旋轉機械故障診斷的研究現狀及發展前景*

侯澤林

(晉能控股山西科學技術研究院雙創中心，山西 大同 037006)

0 引 言

旋轉機械在煤炭行業應用中起著至關重要的作用。由于旋轉機械長期在重負荷、高溫、高速等惡劣復雜條件下工作，不可避免地會發生故障[1,2]。因此，必須及時監測機械的狀態，盡早診斷故障。旋轉機械故障診斷是旋轉機械的關鍵技術之一，它包括四項基本任務：確定機器或關鍵部件之間是否發生了異常情況，找出早期故障及其根源，評估其嚴重程度，預測故障發展趨勢。即故障檢測，故障隔離、故障評估和故障預測。實施有效的旋轉機械故障診斷非常重要，它有助于避免異常事件發展，減少離線時間，預測剩余壽命，減少生產力損失，最終避免重大系統故障和災難。同時，隨著現代工業制造業的發展，機械設備和系統已經變得相當大規模、復雜化和自動化。由于對高性能、安全性和可靠性的更高要求，旋轉機械故障診斷不僅變得越來越重要，而且變得越來越困難。因此，近幾十年來，旋轉機械故障診斷得到了越來越多的關注和長足的發展。筆者基于前人的研究基礎，對旋轉機械故障診斷技術進行了全面的概述，進而提供對其進一步地見解。

1 旋轉機械故障診斷的研究現狀

近年，隨著信號處理技術、人工智能技術和大數據技術的發展，人們對旋轉機械故障診斷進行了大量的文獻綜述。作為對機械故障診斷基礎研究的全面回顧，Chen等[3]回顧過去，重點介紹了故障診斷的四個關鍵步驟：故障機理、傳感器技術與信號采集、信號處理和智能診斷。同時，學者們在其他研究方面，如故障診斷[1-3]中的信號處理技術、基于條件維護中的故障診斷和預測和健康管理[4]、軸承、變速箱和渦輪機的故障診斷[5]及故障診斷中的人工智能技術也做了大量研究[6-7]。

旋轉機械故障診斷本質上是一個模式識別問題，包括特征提取和故障識別兩個關鍵步驟，可以通過信號處理技術和人工智能技術來解決。信號處理技術是旋轉機械故障診斷的重要課題，已廣泛應用于各種工業領域。在2006年，Jardine等人[8]總結了波形數據的三種信號處理方法：時域分析、頻域分析和時頻域分析。此外，根據不同的開發階段，Rai和Upadhyay[5]分析了滾動元軸承的各種信號處理方法及其診斷能力，并將其分為三個階段。經過不斷的研究和發展，旋轉機械故障診斷的信號處理技術已經發展成為一系列的方法和工具，包括基于小波的方法、經驗模式分解方法、自回歸方法、環平穩方法、譜峭度法和峰圖方法、形態信號處理方法、基于熵的方法和數據約簡工具。此外，由于越來越多的關注，人工智能技術也被應用到旋轉機械故障診斷中。一般來說，旋轉機械故障診斷中的人工智能技術可分為三類：監督方法、半監督方法和無監督方法。其中，使用最廣泛的分類器包括k-最近鄰方法、貝葉斯方法、支持向量機方法、隨機森林方法和人工神經網絡方法。近年來，隨著人工智能和計算機科學的不斷發展，深度學習技術也被引入到旋轉機械故障診斷。由于深度學習自動提取特征和處理大量數據的能力，已成為旋轉機械故障診斷的研究熱點。大量的深度學習方法，如卷積神經網絡、堆疊自編碼器、限制玻爾茲曼機器、深度信念網絡和深度神經網絡，已經被集成到旋轉機械故障診斷中。

2 旋轉機械故障診斷的研究熱點

2.1 譜峭度(SK)

作為包絡分析的強大技術之一，譜峭度法是一種基于振動信號檢測旋轉機械故障的有效方法。它是由Dwyer在1983年首次引入的，并被定義為一種統計工具，可以指示信號中的非高斯分量及其在頻域[9]中的位置。受譜峭度法識別的限制，它通常僅作為經典功率譜密度的補充。2006年，Antoni J對譜峭度法進行了徹底的分析，并通過有條件的非平穩過程的Wold-Cramer分解提出了SK的形式化。同時，Antoni J和Randall RB指出，譜峭度法不僅能在強掩蔽噪聲的情況下提供一種強大的方法來檢測早期故障，而且還能提供一種獨特的方法來設計最佳濾波器來濾除機械特征的故障[10-11]。自此，譜峭度法的改進引起了相當多的關注，在接下來的十年中出現了多篇關于該方法的研究文獻并取得了一些進展。基于滾動軸承的譜峭度法故障診斷流程如圖1所示。

圖1 基于滾動軸承的故障診斷流程圖

2016年，Wang等人的研究表明[12]，譜峭度法的主要發展方向是譜峭度法的短時間傅里葉變換估計量、Kurtogram及快速Kurtogram、自適應譜峭度法和Protrugram。這些譜峭度技術對于從振動信號中檢測脈沖信號是非常強大的，即使該信號中存在著大量的噪聲。此外，與其他時波分析方法如小波變換和EMD相比，譜峭度技術可以自動指示這些信號發生在哪些頻段中。因此，譜峭度技術在對于滾動軸承故障診斷中取得了良好的診斷效果。

然而，由于該理論的基本假設存在局限性，所以譜峭度技術不適用于從機器的升速或降速實驗中獲得的信號。時頻分解方法和譜峭度技術的結合，將譜峭度作為選擇頻段解調頻帶的工具是譜峭度技術未來的發展趨勢。另一個熱門的研究方向是將譜峭度與人工智能技術結合起來，進行智能診斷，利用譜峭度技術對信號進行預處理。

2.2 排列熵

在旋轉機械故障診斷的數據驅動方法中，特征提取是關鍵技術之一。在特征提取中引入了熵的概念來表達振動信號的非線性和非平穩的動態特征。目前已經集成了許多方法，如Shannon熵、近似熵、樣本熵、模糊熵和多尺度熵。Bandt和Pompe[13]提出了排列熵來測量時間序列的復雜度。由于其在時間序列信號下具有較高得到穩定性和高計算效率，也將排列熵引入旋轉機械故障診斷，排列熵有效地代表了滾動軸承振動信號的工作特征。

排列熵是一種用于描述一維非線性時間序列信號復雜性與混亂程度的熵算法，作為可定量描述時間序列信號復雜程度與混亂程度的熵值參數，具有計算過程簡單、計算效率高、抗干擾能力強、對信號變化敏感性好等優點，可針對性處理滾動軸承振動信號成分復雜、故障信號微弱的問題。排列熵：

(1)

重構符號序列：

(2)

式中：m為嵌入維數；t為延遲參數。

由此人們為旋轉機械故障診斷提出了許多基于突變熵的方法，其中大多數集中在排列熵的發展，并與分解算法相結合進行特征表征，如小波包分解、局部平均分解和VMD。

2018年，Li等人[14]總結了旋轉機械故障診斷中的幾種熵算法及其變體，其中排列熵和其他基于熵的方法取得了許多成功的應用。然而，有三個問題限制了排列熵的發展。首先，熵算法通常與分解方法相結合來提取特征，這消耗了大量的時間。雖然排列熵提高了計算效率，但它不足以進行在線監測。其次，復雜的參數設置使得在沒有足夠經驗的情況下很難應用排列熵，從而削弱了其智能性。最后也是最重要的是，作為一種傳統的數據處理技術，排列熵和其他熵都是人工特征提取方法，現在正被基于深度學習的方法所取代。因此，排列熵的主要發展趨勢是提高其計算效率，使其參數自動化，并將其融入到深度學習中。

2.3 深度學習

雖然數據驅動的方法在旋轉機械故障診斷中取得了良好的性能，但有兩個關鍵問題阻礙了進一步的發展。一方面，特征提取依賴于信號處理技術和診斷專家的先驗知識。另一方面，用于故障識別的分類器是淺層學習模型，如極端學習機、人工神經網絡、支持向量機和隨機森林。淺層結構限制了它們在旋轉機械故障診斷中學習復雜的非線性關系和處理大數據的能力。作為人工智能的一個突破，深度學習統一了特征提取和故障識別，可以通過多層次結構在大數據中挖掘有用的深度信息。

隨著計算機能力和數據規模的增加，深度學習方法可以顯著提高模式識別，并在許多領域得到了成功的應用，具有比其他機器學習技術更好的性能，包括語音識別、圖像識別、機器人技術和醫學。深度學習的自動化特征學習過程和強大的分類能力，可以有效地解決上述兩個缺陷，是故障特征挖掘和旋轉機械智能診斷的重要工具。近年來，大量的論文報道了基于深度學習的方法在機械故障診斷中的應用，其中典型的模式是CNN、遞歸神經網絡和生成對抗網絡。

雖然基于深度學習的方法已經被證明優于淺層學習方法，但它們的性能在很大程度上取決于數據的質量和數量。然而，在實際工業應用中，FDRM缺乏大量可用的高質量數據，數據具有數據不足、數據不完整和數據不平衡的特點。要解決這些問題，轉移學習是一種非常具有應用前景的技術，此外，由于其與人類和動物學習相似，無監督學習是解決數據復雜度的一種有效方法。因此，深度學習的一個研究熱點就是發展轉移學習和無監督學習，以減少數據復雜度造成的診斷難度。

2.4 稀疏表示法

稀疏表示是一種信號分析和特征表示技術，可以緊湊地描述任意復雜信號，從更多的角度全面揭示信號特征，并提取豐富的詳細信息。稀疏表示由匹配追求算法發起，起源于原子分解。基于字典的原子分解將復雜信號分解為最匹配信號的主要結構的最優基本波形的疊加。由于其在故障特征識別方面的良好適應性和高靈活性，在機械故障診斷中也實現了稀疏表示。

2017年，Feng ZP等人[15]全面總結了機械故障診斷中復雜信號分析的稀疏表示，并考慮了原子分解算法和系統設計方法作為兩個關鍵問題。Cai等人[16]，提出了一種基于稀疏性信號分解方法的變速箱故障特征提取方法。Liu等人[17]，提出了一種新的稀疏故障特征提取表示方法，通過阻尼二階系統的單位脈沖響應函數構造一個超完備的系統。Wang J等人[18]，提出了一種新的軸承故障診斷模型，考慮故障尺寸、旋轉頻率、軸承尺寸和其他參數。雖然已經有許多論文報道，但這兩個方面的發展仍然是一個研究熱點，例如，降低了系統設計的計算復雜度，以及現有的分解算法的組合和改進。另一個研究趨勢是根據使用的系統的特性來開發分解算法。

3 結論及展望

機械故障診斷目前還遠未被認為是一門完整的學科。旋轉機械故障診斷的基礎研究和相關技術的突破是推動其發展的動力。在不久的將來，旋轉機械故障診斷的基礎研究應以工程應用、各種相關研究、科學問題的解決方案和自主創新為基礎。此外，應鼓勵編制和建立標準的故障診斷數據庫。通過共享典型工程實例以及標準實驗數據、算法和驗證模型，可以避免重復建設和研究。

本文總結四個研究熱點及發展方向：譜峭度、排列熵、深度學習和稀疏表示。除了深度學習之外，其他三個主題都是信號處理技術。我們認為，隨著人工智能的不斷發展，將深度學習與這些基于振動信號特征的信號處理技術相結合，將成為旋轉機械故障診斷領域的熱門研究方向。此外，基于深度學習、遷移學習和集成學習，研究數據不足、數據不完整和數據不平衡下的旋轉機械故障診斷解決方案是工業工程的巨大挑戰和實際要求。此外，未來研究的關鍵是基于實際工業數據在系統層面和工程應用的產品層面進行故障診斷。