機械故障診斷技術研究綜述

任貴粉，劉增力，孫偉棟

（1.650500 云南省 昆明市 昆明理工大學 信息工程與自動化學院；

2.650500 云南省 昆明市 昆明理工大學 機電工程學院）

0 引言

旋轉機械涵蓋了廣泛的機械設備，并在工業應用中發揮著重要作用，是常見的機械設備類別之一[1]。其通常在惡劣的工作環境下長期運作，損壞發生故障的概率大，意外的故障會對工作人員的安全及經濟生產都帶來威脅和損失，所以對其的故障診斷技術研究一直備受各國研究界和工業生產界的關注。

在過去的幾十年里，各國學者研究和提出最早的是基于振動信號分析的故障檢測診斷技術，可以將基于振動信號分析技術分為信號處理方法[2]、人工智能診斷方法[3]。信號處理方法是對采集到的機械振動信號所摻雜的噪聲去除，并提取故障特征，實現對信號的檢測；人工智能診斷方法是利用深度學習或者遺傳優化算法對信號進行分析處理，提取特征進行訓練，實現故障的模式識別。而前者在故障診斷的發展史上有著重要的地位，對故障診斷領域的發展起著重要的推動作用。

作為當代學術界研究熱點之一的故障診斷學，除了振動信號是攜帶故障信息的載體之外，圖像也是一種重要的故障信息形式[4]。通過圖像處理技術可以快速、準確地判斷故障類型、程度及特征，擁有巨大應用價值。應用在故障診斷中的圖像有CCD 數字圖像、振動譜圖像、紅外圖像和紫外圖像等4 種類型的圖像。

1 故障檢測技術概述

1.1 常用度量

在基于信號檢測技術中，各國學者常用信噪比和均方根誤差這兩項客觀指標的計算值來反映自己所用的故障檢測技術的優越性和可行性。信噪比（SNR）的數值越大越好，值越大，越能說明經過算法處理之后的信號保留的細節信息和有用信號越多；均方根誤差（RMSE）是用來衡量變化處理后的值與原始值之間的偏差，其數值越小越好。而峰值信噪比（PSNR）是評價圖像變換前后相比質量好壞的客觀標準，值越大，說明變換過程中損失的越少。MSE 被稱為均方誤差，其與PSNR 相反，數值越小越好。以上是在衡量檢測技術的效果中常用到的幾種客觀評價標準，其定義式如下：

式中：s(i)——原信號；x(i)——降噪后的信號；255——圖像灰度級；M×N為圖像大?。籪 ′ijfij——圖像變換前后的像素點灰度值。

1.2 基于振動信號分析

對信號分析的傳統方法是以經典方法傅里葉變換（FT）為思想的信號處理方法，如信號的頻譜、包絡譜分析[5]等在機械故障診斷中有著成熟的應用。這些以FT 為核心的信號處理方法，實質上屬于頻域分析[6]，分析的是線性信號系統，用其對非平穩非線性的振動信號分析會有一定的誤差，影響故障頻率的提取，所以，對非線性、非平穩故障信號的檢測，與非線性原理和方法相結合的現代信號處理方法是故障診斷領域一個重要的發展階段[6]。典型的現代信號處理方法有盲源分離[7]、時頻分析[8]、高階譜分析[9]、現代譜分析[10]及幾何分形技術[11]等，由于篇幅問題，這里以時頻分析為主進行介紹。

時頻分析能夠兼顧時域與頻域分析二者的優點，對一信號分析時，既可以得到時域內的頻率分布，又可以得到各頻率的時間分布，對故障信號是一個非常得力的分析方法，被廣泛應用到故障檢測中。典型的時頻分析方法有STFT、Wigner 分布、小波變換、EMD 等。其中，經驗模態分解（EMD）作為時頻分析中最先進的技術之一，自從1998 年Huang 和Wu 對EMD 推出以來，已在各個領域得到了廣泛的研究和應用，由于EMD 適用于處理非線性和非平穩信號，因此在故障診斷領域也引起了關注。它與其他的時頻分析方法相比有更明顯的優勢。例如，STFT 在對信號分析時，采用的是固定窗口，這就會導致分辨率有時不能滿足需要。小波變換因多分辨率特性被稱作“數學顯微鏡”，在信號處理領域也有著劃時代的意義，小波可以通過伸縮和平移很好地體現出信號的時頻特征，但是小波分析有著自身的缺陷—小波基的選擇，如果選擇有誤就會導致信號中的一些特征被濾掉。EMD 與小波不同之處就是EMD 是一種自適應信號處理方法，在對信號分解時得到的是具有幾乎正交的、簡單振蕩模式的IMF 分量。EMD 對信號f（t）分解的步驟如下：

（1）計算包絡曲線m（t）平均值，從信號中減去包絡平均值，即：c（t）=f（t）-m（t）。

（2）將上述公式作為一個新過程f（t）,重復步驟（1）反復計算，直到滿足過濾條件，找到第1 個IMF 分量c1（t），從c1（t）中減去f（t），得到：m1（t）=f（t）-c1（t）。

（3）設m1（t）為新的f（t），重復步驟（2）其它IMF 分量被過濾并停止，直到滿足過濾條件為止。其中濾波器為：①cn（t）單調函數；②剩余量rn（t）足夠小。

（4）最終重構的f（t）表示為

其中：rn（t）——殘差項，表征信號趨勢。

EMD 在非平穩非線性信號處理中存在著突出的優勢，但是該算法本身也有一些缺點，如理論性不完整。在學術研究中比較敏感的問題還是集中在端點問題、模態混疊[12]等問題中。在研究端點問題中，從最開始的鏡像延拓方法[13]到后來的各種改進延拓方法，在一定程度上解決了EMD 分解過程中產生的端點問題。其中，作為延拓方法中最經典的鏡像延拓方法，其原理是在具有對稱性的極值點處放面鏡子，然后進行鏡像對稱，得到2 倍長度的具有周期性的信號，最后把信號進行首尾相接，從根本上解決了端點問題。

針對模態混疊問題，EEMD，CEEMDAN，HVD等相繼被提出來解決模態之間的混疊問題。Wu 和 Huang[16]首次在文獻中提出的整體經驗模式分解（EEMD）方法去除EMD 中的模式混疊問題，后來被成熟地應用在了機械故障診斷中；Torres 認為在EEMD 算法中，向不同的信號中加入噪聲會產生不同數量的模式，所以Torres 在分解的每個階段都添加噪聲來實現可能會產生的不同模式，計算殘差獲得每種模式，從而保證分解的完整性，這種方法稱為完全集成經驗模式分解（CEEMDAN）；康鋒等在文獻[17]中對軸承振動信號用CEEMDAN 獲得一組IMF 分量,篩選特征敏感IMF 分量并提取故障特征頻率信息；希爾伯特振動分解(HVD)是在2006 年由Feldman[18]提出的一種非平穩信號分析方法，HVD 的實質是將一個復雜的信號分解為一系列幅值不同的分量和1 個殘余分量之和；朱可恒[19]等將HVD 應用于軸承故障診斷中，有效解決EMD 引起的模態混疊，能準確識別滾動軸承內、外圈故障。

如圖1 是EEMD，CEEMDAN，HVD 及EMD對一模擬信號進行分解的對比。從圖1 可以看出，HVD 相比EMD 有著更高的頻率分辨率和運算效率，EMD 只有1 個分解分量，相對于EEMD 和CEEMDAN，在解決模態混疊問題上有著明顯的優勢，在對HVD，EEMD 和CEEMDAN 比較時，都選擇的是前3 個分解分量。

用于模式識別的故障智能診斷方法就是結合信號特征提取技術構造故障特征向量，采用人工智能技術診斷出設備故障的方法。其中，神經網絡[20]是深度學習的代表，以自身的優點被研究人員應用在故障識別中，而支持向量機[21]或相關向量機相對神經網絡而言，速度快、運算量少，在故障識別研究中是一種常用的的算法。遺傳算法[22]具有對參數尋優的特點，在故障診斷中的應用包括蟻群算法、免疫算法及粒子群優化等。

FPGA[23]和LabVIEW[24]都是在硬件方面作為系統的搭載平臺，能實現各種信號處理算法，憑借著高速處理的優點得到該領域的青睞。

綜上分析，基于振動信號分析技術處理機械故障的方法關系圖可以用圖2 表示。

1.3 基于圖像處理分析

圖1 模擬信號分解對比圖Fig.1 Comparison of analog signal decomposition

圖2 基于信號分析技術處理故障的方法關系圖Fig.2 Relationship diagram of the method for processing faults based on signal analysis technology

基于圖像處理分析技術來研究機械故障也是故障診斷領域一個重要部分，圖像信息從本質上來說也是信號的范疇，被稱為二維信號。圖像信息和一維信號不同的地方在于，圖像可以讓人直觀和快速獲取所需要的信息，在運作現場可以做到實時性的在線檢測。在屈梁生教授提出將全息譜技術應用在非穩態信息處理中之后，基于圖像處理分析技術在故障檢測和診斷領域得到了快速發展和廣泛應用。

在基于圖像處理[25]的故障檢測研究中，有一種方法是基于圖像采集系統直接獲取圖像的故障應用研究。用圖像采集系統直接采集機械表面的故障數字圖像，經過圖像處理、特征提取等完成故障診斷。該方法中最具代表性的是周云燕對貨車故障的檢測，先是對采集到的機械設備圖像進行預處理，包括用模糊自適應中值濾波方法去除脈沖噪聲；用直方圖均衡化提高圖像的對比度；提出基于灰度差的邊緣檢測方法進行邊緣檢測和改進的二維自適應Otsu 閾值分割算法。在對故障特征提取中提出了FINRT 特征提取算法。該方法將Radon 變換的結果做積分、正則化和傅里葉變換，得到與圖像的仿射變換無關的改進Radon 變換；在故障識別中，為了得到更佳識別效果,將Fisher 線性判決引入了RBF 網絡的學習中，最終應用在了鐵路貨車運行故障的檢測中[25]。

在對振動信號進行分析時，可以得到一些反映振動信號特征的頻譜圖，簡稱為振動譜圖，對振動譜圖進行特征提取和研究是一項新的故障檢測方法。對頻譜圖進行圖像技術處理得到譜圖的特征量，利用分類器對特征量分類識別。關貞珍[26]等利用振動圖像的紋理特征來研究故障程度，通過構建EMD-形態差值濾波器對采集到的軸承振動信號進行濾波去噪處理，然后將去噪后的信號通過既能得到幅值信息又能得到相位信息的在高階譜中計算量最少的雙譜實現等高線圖的轉換。當軸承的故障程度不同時，所產生的等高線圖有著明顯的區別，故障程度越大，等高線越向故障頻率中心聚集。為了智能識別故障程度，又提出利用主元分析算法對灰度三角共生矩陣產生的14個特征量進行降維處理，選出4 個主成分作為特征參數，采用SVM 模式識別技術對內外圈故障及其故障程度進行識別。其內、外圈故障軸承振動響應信號及雙譜圖如圖3 所示。

圖3 內、外圈故障軸承振動響應信號及雙譜圖Fig.3 Time series and bispectrum figure of measured signals with inner fault and outer fault

在基于紅外圖像[27]的故障診斷中，常常需要把紅外圖像轉化為灰度圖進行處理。灰度圖具有不僅能夠減少處理原始圖像的計算量，而且還能夠利用梯度信息反映出圖像的本質形態特征的特點。郝建新[28]等在對機載電路板故障診斷中，先通過圖像分割對故障區域進行溫度提取，再用熱阻網絡模式對故障區域溫度優化，提取溫度作為特征量進行SVM 訓練，最后用D-S 理論對SVM 輸出向量值進行最終的數據整合得到特征參數。其中，D-S 理論是將同一個框架下的不同證據體通過融合規則合成新的證據體的過程。其電路板故障診斷流程圖如圖4 所示。

圖4 電路板故障診斷流程圖Fig.4 Circuit board fault diagnosis flowchart

3 結束語

本文闡述了目前主要用于機械故障診斷中的技術，分別從信號和圖像兩個大的方向進行分析和概括，基于信號處理的故障檢測包括傳統的以經典傅里葉變換（FT）為思想的信號處理方法、現代信號處理方法以及用于故障模式識別的故障智能診斷方法；基于圖像處理的故障檢測中圖像類型包括用CCD 直接獲取的圖像、振動譜圖像以及紅外紫外圖像。這些故障診斷技術都有自身的優缺點。為了滿足實際生產工業應用的需求，如果能把基于信號處理和圖像處理兩個方向的技術結合在一起，雙重檢測就會更完美，也給將來該領域研究提供一個方向和新的思路。同時，在診斷技術和研究內容上仍存在一定的研究問題需要接下來進一步的改進：

（1）基于信號處理技術的故障研究已經相當成熟，故障機制的建立比較完善，故障類型及特征的對應關系庫已經確定，但是在基于圖像技術的故障檢測的研究還不夠完善，故障庫還需進一步研究填充。

（2）在故障的檢測診斷研究中已經出現多故障的檢測，檢測方法也出現多方法的融合，使得檢測更準確。但是檢測方法的融合只是體現在信號研究方法的單一融合，沒有在信號與圖像之間進行故障檢測診斷的方法探究。

（3）注重人機結合的理念，技術固然重要，先進的技術可以對故障檢測更精確，對故障的診斷更及時，但是人對機械的維護及維修始終起著主導作用，所以，注重技術研究的同時，更注重對工作人員進行專業技術的培養，最大限度發揮人機優勢。