機械故障診斷技術機遇與挑戰*

陳國梁，岳 夏，周 超，張春良

（廣州大學機械與電氣工程學院，廣州 510006）

0 引言

機械故障診斷學是一種了解和掌握機器在運行過程中的狀態，確定其整體或局部正常或異常，早期發現故障及其原因，并能預報故障發展趨勢的技術。機械故障診斷學中的基礎問題可歸納為：故障動態演化機理研究，系統信號處理，故障識別和智能診斷。近年來，隨著科學技術的發展，故障診斷技術進入了新發展階段，也迎來了發展黃金期。以風力發電機組維護為例，預計2024年僅海上風電機組運維規模就將達到37億元左右，年復合增長率達到50%左右[1]。而這些場合往往環境惡劣、地處偏遠，難以采用人工值守的方式，采用遠程智能診斷更加適合。

通常故障診斷流程可以分為信號獲取、特征提取以及故障識別與預測3個環節[2]。本文則從診斷技術側重的不同，將故障診斷技術分為4類：實時故障診斷、早期故障診斷、智能故障診斷以及5G聯合數據故障診斷。這4類診斷技術既相互關聯又有各自特點。實時故障診斷需要在規定的時間間隔內給出故障診斷的結果，強調診斷的高時效性；早期故障診斷是在預防性維護的要求下發展出來的，強調復雜環境以及噪聲干擾等不利條件下的早期微弱故障精確識別；智能故障診斷是人工智能和故障診斷相結合的產物，本文主要是指運行人工智能進行故障預測與健康管理等，構建具備學習能力和一定綜合決策能力的故障診斷技術；而5G聯合數據故障診斷則是在最新5G 通訊背景下，利用5G 技術的低時延、高速率傳輸特性，有效提升遠程故障診斷服務的技術。

1 實時故障診斷

隨著工業系統過程的復雜化和現代科學技術的迅猛發展，現代機械加工已經進入超高速范圍。在現代高速、高精度的機械設備運行過程中，實時故障診斷顯得更為重要。實時性故障診斷需要在很短的時間內完成數據采集、特征提取以及故障識別的工作。由于信息來源的時間長度受限，故障特征的穩定性較差，也難以采用復雜的特征提取與識別算法，從而對故障診斷技術提出了苛刻的挑戰。為了解決故障診斷中的實時性問題，相關學者采用的策略主要是以下兩種：一是針對集體應用改進現有的智能算法和模型，提高已有環節數據處理效率提升診斷方法的實時性；二是改進或提出新的故障診斷模型或流程，通過替換甚至取消耗時環節實現實時診斷。

Turker[3]構建了一種基于卷積神經網絡的電機實時診斷系統。每次診斷采集0.48 s的電機電流數據，通過預處理并輸入一維卷積神經網絡進行識別。由于取消了獨立的特征提取環節，可以在1 ms 之內完成電機主要故障的識別，且主要故障的識別準確率均大于97%。Cai[4]則采用面向對象的貝葉斯網絡，重新設計了針對復雜系統的故障診斷流程，通過優化復雜工業系統內大量重復結構在診斷過程中的表達，實現了多類故障的實時概率估計，其實時診斷方法的核心是信息的有效復用。沈飛[5]提出一種時間遷移模型，通過減少當前時刻數據使用量，以提升旋轉機械工況發生變化時的實時故障診斷性能，其診斷模型平均執行時間為1.16 s，基本滿足實時診斷需求，其核心思想是歷史數據的有效使用。陳科[6]則提出一種基于固定“篩”數量停止準則的CEEMD 實時軸承智能故障診斷算法，將210個采樣點的信號分解效率提升了90 倍。孫淑光[7]則結合實際工程經驗提出一種基于二次差值的改進殘差決策算法，避免了多決策門限的復雜性，在采樣時間為0.1 s的情況下，故障檢測所需時間大約為2 s，大幅降低了故障檢測時間。上述方法在保證檢測準確性和識別率的基礎上，改進了算法或模型來減少故障診斷的時間，有效提升了診斷算法實時性。這兩種提升診斷算法實時性的核心都是特定應用中算法的針對性改良。

可以看出，當前研究已從多個方面著眼提升實時診斷效率。但單次完整診斷的執行周期依然較長，還有很大的潛力可挖。

2 早期故障診斷

在機械故障診斷領域，對中期、晚期較為明顯的故障已經形成了一系列較為成熟的故障檢測手段，但在工程中總是希望對故障的發生和增長做到防微杜漸。早期故障具有特征不明顯、信噪比低等特點，使得早期故障往往不能夠及時發現。

Jia[8]提出了一種基于最大相關峰度的改進譜峰度（SK）方法，在提取滾動軸承早期故障上有明顯優勢。冷永剛[9]提出SVD 分量包絡分析的滾動軸承早期故障檢測方法，可以從原始采集信號中清晰分離出軸承的早期故障特征。武兵[10]提出了最大相關峭度反褶積與譜峭度結合的滾動軸承早期故障診斷方法，降低了信號噪聲，提升了原信號的峭度，可以準確有效地診斷滾動軸承的早期故障。丁康[11]提出一種基于譜峭度和Morlet 小波的滾動軸承微弱故障診斷新方法，能夠有效診斷滾動軸承微弱故障。明安波[12]將線性峭度圖方法引入到滾動軸承故障特征表征中，更好地抵抗信號中大幅值異常值和隨機沖擊的干擾，更有利于提取微弱的軸承故障特征。唐貴基[13]則針對經驗模態分解和局部均值分解問題難以解決的過包絡、欠包絡、邊界效應等問題，將變分模態分解VMD（viriational mode decomposition）引入到機械故障診斷中，通過引入最新信號處理工具實現信號高頻部分的細化分析，放大軸承早期故障信號中的微弱特征信息，實現軸承運行狀態的準確識別。以上方法主要通過對特征提取環節進行改進以實現早期故障診斷。Li[14]提出一種基于加權診斷觀測器的FD 系統，同時優化系統的魯棒性和故障敏感性。該文獻從系統構建的角度闡述了提升故障敏感性的方法，具備微弱故障診斷應用的潛力。Yu[15]則針對深度學習方法中訓練復雜度高和時間長的問題，建立了相應的深層信任網絡模型，有效提升了訓練效率和故障診斷精度。Ma[16]提出了一種基于濾波技術的跟蹤控制多源振動仿真方法，使用跟蹤濾波器來準確估計多源子頻率分量的幅度和相位，可以實現最多8 個子頻率的幅度和相位跟蹤從而實現多源故障診斷。以上兩篇文獻著重提升診斷識別精度，對于微弱故障診斷同樣具備參考價值。岳夏[17]基于傳感器陣列對軸承故障相位耦合頻段的聲場進行近場聲全息重建，再通過重建面體現的高頻沖擊信號調幅特性，通過引入聲陣列信號實現微弱故障的識別。此外，斯凱孚洞悉（SKF InsightTM）軸承將檢測傳感器內置并通過無線網絡傳輸數據，從信號來源的角度保障了故障特征的有效獲取，同樣也是一種行之有效的方法。

可以看出早期故障診斷的難點更多在于將微弱的故障特征找出來，因此針對性的特征提取方法依然是其重點。但是早期故障診斷依然面臨著誤報率較高等問題，通過早期故障機理揭示典型故障特征的研究還需要進一步深入。

3 智能故障診斷

智能故障診斷技術是一種在知識層次上，以知識處理技術為基礎，實現辯證邏輯與數理邏輯的集成、符號處理與數值處理的統一、推理過程與算法過程的統一，通過概念和處理方式知識化，實現設備故障診斷的智能化診斷方法，為人們使用智能技術解決復雜系統故障問題提供了強有力工具[18]。智能故障診斷已經成為故障診斷領域中最活躍的研究之一，本文僅從智能識別、大數據和壽命預測3個方面簡要闡述。

3.1 智能識別

華南理工大學李巍華等[19]提出了基于一種雙層螢火蟲改進算法，減小了訓練誤差，提升了訓練效率、故障識別率。英國思克萊德大學Al-Bugharbee等[20]首先通過奇異譜分析做信號預處理，再使用自回歸模型診斷故障，可對存在的故障進行完整和高精度的識別。袁建虎[21]提出了一種基于小波時頻圖和卷積神經網絡的滾動軸承智能故障診斷方法，該方法能有效識別滾動軸承的故障類型，改進的CNN 具有較強的泛化能力、特征提取和識別能力。田書[22]提出將改進變分模態分解能量熵與支持向量機相結合的斷路器故障診斷新方法，所提方法在少量樣本情況下仍能有效提取斷路器的運行狀態并對故障進行分類。陳超[23]根據獲取的可用數據不足提出一種基于輔助數據的增強型最小二乘支持向量機遷移學習策略來診斷數據量不足時的軸承故障診斷，相比傳統機器學習，基于此方法的模型在診斷軸承故障時性能提升顯著。司景萍[24]將小波包信號處理技術與模糊神經網絡結合，研究了基于模糊神經網絡的智能故障診斷專家系統。劉建強[25]提出了一種基于小波包分解和集合經驗模態分解的列車轉向架軸承智能故障診斷方法，能夠充分提取故障特征，準確識別軸承故障。曲建嶺[26]提出了一種基于一維卷積神經網絡的滾動軸承自適應故障診斷算法，軸承數據庫實驗表明算法能夠實現高達99%以上的故障識別準確率。李奕江[27]基于VMD-HMM的滾動軸承磨損狀態識別方法，對滾動軸承磨損狀態識別率較高。Rajeevan[28]將無監督學習和認知建模相結合，有效地檢測、分類診斷中已知和未知故障。Wang[29]提出了一種基于甲殼蟲天線搜索的支持向量機（BAS-SVM）的風電機組滾動軸承智能故障診斷方法，識別準確率達100%。張鑫[30]提出了基于拉普拉斯特征映射和深度置信網絡的半監督故障識別，增強了特征提取的智能性，提高了分類精度。胡蔦慶[31]提出一種基于經驗模態分解和深度卷積神經網絡的智能故障診斷方法，準確、有效地對行星齒輪箱的工作狀態和故障類型進行分類。

3.2 大數據智能診斷

Jia[32]提出一種利用頻譜對深度神經網絡進行訓練的旋轉機械故障診斷方法。該方法能夠自適應地從滾動軸承和行星齒輪箱的大量樣本中提取故障特征，提高了診斷精度，對基于大數據的故障診斷具備指導意義。胡軍[33]提出了基于大數據挖掘技術的設備故障診斷方法，能夠有效挖掘出設備狀態記錄數據內在規律，實現具有數據自適應性、更加準確的設備故障診斷。Melis[34]提出了基于數據驅動的間歇過程監控框架，在大數據環境下進行在線故障監測與診斷，具有優良性能。Wu[35]在大數據環境下將機器學習算法應用于數據挖掘階段，采用混合智能算法，有效地提高了監測診斷的靈敏度、魯棒性和準確性。

3.3 壽命預測

Li[36]針對系統預測和健康管理上利用模型預測剩余使用壽命中精準模型不可用的問題，提出了一種新的基于數據驅動的深度卷積神經網絡預測方法，將采取的原始數據作為輸入，避免了直接利用專業知識進行預測，有效提高了預測精度。Xu[37]等基于預先分好的5個軸承壽命等級，從振動和聲發射中提取的時域特征，提出了一種基于可延長使用壽命的軸承狀態連續監測和狀態分類的混合模型。西安交通大學雷亞國等[38]提出自適應多核組合的相關向量機預測方法，并應用于機械剩余壽命預測。Jiao[39]提出了一種新的多故障模式下的故障監測與剩余使用壽命預測框架，通過監測故障的發展趨勢、預測和識別多故障下的故障模式來進一步估計剩余使用壽命。一種隱半馬爾可夫模型方法被用于直升機主變速箱行星齒輪架疲勞裂紋的故障診斷和剩余使用壽命預測，提高了診斷準確性[40]。

智能故障診斷融合了計算機領域的最新成果。尤其是大數據的引入，極大地降低了故障診斷的實施難度，拓展了系統的使用范圍，具備非常好的發展潛力。但是在故障診斷系統的可解釋性、可拓展性等方面，智能故障診斷仍需加強。

4 5G聯合數據故障診斷

第五代移動通信系統5G已經開始普及應用。5G網絡的數據傳輸速率遠遠高于以前的蜂窩網絡，最高可達10 Gbit/s，同時網絡延遲低于1 ms，而4G 為30～70 ms。在實際故障診斷中，5G技術為遠程故障診斷提供了新的平臺。

Hu[41]討論了應用5G網絡技術運行遠程故障診斷時可能出現的性能不足問題，針對此提出了通信邊緣計算環路及系統模型用于評估診斷程序的效率，有助于5G技術在故障診斷領域的應用。Pablo[42]為了應付5G挑戰下的服務終端大數量下的管理復雜度問題，提出了一種基于網絡數據分析的自愈方法用于故障診斷領域，有助于降低診斷錯誤率。趙峰[43]探討了基于5G技術的智能車間故障預測與健康管理系統，研究表明該系統降低了智能車間維修和維護成本，提高設備、系統的使用生命周期。

5G聯合數據故障診斷的應用目前依然在起步階段。但是其高效的傳輸性能無疑使得采用陣列信號、多模態信號的遠程實時故障診斷成為可能。5G聯合數據故障診斷與云服務有望催生出中國自己的專業化、規模化的故障診斷服務企業。

5 故障診斷的新機遇與挑戰

隨著制造強國戰略與智能制造的提出，故障診斷正面臨著前所未有的機遇。但是也要清醒地認識到，已有研究距離智能制造的實際需求仍有一定距離。如何融入制造強國戰略解決行業實際需求，給現有的智能故障診斷理論與方法帶來了新的挑戰。

（1）現有研究大部分針對的是較為簡單的環節與系統。現代制造設備復雜多樣、信號源多、類型差異大、耦合性強、動力學建模困難、非線性強，同時還存在較強的不確定性干擾。如何應對這些問題，需要故障診斷基礎理論方面進一步深入研究。

（2）大數據與智能故障診斷是故障診斷未來的發展趨勢，但是并不意味著數據或者智能診斷方法是自我獨立的。如何將動力學、特征提取、數據挖掘、智能識別等有機結合，消除各環節之間的孤島效應，實現數據與診斷過程的可解釋性，是未來的重要挑戰。

（3）故障診斷技術應當融入智能制造的進程，以開放、包容的心態主動引入新信號、新方法、新技術。尤其故障診斷長期被認為是一種減少損失而不是增加企業效益的技術，這一點已經成為了阻礙故障診斷發展的重要原因。如何在智能制造體系中，探索高保真模型、數字孿生等體系下運用故障診斷技術參與優化決策與控制，提升企業生產效益，同樣值得深入研究。

（4）現有研究大部分都針對通用故障診斷理論與方法，考慮實際需求的相對較少。因此，故障診斷研究需要適當突出實際應用的背景與特色，走入企業進一步經受實踐檢驗。

6 結束語

故障診斷技術研究從20世紀50年代開始，已經取得了很大進展。隨著智能制造的發展，可以說故障診斷已經進入了關鍵的機遇期。如何針對產品具體需求，切實提升企業產品的智能化水平；如何利用大數據，針對行業提供專業化、規模化服務，將是故障診斷未來的發展方向。故障診斷理論、技術及其實際應用方興未艾，還需要進一步地深入探索。