基于振動信號的滾動軸承故障診斷方法綜述

陳鵬

(蘭州石化職業技術大學 電子電氣工程學院，蘭州 730060)

0 引言

滾動軸承被廣泛應用于風力發電、航空發動機、高速火車輪對等重要工業領域的大型裝備中，長期高速運轉易導致裝備損壞，因此其在整個大型裝備的故障監測與診斷中受到業界關注[1]。目前，在基于振動、油膜、鐵譜、軸溫和聲音等各類診斷技術中，基于振動信號的監測由于不受機械結構影響且測試簡單而得到了廣泛的研究和應用。本文主要對基于振動信號的滾動軸承故障診斷方法進行綜述。

基于滾動軸承振動信號的故障診斷方法的技術路線如圖1所示，主要分為3類：

1)將信號分解方法與包絡分析相結合， 實現信號降噪后故障特征頻率的提取，與軸承不同零件的理論故障特征頻率進行對比實現軸承不同位置故障的判定。該類方法適用于軸承的在線分析，在工程應用中適用性高，一直是研究的熱點,但只能實現定性故障診斷而無法實現定量故障診斷。

2)故障特征提取方法與淺層機器學習方法相結合，通過時域、頻域、時頻域信號處理方法實現降噪和故障特征提取，或通過信號處理方法降噪后與非線性動力學方法結合實現故障特征提取，然后將提取的特征輸入淺層機器學習方法實現故障分類。該方法在故障類型較少以及恒工況下的故障診斷方面應用較多，但在復雜工況和故障類型較多情況下的診斷效果欠佳，且步驟比較復雜。

3)當前處于研究熱點的深度學習方法。深度學習方法具有深層結構和較強的非線性特征提取能力，可以直接實現軸承振動信號中故障特征提取和模式識別，尤其能夠滿足復雜工況端到端的故障診斷，解決前2種方法在復雜工況下故障診斷能力有限的問題。但深度學習模型需要大量數據樣本進行訓練，而軸承故障樣本往往很難獲得(屬于小樣本)，因此深度學習同樣面臨如何在小樣本下實現故障診斷的問題。

圖1 基于滾動軸承振動信號故障診斷方法的技術路線

同時，還有些研究將以上各類方法進行融合，如將信號處理與深度學習相結合等，下文將對各類方法應用中具體技術的國內外研究現狀進行梳理。

1 基于信號分解的故障診斷方法

軸承由于磨損和剝落等故障產生的振動信號具有強非線性和非平穩特性，為解決這一問題，產生了具有分析信號局部特征的時頻分析方法，可以對頻譜隨時間變化的特性進行有效分析，現已成為信號處理和分析的主要工具[2]。

1.1 短時傅里葉變換

短時傅里葉變換(Short-Time Fourier Transform，STFT)根據固定窗寬的窗函數對信號進行劃分，然后按照窗寬移動對信號進行傅里葉變換而獲得其頻譜信息，具有簡單、高效和分析結果無交叉干擾的特點[3]。然而，短時傅里葉變換存在窗函數窗寬固定且無法較好兼顧頻率與時間分辨率的缺點，學者們針對此問題提出了采用三階B樣條實現窗寬大小的自適應確定以及基于對數窗能量的時頻聚集性度量準則選擇窗寬的方法，并將其應用于軸承故障診斷[4-5]。

1.2 小波變換

小波變換(Wavelet Transform，WT)繼承了短時傅里葉變換局部化的思想，同時擁有隨頻率變化的時頻窗口[6]。對于非平穩信號而言，小波變換具有同時分析信號高、低頻成分的多分辨率特性。由于小波變換一定程度上解決了短時傅里葉變換的缺點，在滾動軸承和旋轉機械其他部件的故障診斷中得到了廣泛應用，但小波變換對信號高頻部分的分析不夠完善，在特征提取中容易丟失信號的高頻部分信息。因此，有學者提出了能夠實現信號高頻部分更細信息分析的小波包變換(Wavelet Packet Transform, WPT)和采用冗余的第二代小波包變換，但其分解效果受到基函數選擇和分解層數的影響[7-8]。

1.3 維格納分布

維格納分布(Wigner-Ville Distribution，WVD)由于在時頻分布方面的良好特性，在信號處理中得到廣泛應用。但是，維格納分布屬于雙線性，在信號分析中可能存在交叉干擾現象[9]，雖然通過引進預濾波和多分量分離等理論改進了維格納分布，但均未在根本上解決該問題。

1.4 自適應時頻分析方法

自適應時頻分析方法是近年信號處理方面的主流工具，并在軸承的故障診斷中得到了廣泛研究。經典的自適應非線性信號處理方法——經驗模態分解(Empirical Mode Decomposition, EMD)于1998年被提出[10]，經驗模態分解的基本原理是將信號自適應分解為多個本征模態分量后再對每個分量通過希爾伯特譜變化進行時頻分析，其存在端點效應、模態混疊、過包絡和欠包絡等問題。在經驗模態分解的基礎上，先后有集合經驗模態分解(Ensemble EMD, EEMD)[11]和完全集合經驗模態分解(Complete Ensemble EMD，CEEMD)[12]等改進方法并應用于軸承的故障診斷。

也有學者另辟思路，從理論上提出不同的自適應時頻分析方法解決經驗模態分解存在的問題，如：局部均值分解(Local Mean Decomposition, LMD)與經驗模態分解的系統性比較表明其可以更好地解決經驗模態分解存在的過包絡與欠包絡問題[13-14]；固有時間尺度分解(Intrinsic Time-scale Decomposition, ITD)[15]的運算速度更快，更加適合信號的在線分解；經驗小波變換(Empirical Wavelet Transform, EWT)[16]則在小波變換理論基礎上進行構建，根據信號的頻率特性將信號的頻譜自適應劃分為多個窄帶頻率分量，在各頻帶上建立小波濾波器并將信號分解為多個不同頻率特征的分量，相比經驗模態分解擁有更完備的數學理論基礎和快速的分解性。

2014年，文獻[17]提出一種新的自適應信號處理方法——變分模態分解(Variational Model Decomposition, VMD)，其通過引入變分約束實現信號分解，突破了以上自適應時頻分析方法以遞歸分析為中心的思想，極大地改善了分解過程中存在的模態混疊和端點效應問題。文獻[18]將變分模態分解進行改進后應用于軸承故障信號的分解，驗證其較優的抗噪能力，并與Teager相結合實現了軸承的早期故障診斷。但變分模態分解參數對分解效果影響較大，仍需進一步研究。

1.5 小結

通過以上各類信號處理方法實現軸承振動信號的降噪和分離，然后通過合理準則選取某一分解后的分量進行包絡分析實現軸承不同故障特征頻率的提取并實現故障診斷，該類方法在工業實際應用中的實時性更高，在離線和在線設備監測與故障診斷中一直是主流。因此，將新提出的先進信號處理理論應用于軸承故障診斷領域也是一直的研究方向。

2 基于淺層機器學習的軸承故障診斷方法

故障診斷的實質是模式識別，而淺層機器學習方法則是典型的模式識別方法，但由于其學習能力有限，常常需與各類故障特征提取方法相配合，先通過各類特征提取方法提取故障特征，然后輸入淺層機器學習方法實現故障診斷。

2.1 特征提取方法

2.1.1 時域分析

振動信號在時域狀態的表現形式是隨時間變化的波形，在故障診斷中通常選擇時域信號的均值、絕對均值、峰值、峰峰值、均方根值和標準差等常用統計量作為故障特征進行提取，然后根據不同統計特征與故障類型的關系判斷故障或輸入淺層機器學習方法進行不同故障類型的分類[15]。

2.1.2 頻域分析

實際采集系統直接獲得的振動信號通常為時域信號，需將其轉化到頻域進行分析，以更好地反映原始信號的周期性和頻率特性，一般通過頻率統計特征和頻譜進行分析[16]。在頻率統計特征方面，通常對頻域信號的平均頻率、均方根頻率、中心頻率和根方差頻率等統計量進行特征提取，這些特征可以輸入人工智能模型進行故障診斷；在頻譜分析方面，通過幅值譜、功率譜、倒頻譜、細化譜等頻域方法進行信號分析，其中倒頻譜在軸承故障診斷中的應用十分廣泛。

2.1.3 非線性動力學方法

當滾動軸承零件存在故障或故障程度不同時，其系統動力學特性會隨故障類型和程度的不同而變化，所采集振動信號的復雜性也會存在不同，因此，如Lyapunov指數、多重分形和信息熵等基于非線性動力學的參數可以描述信號的復雜性，即可提取振動信號的非線性動力學參數特征來實現故障診斷[17]。其中，各類熵及其改進近年來在軸承故障振動信號特征提取方面得到了一定研究：文獻[18]將近似熵(Approximate Entropy, ApEn)與混沌理論相結合提取振動信號的微弱特征頻率，實現滾動軸承的故障診斷；文獻[19]通過局部均值分解處理信號后提取分量的樣本熵(Sample Entropy, SE)和能量熵組成故障特征，再通過支持向量機實現軸承的不同故障分類； 文獻[20]將排列熵(Permutation Entropy, PE)應用于旋轉機械運行狀態的特征提取來實現軸承在線監測，排列熵在計算效率、抗噪能力等方面有一定的優點，但是排列熵，樣本熵和近似熵對信號的度量均未體現不同類別之間邊緣相對模糊的問題；文獻[21]結合模糊函數提出了模糊熵(Fuzzy Entropy, FE)來度量信號的復雜度，更加符合信號的實際，但模糊熵，樣本熵和排列熵僅在單尺度下對振動信號進行衡量而忽略了多尺度下的特征信息；文獻[22]提出了多尺度熵(Multi-Scale Entropy, MSE)并在生物信號中驗證了其有效性；文獻[23]在多尺度熵的啟發下提出了多尺度排列熵(Multi-Scale Permutation Entropy，MPE)、多尺度模糊熵(Multi-Scale Fuzzy Entropy，MFE)，并在軸承振動信號分析中驗證了其有效性和優越性。

2.2 淺層機器學習方法

目前，在故障診斷領域常用的淺層機器學習方法可分為監督學習和非監督學習兩大類。

常用的監督類學習方法主要有人工神經網絡(Artificial Neural Network, ANN)、支持向量機(Support Vector Machine, SVM)、相關向量機(Relevance Vector Machine, RVM)、核極限學習機(Kernel Extreme Learning Machine, KELM)等模式識別方法，這些方法各有優缺點，通常與不同信號處理方法及其他特征提取方法相融合實現軸承故障診斷，無法獨自實現特征自提取與識別[24]。如：人工神經網絡存在結構參數難確定，易陷入局部最優以及訓練樣本較大的問題；支持向量機具有解決小樣本、非線性數據和強泛化能力的優勢，但稀疏有限且核函數受Mercer限制；相關向量機不受Mercer限制，適應于小樣本數據，但輸出結果具有概率性；核極限學習機具有良好的學習能力、學習速度和泛化能力，尤其在故障預測方面有一定的優勢，但存在不穩定和連接權值等隨機確定的問題。

非監督學習主要是以聚類為主的分析方法，聚類分析可以將對象按照某特征屬性進行聚合分類，不需要樣本的訓練標簽[25]，如最近均值和最近鄰分類器及其改進方法，K最近鄰(K-Nearest Neighbour, KNN)，K-means算法，GG(Gath-Geva, GG)聚類等，還有很多相似的改進聚類方法在軸承故障診斷中得到應用，但這些聚類方法在大數據下的高維特征聚類中存在一定的困難。

以上信號處理方法、非線性動力學方法在特征提取方面的泛化能力較弱，與淺層學習方法結合實現故障診斷的結果受人為經驗影響且步驟繁瑣。

3 基于深度學習的軸承故障診斷方法

隨著旋轉機械設備的高度現代化和智能化，設備的運行將產生海量能夠表征運行狀態的數據，這導致上述淺層學習模型很難從海量數據中挖掘出能夠表征故障的特征，而以深度學習為主的方法恰好彌補了淺層機器學習的這一缺點，在軸承故障診斷領域逐步得到應用。

深度學習是人工智能方面的巨大突破，其具有的深層網絡結構可以直接從振動信號中學習最本質的特征從而實現故障診斷，避免了各種信號處理方法手動提取特征的過程[26]。

目前，卷積神經網絡(Convolutional Neural Network, CNN)、深度信念網絡(Deep Belief Network, DBN)、循環神經網絡(Recurrent Neural Network, RNN)、堆疊自動編碼器(Stacked Auto Encoders, SAE)等深度學習方法已經在軸承故障診斷領域取得了初步應用。文獻[27]提出了改進多尺度卷積神經網絡，解決了一維卷積無法提取信號多尺度特征的缺點，實現了對振動信號的多尺度特征的提取，提升了滾動軸承在大噪聲、變載荷和轉速工況下的故障診斷能力；文獻[28]提出一種粒子群優化深度信念網絡網絡結構的故障診斷模型，通過粒子群優化算法對深度信念網絡的結構參數實現自適應調節，有效實現軸承故障診斷；由于循環神經網絡具有很強的時間序列信息相關性挖掘能力，文獻[29]通過循環神經網絡實現滾動軸承故障診斷，并在模型中通過基于堆疊自動編碼器的門控循環單元實現故障檢測，提高了模型的泛化能力；文獻[30]提出一種經驗模態分解與堆疊稀疏自動編碼器(Stacked Sparse Auto Encoders, SSAE)相結合的故障診斷方法，通過經驗模態分解實現模態分量特征提取和降噪，然后輸入堆疊稀疏自動編碼器模型實現故障診斷：可見，深度學習方法已成為解決復雜工況和大數據下故障診斷的有效手段。

在模型的訓練和測試中，以上傳統深度學習算法的訓練集和測試集屬于相同的分布。然而在實際應用中，軸承經常在變工況下運行，不同工況下獲得的訓練集和測試集的分布通常是不同的，深度學習模型很難在這種情況下取得良好的識別效果。深度遷移學習方法可以有效地提取訓練集和測試集中的共同特征而減小兩者之間的分布差異，是解決上述問題的有效思路。文獻[35]提出了一種跨域學習的深度學習方法，實現了不同工況以及機器之間的故障診斷。文獻[36]提出了多層域自適應深度學習方法，在深度學習的每一層都進行域自適應學習來實現不同域特征的相同特征提取，從而進一步實現軸承的故障診斷。文獻[37]提出了域適應深度置信網絡學習方法，文獻[38]提出了一種深度卷積域對抗網絡的軸承故障診斷方法，均能夠實現變工況下軸承的故障診斷。基于深度遷移學習及其改進的方法在軸承故障診斷中取得了良好的應用效果，但其復雜的結構參數需要智能優化，會消耗大量的計算時間，對工業應用中的實時監測有較大的影響。

除了訓練數據和測試數據很難滿足獨立以及相同分布條件的問題，在實際工業環境中也很難獲得足夠的故障樣本，這使得建立的優化模型難以實際應用，因此實現小樣本下深度學習在故障診斷方面的突破是當前面臨的主要問題。小樣本是指在少量有標簽樣本訓練下實現模型的學習訓練，如何從少量的樣本中學習新的概念是小樣本學習所面臨的挑戰[39]。目前的主要解決思路有擴充目標樣本量和實現源域與目標域數據集共同特征的提取2種思路，后一種仍屬于遷移學習范疇：文獻[40]提出了基于遷移學習實現源域學習知識遷移目標域的小樣本故障診斷方法；文獻[41]提出了不平衡樣本下遷移公共特征空間挖掘的故障診斷，采用公共特征空間比較網絡實現不同域特征的共性和個性學習，再實現故障軸承的診斷；文獻[42]提出了一種結合預測生成去噪自動編碼器和深度珊瑚網絡的模型實現小樣本下的故障診斷；文獻[43]提出了一種新的數據合成方法和深度特征增強對抗網絡學習模型實現軸承的小樣本不平衡故障診斷；文獻[44]提出了基于深度對抗網絡模型的軸承故障診斷方法，能夠實現跨域和小樣本下的故障診斷。

生成對抗式網絡應該是今后小樣本下故障診斷的研究方向，同時將其與遷移學習相結合將成為解決當前軸承故障診斷中存在的跨域和樣本不平衡問題的可行思路。在工業大數據時代下，基于深度學習的故障診斷方法將是實現智能運維分析和決策的可行思路。

4 結束語

本文總結了以振動信號數據為驅動的滾動軸承故障診斷方法的3類技術路線，并對各路線中具體方法的當前應用現狀和本身存在的問題進行了梳理。基于信號分解的方法由于實時性較高，應用性較強，仍是目前研究的熱點；基于淺層機器學習的方法由于過程繁瑣且泛化能力弱，會逐漸淡出研究視野，取而代之的是大數據時代下基于深度學習方法的應用，這也將成為今后軸承故障診斷的主要思路。