基于振动信号的滚动轴承故障诊断方法综述

陈鹏

(兰州石化职业技术大学 电子电气工程学院，兰州 730060)

0 引言

滚动轴承被广泛应用于风力发电、航空发动机、高速火车轮对等重要工业领域的大型装备中，长期高速运转易导致装备损坏，因此其在整个大型装备的故障监测与诊断中受到业界关注[1]。目前，在基于振动、油膜、铁谱、轴温和声音等各类诊断技术中，基于振动信号的监测由于不受机械结构影响且测试简单而得到了广泛的研究和应用。本文主要对基于振动信号的滚动轴承故障诊断方法进行综述。

基于滚动轴承振动信号的故障诊断方法的技术路线如图1所示，主要分为3类：

1)将信号分解方法与包络分析相结合， 实现信号降噪后故障特征频率的提取，与轴承不同零件的理论故障特征频率进行对比实现轴承不同位置故障的判定。该类方法适用于轴承的在线分析，在工程应用中适用性高，一直是研究的热点,但只能实现定性故障诊断而无法实现定量故障诊断。

2)故障特征提取方法与浅层机器学习方法相结合，通过时域、频域、时频域信号处理方法实现降噪和故障特征提取，或通过信号处理方法降噪后与非线性动力学方法结合实现故障特征提取，然后将提取的特征输入浅层机器学习方法实现故障分类。该方法在故障类型较少以及恒工况下的故障诊断方面应用较多，但在复杂工况和故障类型较多情况下的诊断效果欠佳，且步骤比较复杂。

3)当前处于研究热点的深度学习方法。深度学习方法具有深层结构和较强的非线性特征提取能力，可以直接实现轴承振动信号中故障特征提取和模式识别，尤其能够满足复杂工况端到端的故障诊断，解决前2种方法在复杂工况下故障诊断能力有限的问题。但深度学习模型需要大量数据样本进行训练，而轴承故障样本往往很难获得(属于小样本)，因此深度学习同样面临如何在小样本下实现故障诊断的问题。

图1 基于滚动轴承振动信号故障诊断方法的技术路线

同时，还有些研究将以上各类方法进行融合，如将信号处理与深度学习相结合等，下文将对各类方法应用中具体技术的国内外研究现状进行梳理。

1 基于信号分解的故障诊断方法

轴承由于磨损和剥落等故障产生的振动信号具有强非线性和非平稳特性，为解决这一问题，产生了具有分析信号局部特征的时频分析方法，可以对频谱随时间变化的特性进行有效分析，现已成为信号处理和分析的主要工具[2]。

1.1 短时傅里叶变换

短时傅里叶变换(Short-Time Fourier Transform，STFT)根据固定窗宽的窗函数对信号进行划分，然后按照窗宽移动对信号进行傅里叶变换而获得其频谱信息，具有简单、高效和分析结果无交叉干扰的特点[3]。然而，短时傅里叶变换存在窗函数窗宽固定且无法较好兼顾频率与时间分辨率的缺点，学者们针对此问题提出了采用三阶B样条实现窗宽大小的自适应确定以及基于对数窗能量的时频聚集性度量准则选择窗宽的方法，并将其应用于轴承故障诊断[4-5]。

1.2 小波变换

小波变换(Wavelet Transform，WT)继承了短时傅里叶变换局部化的思想，同时拥有随频率变化的时频窗口[6]。对于非平稳信号而言，小波变换具有同时分析信号高、低频成分的多分辨率特性。由于小波变换一定程度上解决了短时傅里叶变换的缺点，在滚动轴承和旋转机械其他部件的故障诊断中得到了广泛应用，但小波变换对信号高频部分的分析不够完善，在特征提取中容易丢失信号的高频部分信息。因此，有学者提出了能够实现信号高频部分更细信息分析的小波包变换(Wavelet Packet Transform, WPT)和采用冗余的第二代小波包变换，但其分解效果受到基函数选择和分解层数的影响[7-8]。

1.3 维格纳分布

维格纳分布(Wigner-Ville Distribution，WVD)由于在时频分布方面的良好特性，在信号处理中得到广泛应用。但是，维格纳分布属于双线性，在信号分析中可能存在交叉干扰现象[9]，虽然通过引进预滤波和多分量分离等理论改进了维格纳分布，但均未在根本上解决该问题。

1.4 自适应时频分析方法

自适应时频分析方法是近年信号处理方面的主流工具，并在轴承的故障诊断中得到了广泛研究。经典的自适应非线性信号处理方法——经验模态分解(Empirical Mode Decomposition, EMD)于1998年被提出[10]，经验模态分解的基本原理是将信号自适应分解为多个本征模态分量后再对每个分量通过希尔伯特谱变化进行时频分析，其存在端点效应、模态混叠、过包络和欠包络等问题。在经验模态分解的基础上，先后有集合经验模态分解(Ensemble EMD, EEMD)[11]和完全集合经验模态分解(Complete Ensemble EMD，CEEMD)[12]等改进方法并应用于轴承的故障诊断。

也有学者另辟思路，从理论上提出不同的自适应时频分析方法解决经验模态分解存在的问题，如：局部均值分解(Local Mean Decomposition, LMD)与经验模态分解的系统性比较表明其可以更好地解决经验模态分解存在的过包络与欠包络问题[13-14]；固有时间尺度分解(Intrinsic Time-scale Decomposition, ITD)[15]的运算速度更快，更加适合信号的在线分解；经验小波变换(Empirical Wavelet Transform, EWT)[16]则在小波变换理论基础上进行构建，根据信号的频率特性将信号的频谱自适应划分为多个窄带频率分量，在各频带上建立小波滤波器并将信号分解为多个不同频率特征的分量，相比经验模态分解拥有更完备的数学理论基础和快速的分解性。

2014年，文献[17]提出一种新的自适应信号处理方法——变分模态分解(Variational Model Decomposition, VMD)，其通过引入变分约束实现信号分解，突破了以上自适应时频分析方法以递归分析为中心的思想，极大地改善了分解过程中存在的模态混叠和端点效应问题。文献[18]将变分模态分解进行改进后应用于轴承故障信号的分解，验证其较优的抗噪能力，并与Teager相结合实现了轴承的早期故障诊断。但变分模态分解参数对分解效果影响较大，仍需进一步研究。

1.5 小结

通过以上各类信号处理方法实现轴承振动信号的降噪和分离，然后通过合理准则选取某一分解后的分量进行包络分析实现轴承不同故障特征频率的提取并实现故障诊断，该类方法在工业实际应用中的实时性更高，在离线和在线设备监测与故障诊断中一直是主流。因此，将新提出的先进信号处理理论应用于轴承故障诊断领域也是一直的研究方向。

2 基于浅层机器学习的轴承故障诊断方法

故障诊断的实质是模式识别，而浅层机器学习方法则是典型的模式识别方法，但由于其学习能力有限，常常需与各类故障特征提取方法相配合，先通过各类特征提取方法提取故障特征，然后输入浅层机器学习方法实现故障诊断。

2.1 特征提取方法

2.1.1 时域分析

振动信号在时域状态的表现形式是随时间变化的波形，在故障诊断中通常选择时域信号的均值、绝对均值、峰值、峰峰值、均方根值和标准差等常用统计量作为故障特征进行提取，然后根据不同统计特征与故障类型的关系判断故障或输入浅层机器学习方法进行不同故障类型的分类[15]。

2.1.2 频域分析

实际采集系统直接获得的振动信号通常为时域信号，需将其转化到频域进行分析，以更好地反映原始信号的周期性和频率特性，一般通过频率统计特征和频谱进行分析[16]。在频率统计特征方面，通常对频域信号的平均频率、均方根频率、中心频率和根方差频率等统计量进行特征提取，这些特征可以输入人工智能模型进行故障诊断；在频谱分析方面，通过幅值谱、功率谱、倒频谱、细化谱等频域方法进行信号分析，其中倒频谱在轴承故障诊断中的应用十分广泛。

2.1.3 非线性动力学方法

当滚动轴承零件存在故障或故障程度不同时，其系统动力学特性会随故障类型和程度的不同而变化，所采集振动信号的复杂性也会存在不同，因此，如Lyapunov指数、多重分形和信息熵等基于非线性动力学的参数可以描述信号的复杂性，即可提取振动信号的非线性动力学参数特征来实现故障诊断[17]。其中，各类熵及其改进近年来在轴承故障振动信号特征提取方面得到了一定研究：文献[18]将近似熵(Approximate Entropy, ApEn)与混沌理论相结合提取振动信号的微弱特征频率，实现滚动轴承的故障诊断；文献[19]通过局部均值分解处理信号后提取分量的样本熵(Sample Entropy, SE)和能量熵组成故障特征，再通过支持向量机实现轴承的不同故障分类； 文献[20]将排列熵(Permutation Entropy, PE)应用于旋转机械运行状态的特征提取来实现轴承在线监测，排列熵在计算效率、抗噪能力等方面有一定的优点，但是排列熵，样本熵和近似熵对信号的度量均未体现不同类别之间边缘相对模糊的问题；文献[21]结合模糊函数提出了模糊熵(Fuzzy Entropy, FE)来度量信号的复杂度，更加符合信号的实际，但模糊熵，样本熵和排列熵仅在单尺度下对振动信号进行衡量而忽略了多尺度下的特征信息；文献[22]提出了多尺度熵(Multi-Scale Entropy, MSE)并在生物信号中验证了其有效性；文献[23]在多尺度熵的启发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)，并在轴承振动信号分析中验证了其有效性和优越性。

2.2 浅层机器学习方法

目前，在故障诊断领域常用的浅层机器学习方法可分为监督学习和非监督学习两大类。

常用的监督类学习方法主要有人工神经网络(Artificial Neural Network, ANN)、支持向量机(Support Vector Machine, SVM)、相关向量机(Relevance Vector Machine, RVM)、核极限学习机(Kernel Extreme Learning Machine, KELM)等模式识别方法，这些方法各有优缺点，通常与不同信号处理方法及其他特征提取方法相融合实现轴承故障诊断，无法独自实现特征自提取与识别[24]。如：人工神经网络存在结构参数难确定，易陷入局部最优以及训练样本较大的问题；支持向量机具有解决小样本、非线性数据和强泛化能力的优势，但稀疏有限且核函数受Mercer限制；相关向量机不受Mercer限制，适应于小样本数据，但输出结果具有概率性；核极限学习机具有良好的学习能力、学习速度和泛化能力，尤其在故障预测方面有一定的优势，但存在不稳定和连接权值等随机确定的问题。

非监督学习主要是以聚类为主的分析方法，聚类分析可以将对象按照某特征属性进行聚合分类，不需要样本的训练标签[25]，如最近均值和最近邻分类器及其改进方法，K最近邻(K-Nearest Neighbour, KNN)，K-means算法，GG(Gath-Geva, GG)聚类等，还有很多相似的改进聚类方法在轴承故障诊断中得到应用，但这些聚类方法在大数据下的高维特征聚类中存在一定的困难。

以上信号处理方法、非线性动力学方法在特征提取方面的泛化能力较弱，与浅层学习方法结合实现故障诊断的结果受人为经验影响且步骤繁琐。

3 基于深度学习的轴承故障诊断方法

随着旋转机械设备的高度现代化和智能化，设备的运行将产生海量能够表征运行状态的数据，这导致上述浅层学习模型很难从海量数据中挖掘出能够表征故障的特征，而以深度学习为主的方法恰好弥补了浅层机器学习的这一缺点，在轴承故障诊断领域逐步得到应用。

深度学习是人工智能方面的巨大突破，其具有的深层网络结构可以直接从振动信号中学习最本质的特征从而实现故障诊断，避免了各种信号处理方法手动提取特征的过程[26]。

目前，卷积神经网络(Convolutional Neural Network, CNN)、深度信念网络(Deep Belief Network, DBN)、循环神经网络(Recurrent Neural Network, RNN)、堆叠自动编码器(Stacked Auto Encoders, SAE)等深度学习方法已经在轴承故障诊断领域取得了初步应用。文献[27]提出了改进多尺度卷积神经网络，解决了一维卷积无法提取信号多尺度特征的缺点，实现了对振动信号的多尺度特征的提取，提升了滚动轴承在大噪声、变载荷和转速工况下的故障诊断能力；文献[28]提出一种粒子群优化深度信念网络网络结构的故障诊断模型，通过粒子群优化算法对深度信念网络的结构参数实现自适应调节，有效实现轴承故障诊断；由于循环神经网络具有很强的时间序列信息相关性挖掘能力，文献[29]通过循环神经网络实现滚动轴承故障诊断，并在模型中通过基于堆叠自动编码器的门控循环单元实现故障检测，提高了模型的泛化能力；文献[30]提出一种经验模态分解与堆叠稀疏自动编码器(Stacked Sparse Auto Encoders, SSAE)相结合的故障诊断方法，通过经验模态分解实现模态分量特征提取和降噪，然后输入堆叠稀疏自动编码器模型实现故障诊断：可见，深度学习方法已成为解决复杂工况和大数据下故障诊断的有效手段。

在模型的训练和测试中，以上传统深度学习算法的训练集和测试集属于相同的分布。然而在实际应用中，轴承经常在变工况下运行，不同工况下获得的训练集和测试集的分布通常是不同的，深度学习模型很难在这种情况下取得良好的识别效果。深度迁移学习方法可以有效地提取训练集和测试集中的共同特征而减小两者之间的分布差异，是解决上述问题的有效思路。文献[35]提出了一种跨域学习的深度学习方法，实现了不同工况以及机器之间的故障诊断。文献[36]提出了多层域自适应深度学习方法，在深度学习的每一层都进行域自适应学习来实现不同域特征的相同特征提取，从而进一步实现轴承的故障诊断。文献[37]提出了域适应深度置信网络学习方法，文献[38]提出了一种深度卷积域对抗网络的轴承故障诊断方法，均能够实现变工况下轴承的故障诊断。基于深度迁移学习及其改进的方法在轴承故障诊断中取得了良好的应用效果，但其复杂的结构参数需要智能优化，会消耗大量的计算时间，对工业应用中的实时监测有较大的影响。

除了训练数据和测试数据很难满足独立以及相同分布条件的问题，在实际工业环境中也很难获得足够的故障样本，这使得建立的优化模型难以实际应用，因此实现小样本下深度学习在故障诊断方面的突破是当前面临的主要问题。小样本是指在少量有标签样本训练下实现模型的学习训练，如何从少量的样本中学习新的概念是小样本学习所面临的挑战[39]。目前的主要解决思路有扩充目标样本量和实现源域与目标域数据集共同特征的提取2种思路，后一种仍属于迁移学习范畴：文献[40]提出了基于迁移学习实现源域学习知识迁移目标域的小样本故障诊断方法；文献[41]提出了不平衡样本下迁移公共特征空间挖掘的故障诊断，采用公共特征空间比较网络实现不同域特征的共性和个性学习，再实现故障轴承的诊断；文献[42]提出了一种结合预测生成去噪自动编码器和深度珊瑚网络的模型实现小样本下的故障诊断；文献[43]提出了一种新的数据合成方法和深度特征增强对抗网络学习模型实现轴承的小样本不平衡故障诊断；文献[44]提出了基于深度对抗网络模型的轴承故障诊断方法，能够实现跨域和小样本下的故障诊断。

生成对抗式网络应该是今后小样本下故障诊断的研究方向，同时将其与迁移学习相结合将成为解决当前轴承故障诊断中存在的跨域和样本不平衡问题的可行思路。在工业大数据时代下，基于深度学习的故障诊断方法将是实现智能运维分析和决策的可行思路。

4 结束语

本文总结了以振动信号数据为驱动的滚动轴承故障诊断方法的3类技术路线，并对各路线中具体方法的当前应用现状和本身存在的问题进行了梳理。基于信号分解的方法由于实时性较高，应用性较强，仍是目前研究的热点；基于浅层机器学习的方法由于过程繁琐且泛化能力弱，会逐渐淡出研究视野，取而代之的是大数据时代下基于深度学习方法的应用，这也将成为今后轴承故障诊断的主要思路。