滚动轴承故障诊断研究方法及进展

韦洪新

（景德镇学院，景德镇 333000）

设备故障诊断技术的发展与设备维修方式紧密相连，从时间上算，故障诊断技术大致经历了三个发展阶段：20世纪60年代以前，依赖于人的经验来判断故障发生部位的人工检测阶段，从事后维修和定期维修到定期检查，视状态维修的发展；60年代-80年代之间，传统的计算机检测技术；80年代以后，以信息处理技术为基础的传统设备故障诊断技术向智能化方向发展，使这项技术逐渐成熟[1].

滚动轴承由于摩损小，结构紧凑，转速高，使用寿命长等优点，在工业生产中得到了广泛的应用.滚动轴承在使用的过程中会产生故障，由于受到强烈噪声的影响，其微弱的故障特征往往被淹没[2].如何准确判断滚动轴承疲劳的损伤程度和破坏类型一直是科学研究的重点和难点，也是热点之一[3].滚动轴承按照测量性质的不同可分为油样法，温度法，声波法和振动信号法.

滚动轴承故障产生的原因，往往受到多种因素的影响，其产生的信号往往是非平稳、非线性信号.振动信号法相比于前面几种方法具有测量精度高，响应快，可靠性好的特点.分析非线性的随机信号最常用的方法是时域和频域分析法，由于只采用一种分析方法难以到达分析结果，近年来研究专家普遍采用时域和频域的有机结合，能有效避免单一性产生的误差[4].信号处理和故障特征提取的方法有短时傅里叶变换（Short Time Fourier Transform，STFT）[5-7]、经验模态分解（Empirical Mode Decomposition，EMD）[8]、经验小波变换（Empirical Wavelet Transform，EWT）[9]等.本文从这几种方法的发展历程，基本理论，现阶段各方法研究等几个方面予以综述，在此基础上，对故障诊断未来的发展进行了总结与展望.

1 滚动轴承故障诊断基本理论

1.1 短时傅里叶变换

1.2 经验模态分解

经验模态分解方法的特点：对复杂信号进行“筛选”，能够精确地做出时频图，具有明显的优势，但所求IMF分量的选择要具有良好的稳定性和线性特征，完备并且正交；由于低频易产生不相关的模态函数，导致结果无法准确解释，本征的模态函数将函数离散化，存在一定的端点效应和样本选择问题，IMF结果受强噪声的影响较大，这些问题对EMD方法的使用造成了一定影响[12].

1.3 经验小波变换

经验小波变换的特点：信号的处理具有自适应性、多分辨率的特性，更直观形象，诊断效果明显.但模态函数的提取对特征提取的影响较大，且工作环境变化比较大的情况下信号带宽需要人为设定，对信号细节分析不方便.

1.4 其他信号处理方法

1）盲源分离.盲源分离是指当输入信号未知时，辨识系统的选择取决于输出信号，通过对多个信号的分离来恢复原始信号源，属于逆向性思维的一种形式[13].基于神经网络的方法属于盲源分离.盲源分离的特点：具有很好的消噪作用，但在滚动轴承处于恶劣工作环境时，如果信号源个数未知且动态变化时，混合矩阵和分离矩阵的大小就无法确定，最终影响信号源的分离.

2）高阶统计量.高阶统计量（HOS）是大于二阶统计量的高阶矩、高阶累积量以及它们所对应的高阶谱等主要统计量，是一种基于数学公式的应用方法[14].高阶统计量的特点：目前对低阶次（N=2，3，4）的HOS研究可以处理任何平稳噪声的影响，但对高阶次（N≥5）的维数研究和应用仍存在困难.

除上述几种常用的信号处理方法外，还包括现代方法中的谱分析、Wigner-Ville分布，传统方法中的相关分析等，但这几种方法在滚动轴承信号分析中的应用较少，故在此不做详细介绍.

2 滚动轴承故障诊断研究进展

滚动轴承的信号处理方法都存在各自的优缺点，相关研究人员基于前期理论并结合相关研究方法取得较好的研究进展.

2.1 STFT研究进展

短时傅里叶变换信号的提取受窗函数影响较大，对于快速变化的振动信号窗函数的选择不能随信号的变化而变化.基于这种缺点，西南交大的陈侃等[15]首先对滚动轴承的原始信号进行传统傅里叶变换，然后进行倒谱分析，此方法能较好的反映信号突变，并对故障信息进行有效监测.同济大学的李恒等[16]将STFT和卷积神经网络相结合，通过模拟实验验证了其方法的有效性，该方法识别精度较高，适用于大数据处理，实现了端到端的模式识别.Rajiv Kumar Vashisht等[17]提出了一种基于振动主动控制和短时傅立叶变换相结合的开关控制策略，该技术有利检测滚动轴承上小裂纹的存在.

2.2 EMD研究进展

张永建等[18]利用Robert Hecht-Nielsen[19]证明的BP网络和函数之间的关系将BP网络和EMD方法相结合，该方法提高了滚动轴承故障诊断的分类，但也存在网络训练周期较长，识别率低的缺点.针对此问题，陈皓[20]对小波包-BP、小波包-RBF、EMD-BP、EMD-RBF四种故障诊断类型进行了分析，通过实验和研究表明，基于经验模态分解EMD-RBF神经网络具有较好的优势.在此基础上，田峰等[21]利用EMD方法对检测到的振动信号进行模式分解，通过Hilbert变换提取特征并送入径向基（RBF）神经网络，通过对比和分析，判断滚动轴承的工况.整个过程中，提高了轴承故障诊断的速度和准确率.

安晓红等[22]将Gabor变换和EMD方法相结合，首先将原始未知混合信号进行盲源分离，然后进行局部细化的Hilbert包络谱分析.研究证明，该方法有利于提高系统的故障信号特征，提高诊断的准确性.由于该方法需要人为寻峰，所以时效性难以保证.何广坚等[23-24]将EMD和支持向量机（support vector machine，SVM）相结合，该方法有利于获取大量故障样本，准确识别滚动轴承的工作状态.徐可等[25-27]为消除EMD的端点效应将SVM优化，通过离线模型输出结果，并通过Benchmark数据对该方法进行了有效性验证.于青民等[28]利用EMD方法用箱内数据均值代替箱体数据，滤除了特征向量的异常点，该方法提高了机器故障特征提取的适应能力和稳定性.

由于滚动轴承振动信号易被其它噪声信号源屏蔽，Rabah Abdelkader等[29]利用峰度、包络谱等指标提取有用的故障信号，该方法对滚动轴承早期的故障检测和诊断更敏感.Mohamed Zair[30]等提出一种滚动轴承多故障诊断的新方法，将主成分分析、经验模态分解的模糊熵和自组织映射神经网络相结合，该方法能够正确评估滚动轴承的劣化程度和对故障进行高灵敏度缺陷识别.针对过去复杂、计算量大的故障诊断方案，Chhaya Grover[31]等提出一种基于Hjorth参数的轴承故障时域诊断方法，通过经验模态分解得到具有代表性的Hjorth参数，可以有效地作为滚动轴承故障诊断的故障敏感特征.

2.3 EWT研究进展

小波变换无法准确描述时频特性，针对小波变换的不足，许多科研人员都对传统的小波变换进行了改进.郑近德等[32]提出了改进经验小波变换（EEWT），将振动信号分解为单分量成分，通过包络谱结构清晰的发现故障特征.但存在需要对每一个IMF进行解调，瞬时特征信息受其影响较大.刘自然等[33]通过包络分析确定小波变换的模态数和频率边界，该方法能够检测信号的最佳模态分解数，使信号的频谱分割变得容易、可靠.

在故障诊断中，噪声的强弱也是影响诊断结果的重要因素之一.针对这一问题，张文义等[34]提出信号共振分量的能量算子解调方法，将特征幅值和冲击脉冲分离，通过幅值频谱进行分析.何俊等[35]提出一种基于同步压缩小波变换的方法，采用非负矩阵和支持向量机结合进行综合分析.邓飞跃等[36]利用水循环优化算法（WCA），对照谐波噪声比，确定滑动频率窗的位置，该方法有利于微弱信号的处理.王涛等[37]针对故障特征提取困难的情况，通过峭度值筛选出EWT变换得的固有模态分量，采用逆变换的方式对分量重构，最后进行包络谱分析.该方法对轴承维修和监测提供了可靠信息.

由于滚动轴承部件在不同的运行速度和载荷下存在局部缺陷，Farzad Hemmati等[38]优化峰度和模糊熵之比，结果可有效预测滚动轴承外圈的未来缺陷尺寸.针对不同的故障类型和严重程度，Seyed Majid Yadavar Nikravesh等[39]提出了一种小波包分解和不同频带能量分析的新方法，降低了信号噪声对分类结果的影响.多数研究论文为滚动轴承的实时监测，但对故障类型预测的研究不多，Arun R.Pathiran等[40]基于小波分解、自适应神经网络、主成分分析和支持向量机，结果表明该方法能准确预测滚动轴承故障类型.由于轴承早期振动信号微弱，Shruti Sachan等[41]提出了一种基于零频滤波和小波变换的两级去噪算法，有助于提取隐藏在输出中的脉冲信息.

3 分析与结论

随着现代科学的进步，世界上主要的发达国家，如美国、德国、日本等均对振动信号方法进行了深入研究；国内一些科研院校，如中国科学院、哈尔滨工业大学、浙江大学等也开展了该领域的研究，从目前研究现状来看，振动信号的处理方法在理论及实验方面都取得了相应的进展.如在滚动轴承故障诊断的精度和稳定性、故障信号和正常信号的分离处理、端到端的模式识别等方面都有所突破.但故障诊断技术并未完全成熟，因此基于前面的内容，做以下几点分析与展望：

1）现代研究方法虽然具体函数构造不同，但思路方法一致，将连续函数离散化，并进行相应分析.离散点的取值和设置窗口的大小是判断故障诊断信号的关键.对于较强非平稳性信号和信噪比较低的滚动轴承振动信号依然是未来研究的难题之一.

2）国内外研究团队和科研人员对不同方法进行了完善，并取得一定成果.针对滚动轴承的研究，将EMD与BP网络等其他分析相结合，STFT与神经网络相结合、EWT与SVM相结合、盲源分离与HHT相结合等.但由于理论和算法加之时间验证的不足，许多地方需要进一步完善.

3）多学科交叉对研究故障诊断信号提供有益的指导，是未来研究故障诊断的一种趋势.一个故障表现多个故障信息，一个特征信息包含在几种状态信息中.尽可能多的调动诊断、测试方法，从而全面分析、判断，有利于提高诊断结论的准确性.

4）由于现代故障诊断处理方法研究时间较短，多数研究处于理论研究和模拟分析，与实际情况信号的复杂性和随机性还有一定差距，需要时间的积累.