軸承智能故障診斷技術發展

文韜

摘 要：滾動軸承作為旋轉機械設備的主要零部件，其運行狀態對旋轉機械設備的健康狀況有著重要影響，為避免設備發生致命故障，防止生產損失和人員傷亡，有必要對滾動軸承的運行狀態進行診斷分析。長期以來，故障診斷技術重點在于處理噪聲信號，通過時頻域變換來挖掘人工特征，然而前述過程變得愈發復雜和繁瑣，與實現智能診斷的目的背道而馳。隨著人工智能技術的發展，大數據時代給故障診斷帶來新的發展機會，深度學習通過強大的特征自提取能力極大地簡化特征提取過程，而遷移學習更使變工況下故障診斷達到極好地效果。本文闡述傳統故障診斷方法，討論人工智能時代軸承智能診斷技術的發展方向。

關鍵詞：滾動軸承;深度學習;遷移學習;故障診斷

1 前言

軸承作為現代機電裝備中的重要零部件之一，其在制造業下各個領域都得到廣泛應用，比如工程機械，軍事裝備，礦產采集等，其工作狀態對設備的精度、效率、維護成本等有很大影響。因而，為延長軸承的工作壽命，降低經濟成本并避免安全事故的發生，對軸承進行及時的故障診斷就很有必要。《中國制造2025》中指出，要增強信息化技術對制造業的賦能，而隨著互聯網技術的普及，當前各種數據呈井噴式爆發。制造業進入大數據時代，通過數據驅動的人工智能算法與軸承故障診斷技術結合具有廣闊前景。

一個普通的滾動軸承一般可以分為：內圈、外圈、滾動體和保持架四部分（圖1），因而，軸承的故障類型也可分為這對應的內圈故障，外圈故障，滾動體故障和保持架故障四種。

2 傳統軸承故障診斷方法

故障診斷常使用振動信號和聲發射信號作為數據來源，在這兩種方法中，振動信號因其對機械旋轉的敏感性和測量方法的簡潔性而得到廣泛應用。當軸承發生故障時，其振動信號在時域和頻域會有表現，不同類型的故障會體現多種特征。此前，學者們常利用時域的振動數據，計算多個統計參數，如峰度、均方根、平均值等進行計算提取故障特征。該模式往往需要學者針對具體問題，設計特定的特征提取模型，但對變工況，多種故障耦合的振動數據，人工特征難以獲得良好的診斷效果。

3 智能故障診斷技術

隨著物聯網、5G技術的發展，海量數據為深度學習的發展注入巨大的能量，深度學習這種依靠數據驅動的算法正如朝陽一般，給故障診斷技術帶來黎明。

3.1 基于深度學習的故障診斷

與傳統機器學習相比，深度學習具有更深的網絡架構，在圖2中，隱藏層往往具有幾十上百層。現在，卷積神經網絡，殘差網絡，長短期記憶網絡等等流行的網絡架構，能提取出軸承的深層故障特征，與傳統故障診斷算法的淺層特征相比，深層特征具有更好的泛化性，模型魯棒性更強。并且深度學習可以自動化地提取更具表現力地特征，以及滿足實際應用中端到端的需求，將特征提取過程變得簡潔高效，目前已在機械故障診斷領域得到了廣泛的應用。例如，潘繼財[1]提出基于GAN的深度學習故障診斷方法，把判別器的訓練結果輸入數據，并提取出軸承的故障數據集中的特征。

3.2 基于遷移學習故障診斷

隨著制造業步入新興的大數據和智能新時代，從狀態檢測系統收集的數據量急劇增加，且工況較多。因此，研究如何有效利用這些不同工況下的數據對軸承狀態進行診斷分析具有重要意義。

遷移學習顧名思義就是就是把在源域上訓練好的模型參數遷移到目標域上數據新來幫助新模型訓練。而源域和目標域上的數據分布其實多數是截然不同的，如圖3所示，遷移學習中的域適應通過把源域和目標域數據映射到同一個向量空間，拉近各自分布的距離，這樣，在源域上訓練的模型就能更好的應用在目標域上。蘭雨濤[]提出一種基于遷移成分分析的域自適應軸承智能故障診斷方法，讓源域和目標域樣本在特征子空間上的差異最小化，。由此顯著地縮小了域分布間的距離，實現了從源域到目標域的跨域特征信息遷移。

4. 總結

本文探討滾動軸承智能診斷技術的現狀，指出傳統方法的弊端和局限性，重點討論人工智能時代智能故障診斷的發展趨勢。

參考文獻：

[1]潘繼財，大數據樣本與半監督環境下基于生成對抗網絡的故障診斷，機械與電子. 2021，39（05），20-25

[2]蘭雨濤，胡超凡，金京，王衍學， 基于遷移成分分析的跨域軸承故障分類方法研究， 機電工程. 2021，38（05）， 521-527