基于振動(dòng)信號(hào)的軸承故障診斷技術(shù)綜述

沙美妤，劉利國(guó)

(1.江南大學(xué) 機(jī)械工程學(xué)院，江蘇 無(wú)錫 214122；2.江蘇省工程機(jī)械機(jī)械振動(dòng)與測(cè)試重點(diǎn)實(shí)驗(yàn)室，江蘇 徐州 221000)

軸承由于其自身的優(yōu)點(diǎn)廣泛應(yīng)用于很多工業(yè)系統(tǒng)，但軸承在使用中會(huì)產(chǎn)生故障，且具有一定隨機(jī)性，嚴(yán)重影響機(jī)械設(shè)備的正常運(yùn)行，因此深入研究軸承診斷方法和故障機(jī)理一直是國(guó)內(nèi)外專家學(xué)者所關(guān)注的熱點(diǎn)問(wèn)題。

依據(jù)測(cè)取信號(hào)的不同性質(zhì)，診斷方法可以分為振動(dòng)法、油樣分析法、噪聲法、聲發(fā)射法等。由目前軸承故障診斷技術(shù)的發(fā)展和應(yīng)用現(xiàn)狀來(lái)看，基于振動(dòng)信號(hào)的診斷方法是國(guó)內(nèi)外比較普及且有效的檢測(cè)方法。雖然已有各種各樣的信號(hào)分析儀用于軸承故障診斷，但依據(jù)振動(dòng)分析原理研制的診斷儀器和方法一直是國(guó)內(nèi)軸承檢測(cè)診斷的主流。

1 軸承故障診斷的發(fā)展歷史

20世紀(jì)60年代，美國(guó)最早出現(xiàn)了軸承故障診斷技術(shù)，隨著國(guó)內(nèi)外學(xué)者的不斷研究和改進(jìn)，各種診斷方法與技術(shù)層出不窮，診斷的智能性和精度也有了很大提高。軸承故障診斷的發(fā)展歷史大體上可分為3個(gè)階段：

1)人工檢測(cè)時(shí)期。工業(yè)發(fā)展早期，在沒(méi)有任何故障檢測(cè)儀器的情況下，工程技術(shù)人員只能借助眼、耳等人體器官識(shí)別故障。例如檢測(cè)人員將聽(tīng)音棒放置在相關(guān)零部件上，用耳朵聽(tīng)聲判斷有無(wú)故障。但是該方法很難實(shí)時(shí)、準(zhǔn)確地判斷軸承故障。

2)計(jì)算機(jī)技術(shù)時(shí)期。隨著計(jì)算機(jī)技術(shù)的出現(xiàn)和發(fā)展，在20世紀(jì)60年代，頻譜分析從理論變?yōu)楝F(xiàn)實(shí)，利用軸承的特性和快速Fourier變換技術(shù)分別計(jì)算振動(dòng)的特征頻率并處理振動(dòng)信號(hào)，通過(guò)對(duì)比判斷是否存在軸承故障。隨后，共振解調(diào)技術(shù)出現(xiàn)，大大提高了信噪比，可以凸顯出故障信號(hào)，從而在故障診斷領(lǐng)域得到廣泛應(yīng)用。同時(shí)，沖擊脈沖計(jì)的出現(xiàn)使得利用所測(cè)脈沖的最大幅值檢測(cè)軸承的早期損傷故障更為有效。

3)趨于完善的軸承故障監(jiān)測(cè)與診斷技術(shù)及系統(tǒng)。20世紀(jì)90年代后，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，以及小波技術(shù)和人工智能方面的神經(jīng)網(wǎng)絡(luò)技術(shù)等的出現(xiàn)和發(fā)展，軸承故障診斷逐步由初級(jí)化走向智能化，并逐漸成熟。

2 軸承故障診斷內(nèi)容

目前，軸承運(yùn)行狀態(tài)的檢測(cè)、故障預(yù)警和故障追蹤3個(gè)方面是軸承故障診斷的主要內(nèi)容。軸承故障診斷系統(tǒng)的完整內(nèi)容如圖1所示。

圖1 軸承故障診斷系統(tǒng)圖

3 基于振動(dòng)信號(hào)的軸承故障診斷

3.1 軸承振動(dòng)的產(chǎn)生

固有振動(dòng)、故障引起的振動(dòng)及加工安裝引起的振動(dòng)是軸承的3種主要振動(dòng)類型。其中，故障振動(dòng)是不應(yīng)有的振動(dòng)，當(dāng)由疲勞、磨損、粘著、腐蝕和破損等引起的故障點(diǎn)存在于軸承組件上時(shí)，在軸承工作過(guò)程中必然與其他零件產(chǎn)生撞擊，從而引發(fā)一系列的沖擊振動(dòng)。

3.2 基于振動(dòng)信號(hào)的傳統(tǒng)故障診斷技術(shù)

基于振動(dòng)信號(hào)的傳統(tǒng)軸承故障監(jiān)測(cè)和診斷技術(shù)主要使用傳感器采集運(yùn)行過(guò)程中軸承的振動(dòng)信號(hào)，對(duì)采集的信號(hào)進(jìn)行放大、濾波和轉(zhuǎn)換等處理得到振動(dòng)的幅值或頻率，通過(guò)與規(guī)定的閾值進(jìn)行對(duì)比判斷軸承是否存在故障。時(shí)域分析、頻域分析、時(shí)頻域分析是基于振動(dòng)信號(hào)的傳統(tǒng)故障診斷技術(shù)的3類主要方法。

3.2.1 時(shí)域分析

對(duì)軸承振動(dòng)信號(hào)的時(shí)域分析開(kāi)展較早，但其所采集的時(shí)域信號(hào)波形多是十分復(fù)雜的振動(dòng)信號(hào)，噪聲、加工安裝引起的振動(dòng)等因素對(duì)其影響嚴(yán)重，使用時(shí)域分析方法判斷軸承運(yùn)行狀態(tài)是否正常比較困難，難以確定故障的部位、性質(zhì)等關(guān)鍵信息。常用的時(shí)域分析方法有參數(shù)法和沖擊脈沖法。

1)參數(shù)法。振動(dòng)信號(hào)的基本數(shù)字特征常被用于對(duì)軸承進(jìn)行故障診斷。均值、峰值、概率密度函數(shù)、方差以及峭度系數(shù)、波形因子等量綱一化特征參數(shù)是常用的基本數(shù)字特征，將這些時(shí)域參數(shù)與正常工作軸承的響應(yīng)值進(jìn)行對(duì)比分析，可以判斷軸承是否存在故障。該方法的優(yōu)點(diǎn)是簡(jiǎn)便、快捷，但易受噪聲的影響，且需定期對(duì)軸承振動(dòng)總量進(jìn)行檢測(cè)記錄，只能粗略判斷故障，難以確定故障的性質(zhì)和部位等關(guān)鍵信息。但若綜合分析多個(gè)特征參數(shù)，診斷效果會(huì)有所改善[1]。

2)沖擊脈沖法(Shock Pulse Method，SPM)。時(shí)域分析中，還常采用時(shí)間序列進(jìn)行故障分析和診斷，脈沖是一種時(shí)間序列，可以體現(xiàn)沖擊力強(qiáng)弱，因此可用于判斷軸承故障。此方法的優(yōu)點(diǎn)是簡(jiǎn)便易用，專門(mén)針對(duì)軸承的復(fù)合失效診斷，且無(wú)需專業(yè)人員分析。但無(wú)法判斷故障的位置和類型，且受背景噪聲或其他沖擊源影響嚴(yán)重，診斷效果很差，只能說(shuō)明軸承的總體狀態(tài)[2]。

3.2.2 頻域分析

由于軸承故障的產(chǎn)生和發(fā)展均會(huì)改變信號(hào)的頻率結(jié)構(gòu)，因此確定信號(hào)的頻率結(jié)構(gòu)是頻域分析的主要目的。頻域分析包括頻譜分析、細(xì)化譜分析和解調(diào)譜分析、倒頻譜分析、差頻分析等[3-4]。調(diào)制性是故障振動(dòng)信號(hào)的特性之一，因此合理解調(diào)所測(cè)軸承故障振動(dòng)信號(hào)至關(guān)重要，尤其在需要準(zhǔn)確診斷故障部位的情況下。目前，頻域分析法基本滿足工程實(shí)踐的要求，也取得了一定效果，但由于其不提供任何時(shí)域信息，存在一定不足。常用的頻域分析方法如下。

1)共振解調(diào)法(包絡(luò)檢波頻譜分析法)。該方法將軸承或檢測(cè)系統(tǒng)作為諧振體，利用軸承故障會(huì)激起諧振的現(xiàn)象，放大故障沖擊引起的高頻共振響應(yīng)，通過(guò)包絡(luò)檢測(cè)方法提取低頻成分并進(jìn)行頻譜變換，最后得到包絡(luò)譜圖，在圖上找到故障的頻率信息，從而得到故障的類型及部位。其特點(diǎn)是：譜線與故障存在對(duì)應(yīng)的關(guān)系，兩者同時(shí)存在或同時(shí)消失；故障越大，沖擊強(qiáng)度越大，共振解調(diào)幅值越大，成正比關(guān)系；有較好的抗頻率動(dòng)干擾性[5]。

2)Fourier變換法。Fourier變換將一個(gè)波形分解成許多簡(jiǎn)單的項(xiàng)，并將這些項(xiàng)再組合起來(lái)重建原來(lái)的波形。比如周期性的信號(hào)可以表示成一個(gè)直流偏置信號(hào)與若干正弦信號(hào)和余弦信號(hào)之和的形式[6]。Fourier變換可以很好地分析放大器的失真，找出噪聲中的微弱信號(hào)。但是穩(wěn)態(tài)和線性信號(hào)是Fourier變換的基礎(chǔ)，而這樣的信號(hào)在實(shí)際檢測(cè)中不存在，只能是一種假設(shè)。

3.2.3 時(shí)頻域分析

平穩(wěn)信號(hào)和非平穩(wěn)信號(hào)是軸承故障振動(dòng)信號(hào)的2種類型。軸承在實(shí)際工作時(shí)受各種工作狀況的影響，一般產(chǎn)生的是非線性、非平穩(wěn)振動(dòng)信號(hào)；另外在實(shí)際檢測(cè)過(guò)程中，由于傳感器安裝位置的限制，采集的信號(hào)中包含了有用信息和干擾信息，實(shí)際檢測(cè)信號(hào)也是非線性、非平穩(wěn)的隨機(jī)信號(hào)。只有將時(shí)域和頻域進(jìn)行二維聯(lián)合，才能更好地表示該類信號(hào)的局部特征。而信號(hào)分析中一直存在時(shí)域與頻域的局部化矛盾。因此，許多專家學(xué)者一直在努力研究新的時(shí)頻分析方法，使信號(hào)在時(shí)頻域上能夠同時(shí)局部化。目前，常用的時(shí)頻域分析方法有短時(shí)窗口Fourier變換、小波變換、經(jīng)驗(yàn)?zāi)B(tài)分解、局部均值分解等。

1)短時(shí)窗口Fourier變換(Short-Time Fourier Transform，STFT)。信號(hào)加窗后再進(jìn)行Fourier變換是STFT法的主要思想。窗函數(shù)可隨著時(shí)間t的移動(dòng)而移動(dòng)，并可得到感興趣的位置附近的很小時(shí)間上的頻譜，從而使時(shí)間局域化[7]。因?yàn)榇嬖陬l率分辨率固定、限制時(shí)間和頻率最高分辨率等問(wèn)題，STFT法僅適用于緩變信號(hào)的分析。

2)小波分析技術(shù)。小波分析技術(shù)將信號(hào)分割為很多層次，分析認(rèn)為有用的頻段，從而獲取軸承的故障特征頻率。具有適合變化頻率的可變窗寬，能更好地“顯微”出信號(hào)中短時(shí)高頻現(xiàn)象，特別適合分析短時(shí)沖擊信號(hào)。但是由于其本身缺陷，這種信號(hào)處理方法不具自適應(yīng)性[8-9]。將小波技術(shù)和神經(jīng)網(wǎng)絡(luò)、奇異值分解、模糊評(píng)判和分形盒維數(shù)等技術(shù)相結(jié)合進(jìn)行軸承故障模式識(shí)別的方法[10]，也得到了廣泛應(yīng)用。

3)經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)。EMD是基于信號(hào)的局部特征時(shí)間尺度的方法[10]。此法將信號(hào)分解為若干個(gè)固有模態(tài)函數(shù)(IMF)之和，并對(duì)各個(gè)IMF分量進(jìn)行分析，從而準(zhǔn)確有效地把握原數(shù)據(jù)的特征信息。EMD法是一種自適應(yīng)的完備、正交的信號(hào)分解方法，從根本上擺脫了傳統(tǒng)變換的局限性，信噪比較高，非常適用于非平穩(wěn)、非線性信號(hào)[11]。但包絡(luò)、端點(diǎn)效應(yīng)、模態(tài)混淆和欠包絡(luò)等問(wèn)題在理論上依然存在，仍需進(jìn)行深入研究[12-13]。

4)局部均值分解(Local Mean Decomposition，LMD)。LMD是一種自適應(yīng)時(shí)頻分析方法，其給出了包絡(luò)估計(jì)和局部均值函數(shù)的定義，在不斷平滑信號(hào)的過(guò)程中得到瞬時(shí)頻率相應(yīng)的包絡(luò)信號(hào)和純調(diào)頻信號(hào)，并將這2種信號(hào)相乘得到一個(gè)為單分量的調(diào)幅-調(diào)頻信號(hào)的PF分量。因此，LMD對(duì)處理非平穩(wěn)和非線性信號(hào)非常有效，尤其是處理多分量的調(diào)幅-調(diào)頻信號(hào)。但是端點(diǎn)效應(yīng)、迭代終止條件、平滑方法等問(wèn)題仍然存在，還需要深入研究[14]。

4 近年研究情況和進(jìn)展

4.1 新興故障診斷方法

傳統(tǒng)的信號(hào)分析與處理方法對(duì)分析對(duì)象進(jìn)行一些理性化的處理和簡(jiǎn)化，以求分析與處理簡(jiǎn)便，并在此基礎(chǔ)上形成了相對(duì)完整的理論體系和方法。但是，這樣的簡(jiǎn)化和處理方法常忽略信號(hào)中的部分特征，甚至是一些非常重要的特征信息。因此，利用傳統(tǒng)故障診斷技術(shù)進(jìn)行分析存在一定缺陷，實(shí)際診斷結(jié)果差強(qiáng)人意，誤診和漏診現(xiàn)象頻繁。在此基礎(chǔ)上，很多新興的故障診斷技術(shù)應(yīng)運(yùn)而生。

4.1.1 基于非線性理論的幾何不變量診斷技術(shù)

近年來(lái)，在軸承故障診斷中加入了混沌、分岔和分形等非線性理論，并取得了一定進(jìn)展[15]。原理如下：對(duì)振動(dòng)時(shí)間序列信號(hào)進(jìn)行小波消噪，對(duì)沖擊振動(dòng)信號(hào)的間隔進(jìn)行時(shí)域分析檢查，并進(jìn)行相間重構(gòu)計(jì)算出多個(gè)幾何不變量，將它們作為特征量輸入到神經(jīng)網(wǎng)絡(luò)，最后對(duì)軸承的故障進(jìn)行模式識(shí)別。在測(cè)試過(guò)程中，分析儀采集振動(dòng)信號(hào)傳到計(jì)算機(jī)中進(jìn)行相關(guān)數(shù)據(jù)的分析處理，并利用軸承的振動(dòng)信號(hào)訓(xùn)練網(wǎng)絡(luò)。試驗(yàn)表明此方法具有較高的故障識(shí)別率[16]。

4.1.2 基于循環(huán)平穩(wěn)理論的循環(huán)統(tǒng)計(jì)量方法

循環(huán)平穩(wěn)信號(hào)又稱周期平穩(wěn)信號(hào)，是指對(duì)于結(jié)構(gòu)對(duì)稱且具有固定載荷區(qū)間的軸承，其非平穩(wěn)振動(dòng)信號(hào)會(huì)表現(xiàn)出一定的周期性。對(duì)于此類信號(hào)進(jìn)行分析可以釆用循環(huán)統(tǒng)計(jì)量方法[17-18]。該方法能夠高效地分離有用信號(hào)與噪聲信號(hào)，非常適合早期軸承故障診斷。譜相關(guān)密度函數(shù)[19]、自相關(guān)函數(shù)及切片分析等是常用的循環(huán)統(tǒng)計(jì)量方法，幾種方法各有所長(zhǎng)，可以根據(jù)實(shí)際需要選擇[20]。

4.1.3 現(xiàn)代智能診斷技術(shù)

現(xiàn)代人工智能診斷方法包括支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、隱馬爾可夫模型、模糊數(shù)學(xué)等。據(jù)統(tǒng)計(jì)，支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)法廣泛應(yīng)用在機(jī)械系統(tǒng)的故障診斷中[21]。

4.2 我國(guó)研究近況和進(jìn)展

我國(guó)在軸承故障診斷技術(shù)方面起步較晚，但隨著經(jīng)濟(jì)水平的不斷提高，科學(xué)技術(shù)的不斷發(fā)展，以及我國(guó)科研人員的不懈努力，軸承故障診斷技術(shù)也取得了一定的突破和研究成果。

文獻(xiàn)[22]提出以分形網(wǎng)格維數(shù)為特征量，利用維數(shù)距離函數(shù)判別待測(cè)信號(hào)與原始信號(hào)的相似程度，以此診斷軸承故障。

文獻(xiàn)[23]提出一種基于多尺度小波域隱馬爾可夫模型(WHMM)參數(shù)特征的故障診斷方法，彌補(bǔ)了基于小波能量譜和能量譜熵的故障診斷方法要求小波分解系數(shù)基本符合高斯分布的不足，可以分析信號(hào)多尺度小波分解系數(shù)的統(tǒng)計(jì)特征，具有很強(qiáng)的穩(wěn)定性。該法提出可用WHMM描述小波變換域系數(shù)在尺度間、尺度內(nèi)的統(tǒng)計(jì)相關(guān)性，并從窗口寬度、小波基和分類器3個(gè)層面分析了該方法對(duì)診斷性能的影響。

文獻(xiàn)[24]提出了一種基于幅值倒頻譜分析與經(jīng)驗(yàn)?zāi)B(tài)分解的軸承故障診斷方法，并通過(guò)試驗(yàn)證明了該方法的有效性。

文獻(xiàn)[25]提出了一種基于奇異值分解和經(jīng)驗(yàn)?zāi)B(tài)分解的模糊C均值(Fuzzy Center Means，F(xiàn)CM)聚類與特征提取的滾動(dòng)軸承故障診斷方法，其主要針對(duì)滾動(dòng)軸承非平穩(wěn)振動(dòng)故障信號(hào)。深入研究了SVD，EMD和FCM聚類3種方法的結(jié)合問(wèn)題，并通過(guò)試驗(yàn)證明該方法能夠準(zhǔn)確識(shí)別滾動(dòng)軸承故障狀態(tài)，且不像神經(jīng)網(wǎng)絡(luò)一樣需要大量的樣本進(jìn)行學(xué)習(xí)，因此可用于實(shí)時(shí)診斷，并縮短診斷時(shí)間。同時(shí)，該方法具有一定的通用性和可移植性，也可用于診斷其他機(jī)械類故障。

文獻(xiàn)[26]通過(guò)計(jì)算對(duì)比得到分形盒維數(shù)和關(guān)聯(lián)維數(shù)的優(yōu)劣，指出分形盒維數(shù)能夠更好地分析含噪較重的信號(hào)。同時(shí)提出滾動(dòng)軸承正常信號(hào)盒維數(shù)大于故障振動(dòng)信號(hào)盒維數(shù)。

文獻(xiàn)[27]提出了基于傳統(tǒng)的標(biāo)準(zhǔn)化經(jīng)驗(yàn)?zāi)B(tài)分解的改進(jìn)方法，指出傳統(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解方法在實(shí)際應(yīng)用中存在停機(jī)準(zhǔn)則過(guò)于苛刻、沒(méi)有考慮插值誤差的影響等不足，并將改進(jìn)的方法運(yùn)用到實(shí)際處理軸承振動(dòng)信號(hào)中。

文獻(xiàn)[28]在掌握振動(dòng)軸承工作狀態(tài)的基礎(chǔ)上，改進(jìn)了包絡(luò)解調(diào)理論分析法中的脈沖沖擊模型，建立振動(dòng)軸承2點(diǎn)點(diǎn)蝕故障振動(dòng)模型，提出了振動(dòng)軸承內(nèi)、外圈點(diǎn)蝕故障的判別依據(jù)。

5 我國(guó)軸承故障診斷的發(fā)展趨勢(shì)

隨著新興軸承故障診斷技術(shù)的不斷出現(xiàn)，軸承的故障診斷技術(shù)有了很大進(jìn)步，很多方法已投入實(shí)際使用，但還有部分技術(shù)仍處于試驗(yàn)階段，關(guān)鍵問(wèn)題尚待解決。總體而言，軸承故障理論和應(yīng)用都不完善，還需要不斷改進(jìn)。軸承故障診斷技術(shù)的發(fā)展趨勢(shì)：

1)繼續(xù)完善參數(shù)法、沖擊脈沖法、小波分析、共振解調(diào)法等傳統(tǒng)時(shí)域、頻域、時(shí)頻分析技術(shù)和理論。

2)在完善上述方法的基礎(chǔ)上，不斷探討現(xiàn)代人工智能故障診斷方法和分形理論在軸承故障診斷中的應(yīng)用。集合多領(lǐng)域?qū)＜业闹腔郏M(jìn)行跨學(xué)科研究，新興方法將是未來(lái)故障診斷很長(zhǎng)一段時(shí)間的發(fā)展方向和研究熱點(diǎn)。

3)任何一種故障診斷方法都有自己的不足和缺陷，為了能全面詳細(xì)地反映軸承故障的特征，將不同故障診斷方法結(jié)合使用，以充分利用它們的優(yōu)點(diǎn)，仍將是研究重點(diǎn)和技術(shù)路徑之一。