化分析與最優(yōu)二叉樹支持向量機(jī)相結(jié)合的轉(zhuǎn)子-軸承系統(tǒng)共振狀態(tài)表征與識別方法，在試驗(yàn)臺上經(jīng)實(shí)驗(yàn)證明了該方法的有效性和優(yōu)越性. 雖然SVM能夠有效解決小樣本下機(jī)器學(xué)習(xí)問題，但由于滑動軸承的觀測樣本很多，效率并不是很高；核函數(shù)的選取也需要進(jìn)一步的完善和發(fā)展.

3.4 新一代人工智能故障識別技術(shù)

目前學(xué)者們對人工智能故障識別技術(shù)已取得了眾多有意義性的突破和進(jìn)展：李冬[75]基于多重分形理論對軸承進(jìn)行故障高敏感特征提取，并與改進(jìn)隨機(jī)森林算法結(jié)合，極大地提高了故障識別的正確率. 張寧等[76]采用一種改進(jìn)魚群算法，優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，有效提高了神經(jīng)網(wǎng)絡(luò)的計(jì)算速度和診斷精度.

采用智能化的故障識別技術(shù)對推進(jìn)新型智能產(chǎn)業(yè)、設(shè)備自監(jiān)督運(yùn)行有重要意義. 新一代智能故障識別技術(shù)在小樣本甚至零故障樣本[77]、自監(jiān)督學(xué)習(xí)、變工況敏感特征學(xué)習(xí)、對比強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)、元學(xué)習(xí)[78]、多模態(tài)數(shù)據(jù)運(yùn)用[79]、跨域數(shù)據(jù)集融合等方面有著傳統(tǒng)故障識別技術(shù)無可比擬的優(yōu)勢. 隨著信息技術(shù)的發(fā)展，大數(shù)據(jù)、數(shù)字孿生、云處理等技術(shù)的應(yīng)用，通過大量構(gòu)建分布式計(jì)算系統(tǒng)，新一代人工智能技術(shù)正在打破傳統(tǒng)數(shù)據(jù)之間的壁壘. 通過廣泛采集多物理量多信號，有機(jī)結(jié)合深度學(xué)習(xí)模型與大數(shù)據(jù)及合理訓(xùn)練方法，借助智能傳感技術(shù)，將故障可視化動態(tài)分析，能夠?qū)瑒虞S承異常數(shù)據(jù)實(shí)現(xiàn)高速準(zhǔn)確診斷.

4 結(jié)論與展望

隨著當(dāng)今旋轉(zhuǎn)機(jī)械故障診斷技術(shù)的快速發(fā)展，從如下方面繼續(xù)深入開展滑動軸承潤滑狀態(tài)與故障診斷的研究工作具有重要意義.

（1） 多物理場信號融合監(jiān)測. 目前的信號獲取工作大多局限在試驗(yàn)臺或?qū)嶒?yàn)室仿真和模擬階段，而且缺乏綜合多物理場信號對滑動軸承進(jìn)行狀態(tài)監(jiān)測的工作. 傳統(tǒng)的軸承狀態(tài)監(jiān)測技術(shù)如軸心軌跡、油溫、光鐵譜分析、振動分析等各有其優(yōu)點(diǎn)及不足，如振動信號分析技術(shù)成熟但對高頻早期微弱故障信號不敏感，聲發(fā)射信號頻率范圍寬且信噪比高. 僅靠單一信號難以做到定量和自動識別. 目前結(jié)合聲發(fā)射與振動信號融合的技術(shù)在滾動軸承及列車軸承等方面以得到了有效應(yīng)用，值得向滑動軸承狀態(tài)監(jiān)測和故障診斷方面推廣.

（2） 建立標(biāo)準(zhǔn)軸承信號數(shù)據(jù)庫并進(jìn)行可靠性評估. 數(shù)據(jù)是進(jìn)行滑動軸承狀態(tài)監(jiān)測與故障診斷的重要前提，建立標(biāo)準(zhǔn)軸承信號數(shù)據(jù)庫對于科研合作、技術(shù)創(chuàng)新等具有重要意義. 建立起數(shù)據(jù)庫的基本標(biāo)準(zhǔn)，鼓勵企業(yè)之間互通典型案例和長期監(jiān)測數(shù)據(jù)，學(xué)者之間共享試驗(yàn)臺實(shí)驗(yàn)方案及數(shù)據(jù). 對獲取的軸承數(shù)據(jù)進(jìn)行可靠性評估，保證數(shù)據(jù)庫的質(zhì)量.

（3） 滑動軸承信息可視化研究. 結(jié)合標(biāo)準(zhǔn)可靠軸承信號數(shù)據(jù)庫的建立，開展滑動軸承潤滑狀態(tài)與故障監(jiān)測可視化研究，能夠最大限度的發(fā)揮人機(jī)各自優(yōu)勢，實(shí)現(xiàn)最優(yōu)化協(xié)作求解. 通過建立智能模型，從結(jié)構(gòu)參數(shù)、特征提取、故障識別等方面可視化表達(dá)，直觀反映采集信號與潤滑狀態(tài)之間、特征參數(shù)與故障類型之間的關(guān)系，多方位、多角度、多層次的反映滑動軸承的健康狀態(tài).

（4） 滑動軸承遠(yuǎn)程監(jiān)測系統(tǒng). 基于人工智能、專家系統(tǒng)等技術(shù)，結(jié)合數(shù)據(jù)網(wǎng)絡(luò)通訊技術(shù)，建立遠(yuǎn)程診斷中心，實(shí)時準(zhǔn)確的監(jiān)測滑動軸承運(yùn)行狀態(tài)，為現(xiàn)場技術(shù)人員及運(yùn)行人員提供有效分析及指導(dǎo)，對保證整個滑動軸承及轉(zhuǎn)子系統(tǒng)穩(wěn)定高效運(yùn)行具有重要意義，能夠有效促進(jìn)產(chǎn)學(xué)研相結(jié)合，并推動電廠生產(chǎn)環(huán)境的智能化.

將智慧化的滑動軸承狀態(tài)識別及故障診斷技術(shù)應(yīng)用于實(shí)際生產(chǎn)，通過數(shù)據(jù)融合，集合數(shù)字化、三維動態(tài)分析、遠(yuǎn)程監(jiān)測協(xié)調(diào)等技術(shù)的實(shí)現(xiàn)，促進(jìn)滑動軸承向新一代智能狀態(tài)監(jiān)測和故障診斷方向發(fā)展.

參考文獻(xiàn)

[1]" 楊國棟，曹貽鵬，明平劍，等. 基于格點(diǎn)型有限體積法的滑動軸承油膜壓力特性分析[J]. 振動與沖擊，2019，38（17）：191-196.

[2]" 熊萬里，侯志泉，呂浪，等. 基于動網(wǎng)格模型的液體動靜壓軸承剛度阻尼計(jì)算方法[J]. 機(jī)械工程學(xué)報(bào)，2012，48（23）：118-126.

[3]" 孟曙光，熊萬里，王少力，等. 小孔節(jié)流深淺腔動靜壓軸承承載特性解析研究[J]. 機(jī)械工程學(xué)報(bào)，2015，51（22）：191-201.

[4]" 靳倩. 基于聲發(fā)射檢測的滑動軸承狀態(tài)監(jiān)測與診斷系統(tǒng)研究[D]. 長沙：長沙理工大學(xué)，2008.

[5]" 馮建雨. 機(jī)械設(shè)計(jì)基礎(chǔ)[M]. 北京：北京理工大學(xué)出版社，2020.

[6]" 張翠鳳. 機(jī)械設(shè)備潤滑技術(shù)[M]. 廣州：廣東高等教育出版社，2001.

[7]" 李俞峰，楊林杰，吳魯紀(jì)，等. 由油膜振蕩引起的轉(zhuǎn)子振動及處理方法[J]. 機(jī)械傳動，2020，44（10）：173-176.

[8]" EL-SAYED T A，SAYED H. Bifurcation analysis of rotor/bearing system using third-order journal bearingstiffness and damping coefficients[J]. Nonlinear Dyn，2022，107（1）：123-151.

[9]" PODDAR S，TANDON N. Detection of particle contamination in journal bearing using acoustic emissionand vibration monitoring techniques[J]. Tribology International，2019，134：154-164.

[10]" 王全召，陳陽，張浩，等. 滑動軸承運(yùn)行模態(tài)參數(shù)理論分析及試驗(yàn)驗(yàn)證[J]. 潤滑與密封，2021，46（7）：95-101.

[11]" 譚浩宇，盧緒祥，李焜林，等. 滑動軸承的潤滑狀態(tài)檢測方法研究進(jìn)展[J]. 汽輪機(jī)技術(shù)，2018，60（5）：325-328.

[12]" 喻維綱，高帆. 大型旋轉(zhuǎn)設(shè)備軸承部件狀態(tài)監(jiān)測及故障診斷分析[J]. 中國設(shè)備工程，2020（11）：159-163.

[13]" NASCIMENTO A R C，CHROMIK R R，SCHULZ R. Mechanical properties and wear resistance ofindustrial bearing liners in concentrated boundary-lubricated sliding[J]. Wear，2021，477：203806.

[14]" ZHANG H，MA J，LI X，et al. Fluid-asperity interaction induced random vibration of hydrodynamicjournal bearings towards early fault diagnosis of abrasive wear[J]. Tribology International，2021，160：107028.

[15]" WANG Y S，MA Q H，ZHU Q，et al. An intelligent approach for engine fault diagnosis based onHilbert-Huang transform and support vector machine[J]. Applied Acoustics，2014，75：1-9.

[16]" 雷亞國，賈峰，孔德同，等. 大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)[J]. 機(jī)械工程學(xué)報(bào)，2018，54（5）：94-104.

[17]" 楊期江，趙學(xué)智，湯雅連，等. 非零奇異值數(shù)量的理論分析及其在滑動軸承-轉(zhuǎn)子振動特征提取應(yīng)用[J]. 振動與沖擊，2019，38（15）：17-26.

[18]" 李同杰，靳廣虎，朱如鵬，等. 滑動軸承支撐下齒輪耦合轉(zhuǎn)子系統(tǒng)彎扭耦合振動特性分析[J]. 中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，49（3）：566-573.

[19]" OLIVEIRA M V M，CUNHA B Z，DANIEL G B. A model-based technique to identify lubricationcondition of hydrodynamic bearings using the rotor vibrational response[J]. Tribology International，2021，160：107038.

[20]" GECGEL O，DIAS J P，EKWARO-OSIRE S，et al. Simulation-driven deep learning approach forwear diagnostics in hydrodynamic journal bearings[J]. Journal of Tribology-Transactions of the Asme，2021，143（8）：084501.

[21]" OH H，JUNG J H，JEON B C，et al. Scalable and unsupervised feature engineering using vibration-imaging and feep learning for rotor system diagnosis[J]. Ieee Transactions on Industrial Electronics，2018，65（4）：3539-3549.

[22]" JU S，LI D，JIA J. Machine-learning-based methods for crack classification using acoustic emission

technique[J]. Mechanical Systems and Signal Processing，2022，178：109253.

[23]" 郭洋洋. 旋轉(zhuǎn)機(jī)械聲發(fā)射監(jiān)測系統(tǒng)研究[D]. 沈陽：沈陽工業(yè)大學(xué)，2020.

[24]" SADEGH H，MEHDI A N，MEHDI A. Classification of acoustic emission signals generated fromjournal bearing at different lubrication conditions based on wavelet analysis in combination with artificialneural network and genetic algorithm[J]. Tribology International，2016，95：426-434.

[25]" 譚浩宇，盧緒祥，張浩，等. 基于聲發(fā)射信號信息熵距的滑動軸承潤滑狀態(tài)診斷[J]. 動力工程學(xué)報(bào)，2019，39（2）：110-115.

[26]" 盧緒祥，譚浩宇，陳向民，等. 基于聲發(fā)射信號信息（火用）貼近度的滑動軸承潤滑狀態(tài)診斷方法[J]. 動力工程學(xué)報(bào)，2019，39（5）：373-379.

[27]" KNIG F，SOUS C，OUALD CHAIB A，et al. Machine learning based anomaly detection andclassification of acoustic emission events for wear monitoring in sliding bearing systems[J]. TribologyInternational，2021，155：106811.

[28]" PODDAR S，TANDON N. Classification and detection of cavitation，particle contamination and oilstarvation in journal bearing through machine learning approach using acoustic emission signals[J]. Proceedings of the Institution of Mechanical Engineers Part J-Journal of Engineering Tribology，2021，235（10）：2137-2143.

[29]" 張峻寧，張培林，陳彥龍，等. 基于多層多位置稀疏的滑動軸承AE信號降噪[J]. 振動與沖擊，2016，35（19）：107-112.

[30]" 張峻寧，張培林，王向東，等. 基于沖擊信號的滑動軸承摩擦故障監(jiān)測方法[J]. 航空動力學(xué)報(bào)，2017，32（9）：2230-2237.

[31]" 張穎，樊瑞筱，叢蕊，等. 基于聲發(fā)射波形流信號的滑動軸承故障特征雙譜分析[J]. 軸承，2016（6）：47-50.

[32]" 王曉偉，劉占生，張廣輝，等. 基于聲發(fā)射的可傾瓦徑向滑動軸承碰摩故障診斷[J]. 中國電機(jī)工程學(xué)報(bào)，2009，29（8）：64-69.

[33]" 張鄂編. 鐵譜技術(shù)及其工業(yè)應(yīng)用[M]. 西安：西安交通大學(xué)出版社，2001.

[34]" 龐新宇. 油液信息在齒輪和滑動軸承磨損故障識別中的應(yīng)用[M]. 北京：冶金工業(yè)出版社，2020.

[35]" 朱軍，高紅亮，皮大能，等. 基于熱電效應(yīng)的滑動軸承磨損監(jiān)測技術(shù)[J]. 軸承，2019（7）：57-62.

[36]" HU Q L，ZHU M，YANG J G. Study on thermal unstable vibration of rotor under journal whirl with large amplitude in journal bearing[J]. International Journal of Rotating Machinery，2020，2020：1980759.

[37]" 陳閩杰，李秋秋. 油壓曲線監(jiān)測在滑動軸承磨損診斷中的應(yīng)用[J]. 機(jī)床與液壓，2010，38（21）：145-148.

[38]" 郭明軍，李偉光，楊期江，等. 深度卷積神經(jīng)網(wǎng)絡(luò)在滑動軸承轉(zhuǎn)子軸心軌跡識別中的應(yīng)用[J]. 振動與沖擊，2021，40（3）：233-239.

[39]" 盧緒祥，劉雨佳，李錄平，等. 形態(tài)濾波在滑動軸承聲發(fā)射信號降噪中的應(yīng)用[J]. 動力工程學(xué)報(bào)，2013，33（4）：278-284.

[40]" 李偉光，郭明軍，楊期江，等. 改進(jìn)PCA算法及其在轉(zhuǎn)子特征提取中的應(yīng)用[J]. 振動、測試與診斷，2020，40（3）：555-562.

[41]" XIANG L，DENG Z，HU A，et al. Multi-fault coupling study of a rotor system in experimental andnumerical analyses[J]. Nonlinear Dynamics， 2019，97（4）： 2607-2625.

[42]" BABU T N，RAJ T M，LAKSHMANAN T. Application of Butterworth filter for fault diagnosis onjournal bearing[J]. Journal of Vibroengineering，2014，16（3）：1602-1617.

[43]" BABU N T，HIMAMSHU H S，KUMAR P N，et al. Journal Bearing Fault Detection Based onDaubechies Wavelet[J]. Archives of Acoustics，2017，42（3）：401-414.

[44]" 冉鈞，趙榮珍. 基于頻域振幅灰色關(guān)聯(lián)度的轉(zhuǎn)子故障模式辨識[J]. 振動、測試與診斷，2013，33（6）：1019-1024.

[45]" KNIG F，JACOBS G，STRATMANN A，et al. Fault detection for sliding bearings using acousticemission signals and machine learning methods[J]. IOP Conference Series：Materials Science andEngineering，2021，1097（1）：12013.

[46]" NARENDIRANATH BABU T，MANVEL RAJ T，LAKSHMANAN T. A review on application ofdynamic parameters of journal bearing for vibration and condition monitoring[J]. Journal of Mechanics，2015，31（4）：391-416.

[47]" 趙柄錫，冀大偉，袁奇，等. 采用時域與時頻域聯(lián)合特征空間的轉(zhuǎn)子系統(tǒng)碰磨故障診斷[J]. 西安交通大學(xué)學(xué)報(bào)，2020，54（1）：75-84.

[48]" 王浩，趙榮珍. 分形與幾何特征融合的轉(zhuǎn)子故障特征提取方法[J]. 噪聲與振動控制，2014，34（5）：166-170.

[49]" 梁寧. 基于分形幾何的滾動軸承故障診斷方法研究[D]. 北京：北京郵電大學(xué)，2019.

[50]" 張亢，程軍圣，楊宇. 基于局部均值分解與形態(tài)學(xué)分形維數(shù)的滾動軸承故障診斷方法[J]. 振動與沖擊，2013，32（9）：90-94.

[51]" 孟宗，李良良. 基于局部特征尺度分解和形態(tài)學(xué)分形維數(shù)的滾動軸承故障診斷方法[J]. 計(jì)量學(xué)報(bào)，2016，37（3）：284-288.

[52]" 邊杰，陳亞農(nóng)，梅慶，等. 滾動軸承故障特征提取的VMD包絡(luò)切片譜分析方法[J]. 航空發(fā)動機(jī)，2022，48（4）：69-74.

[53]" 汪鵬宇，丁云飛，魯泓壯. 基于改進(jìn)角度-時間譜分析的滾動軸承故障特征提取[J]. 軸承，2022（5）：70-74.

[54]" 劉東東. 旋轉(zhuǎn)機(jī)械故障信息挖掘及狀態(tài)評估方法研究[D]. 北京： 北京交通大學(xué)，2021.

[55]" SCHNELLER W， LEITNER M， MAIER B， et al. Artificial intelligence assisted fatigue failureprediction[J]. International Journal of Fatigue，2022，155：106580.

[56]" LI Y，LIU F，WANG S，et al. Multiscale symbolic lempel-ziv：An effective feature extractionapproach for fault diagnosis of railway vehicle systems[J]. IEEE transactions on industrial informatics，2021，17（1）：199-208.

[57]" SAIBENE A，ASSALE M，GILTRI M. Expert systems： Definitions， advantages and issues in medicalfield applications[J]. Expert Systems with Applications，2021，177：114900.

[58]" 陳超. 旋轉(zhuǎn)機(jī)械狀態(tài)趨勢預(yù)測及故障診斷專家系統(tǒng)關(guān)鍵技術(shù)研究[D]. 鄭州：鄭州大學(xué)，2015.

[59]" TAHI M，MILOUDI A，DRON J P，et al. Decision tree and feature selection by using genetic wrapperfor fault diagnosis of rotating machinery[J]. Australian Journal of Mechanical Engineering，2018：1-9.

[60]" 盧宏濤，張秦川. 深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 數(shù)據(jù)采集與處理，2016，31（1）：1-17.

[61]" 陳超，齊峰. 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺領(lǐng)域中的應(yīng)用綜述[J]. 計(jì)算機(jī)科學(xué)，2019，46（3）：63-73.

[62]" 吳春志，馮輔周，吳守軍，等. 深度學(xué)習(xí)在旋轉(zhuǎn)機(jī)械設(shè)備故障診斷中的應(yīng)用研究綜述[J]. 噪聲與振動控制，2019，39（5）：1-7.

[63]" LUWEI K C，YUNUSA-KALTUNGO A，SHA’ABAN Y A. Integrated fault detection framework forclassifying rotating machine faults using frequency domain data fusion and artificial neural networks[J]. Machines，2018，6（4）：59.

[64]" HAN T，JIANG D X，ZHAO Q，et al. Comparison of random forest，artificial neural networks andsupport vector machine for intelligent diagnosis of rotating machinery[J]. Transactions of the Institute ofMeasurement and Control，2018，40（8）：2681-2693.

[65]" LAALA W，GUEDIDI A，GUETTAF A. Bearing faults classification based on wavelet transform andartificial neural network[J]. International Journal of System Assurance Engineering and Management，2020：1-8.

[66]" DHOMAD T A，JABER A A. Bearing fault diagnosis using motor current signature analysis and theartificial neural network[J]. International Journal on Advanced Science，Engineering and InformationTechnology，2020，10（1）：70-79.

[67]" BABU N T，ARAVIND A，RAKESH A，et al. Automatic fault classification for journal bearingsusing ANN and DNN[J]. Archives of Acoustics，2018，43（4）：727-738.

[68]" KNIG F，MARHEINEKE J，JACOBS G，et al. Data-driven wear monitoring for sliding bearings using acoustic emission signals and long short-term memory neural networks[J]. Wear，2021，476：203616.

[69]" DING N，LI H，YIN Z，et al. Journal bearing seizure degradation assessment and remaining useful lifeprediction based on long short-term memory neural network[J]. Measurement，2020，166：108215.

[70]" 文周，薛美貴，盧飛燕. 基于MEA-BP神經(jīng)網(wǎng)絡(luò)的封盒裝置滑動軸承故障診斷方法[J]. 輕工機(jī)械，2020，38（3）：78-82.

[71]" 汪海燕，黎建輝，楊風(fēng)雷. 支持向量機(jī)理論及算法研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究，2014，31（5）：1281-1286.

[72]" 王金東，劉著，趙海洋，等. 基于MRSSD與MSDE的滑動軸承故障診斷方法[J]. 軸承，2020（9）：50-56.

[73]" 趙海洋. 往復(fù)壓縮機(jī)軸承間隙故障診斷與狀態(tài)評估方法研究[D]. 哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

[74]" LIU X，BO L. Identification of resonance states of rotor-bearing system using RQA and optimal binarytree SVM[J]. Neurocomputing，2015，152：36-44.

[75]" 李冬. 軸承故障高敏感特征提取與隨機(jī)森林智能識別[J]. 機(jī)械設(shè)計(jì)與制造，2022（9）：157-161.

[76]" 張寧，魏秀業(yè)，郭小勇，等. 基于改進(jìn)魚群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的軸承故障診斷研究[J]. 軸承，2019（5）：44-48.

[77]" FENG L，ZHAO C. Fault description based attribute transfer for zero-sample industrial fault diagnosis[J]. IEEE Transactions on Industrial Informatics，2020，17（3）：1852-1862.

[78]" FENG Y，CHEN J，ZHANG T，et al. Semi-supervised meta-learning networks with squeeze-and-excitation attention for few-shot fault diagnosis[J]. ISA Transactions，2022，120：383-401.

[79]" ZHENG H，WANG R，YANG Y，et al. Intelligent fault identification based on multisource domaingeneralization towards actual diagnosis scenario[J]. IEEE Transactions on Industrial Electronics，2019，67（2）：1293-1304.

Research Progress in Condition Monitoring andFault Diagnosis of Hydrodynamic Bearing

LIU Shunshun， LU Xuxiang， LIU Rui

（School of Energy and Power Engineering， Changsha University of Science and Technology， Changsha 410114， Hunan， China）

Abstract" Sliding bearings are important supporting equipment in large rotating machinery. The lubrication state monitoring and early fault diagnosis of sliding bearings are of great significance to the safe production of units. In this paper， the failure state and failure mode of sliding bearing are expounded， the application of vibration signal， acoustic emission signal and ferrography analysis and other technologies in the monitoring of the sliding bearing condition is detailed， and the expert system， neural network and support vector machine technology for effective application in fault identification of plain bearings are summarized. Through the analysis， the future development trend is prospected： combining a new generation of artificial intelligence and sensing technology， integrating monitoring through multi-physical field signals， developing and establishing a standard database of bearing signals， and combining visual research and remote monitoring to achieve accurate and high-speed sliding bearings condition monitoring and fault diagnosis.

Keywords" sliding bearing; condition monitoring; fault diagnosis; neural networks; artificial intelligence

收稿日期：2022 － 07 － 12

通信作者：盧緒祥（1972—），男（漢族），河南信陽人，副教授，研究方向：動力機(jī)械狀態(tài)監(jiān)測與故障診斷.

E-mail：hncslxx@163.com

基金項(xiàng)目：湖南省普通高校創(chuàng)新平臺開放基金資助項(xiàng)目（16K002）