流體動壓軸承狀態監測與故障診斷研究進展

摘 要 滑動軸承是大型旋轉機械中的重要支撐設備，對滑動軸承進行潤滑狀態監測及早期故障診斷對機組安全生產有重要意義. 本文闡述了滑動軸承的故障狀態及失效形式，詳細說明了振動信號、聲發射信號及鐵譜分析等技術在滑動軸承狀態監測中的運用，綜述了專家系統、神經網絡和支持向量機在滑動軸承故障識別中的有效應用. 通過分析對未來的發展趨勢進行了展望：結合新一代人工智能與傳感技術，通過多物理場信號進行融合監測，發展建立軸承信號標準數據庫，結合可視化研究和遠程監測，實現快速精準的滑動軸承狀態監測與故障診斷.

關鍵詞 滑動軸承；狀態監測；故障診斷；神經網絡；人工智能

中圖分類號 TH133.31；TH165+.3 文獻標識碼 A

0 前 言

軸承廣泛應用于機械工程中，作為旋轉機械的零部件，在機械中支撐旋轉體，并使轉軸轉動產生的摩擦力減至最低[1]. 滑動軸承是汽輪機組等旋轉機械的核心部件，優點是運行平穩，噪音低，承載力高，抗震性強和使用壽命長等[2-3]. 對企業而言，滑動軸承作為大型旋轉設備機組的關鍵部件，其運行狀態的監測與故障診斷對設備的運行及維護具有重要指導價值，并對設備維護、維修的效率和成本有直接影響，是機組安全運行的重要保障.

目前，對于滑動軸承的狀態監測與故障診斷技術已處于研究與應用階段，研究和開發滑動軸承故障預測方法是當今非常重要的科技課題. 相較于傳統研究，當前對于滑動軸承潤滑狀態監測與故障診斷方法的研究重點發生了轉移，從重點研究油膜逐漸發展為對接觸面微結構的分析與研究上來. 通過整理分析近年來相關研究成果，梳理了滑動軸承潤滑狀態監測及故障診斷方法，對當前研究現狀進行了評述，并對未來研究發展方向進行了展望.

1 滑動軸承故障狀態及防治措施

由于滑動軸承與滾動軸承存在諸多差異，如結構不同、運動方式不同、摩擦力形式不同等，因此滑動軸承的故障狀態及失效形式與滾動軸承差別較大. 滑動軸承的故障狀態是指在運行過程中發生異常，性能下降，或其他工作參數超過規定界限，使滑動軸承喪失部分或全部功能的現象[4].

滑動軸承運行平穩，但啟動時阻力相對滾動軸承而言要大得多，滑動軸承的磨損也較多發生在啟停階段，所以滑動軸承要求軸襯材料具有良好的減摩性和耐磨性. 軸承合金是滑動軸承專用的耐磨、減摩材料，也稱巴氏合金或白合金，通常用鑄造的方法將巴氏合金澆筑在材料強度較高的軸瓦表面[5].

常見的滑動軸承故障有巴氏合金松脫、巴氏合金損壞（磨損、刮傷、咬粘、腐蝕等）、軸承間隙不當等，均可進行針對性防治，例如重新澆筑巴氏合金、在軸承合金中增添錫和銻的成分提高耐腐蝕性能、仔細刮瓦、提高裝配精度等措施[6].

油膜振蕩是流體動壓軸承特有的故障，油膜振蕩由半速油膜渦動發展，當轉子轉速升至一階臨界轉速的兩倍時，油膜渦動頻率與轉子固有頻率重合，引起轉子軸承系統發生劇烈共振，振幅突然增加，發出明顯的撞擊聲，導致油膜破裂，軸頸與軸瓦碰撞甚至損壞，造成巨大損失[7]. 防治油膜振蕩的常用措施有：做好轉子動靜平衡、運行前做好各項參數檢查、提高轉子的臨界轉速、提高軸承比壓、調整軸承間隙、提高油溫等[8].

2 狀態監測

影響滑動軸承狀態的因素非常多，除本文上節所述，還包括軸承材料缺陷、潤滑油供油不穩、油質惡化、潤滑油受顆粒物污染、軸瓦偏移、轉子不對中等[9-13]. 這些因素將威脅到機組的穩定經濟運行. 對滑動軸承進行有效的狀態監測，及時發現并排除隱患，對整個轉子-軸承系統的正常運行具有重要意義[14].

滑動軸承潤滑狀態監測通常包括如圖1所示的三個環節：①信號采集：可監測的參數通常包括振動信號、潤滑油溫度、油屑、背景噪聲、聲發射信號等[15]；②特征提取：通過對獲取的數據進行深入分析，提取特征以反映故障信息[16]；③故障識別：對所提取的特征參數，進一步借助神經網絡或人工智能等現代智能方法對故障進行診斷預測.

2.1 信號采集

對滑動軸承進行狀態監測及故障診斷，離不開先進傳感技術的使用. 由于設備運行故障信息多表現于機械動力學、熱力學、聲學等多物理場，國內外相關研究人員對此做了大量的研究工作.

2.1.1 振動信號

振動分析是工業上最常用的狀態監測技術之一，具有信息豐富、傳感器安裝方便等優點[11]. 且振動噪聲中的頻譜、頻率等特征能有效突出滑動軸承的故障狀態[17-18].

Poddar等[9]使用加速度傳感器分別獲取了清潔潤滑油及加入不同尺寸污染物的振動頻譜，分析并指出隨著污染物顆粒的尺度和濃度增大，振動信號隨之明顯增加. Oliveira等[19]利用轉子振動獲取軸承潤滑狀態，開發了一種基于模型的過程識別技術，能很好地預估軸承在不同潤滑條件下的潤滑油流量，提供了一種有效的供油識別方法. Gecgel等[20]開發了一個使用模擬振動信號和深度學習算法對滑動軸承磨損故障進行分類的框架，并使用不同磨損程度和操作條件下的數值模擬數據集來訓練和測試診斷框架，表現良好. Oh，H等[21]為了提高可擴展性，結合各種規模系統的數據，設計了一種振動成像方法，此外還提出了一種用于無監督特征工程的深度學習方法. 通過實際案例研究表明，該方法在保持準確性的同時，可以大大提高故障診斷方法的適用性.

開展轉子系統早期碰摩診斷的研究工作具有現實意義，由于振動信號的主要能量主要分布在1 500 Hz以下低頻區域，在滑動軸承工作環境中，干擾信號也多為低頻，因而分離有效信號比較困難. 并且對直徑小于10 μm大小的污染物，振動監測效果并不明顯. 這表明單純使用振動信號監測，不能及時發現滑動軸承的早期故障，綜合多物理場信號對滑動軸承進行監測，早期診斷效果更佳. 通過積累足夠量的實驗數據，創建滑動軸承運行狀態數據庫，對滑動軸承的潤滑狀態進行預測是未來的研究方向，將大數據與可視化技術結合能夠進一步提升滑動軸承狀態監測與故障識別水平. 同時，使用仿真驅動的深度學習方法，在診斷滑動軸承的磨損故障應用中具有廣闊前景.

2.1.2 聲發射信號

聲發射作為一種無損動態檢測技術，具有靈敏度高、響應快、對線性缺陷敏感、抗干擾性強、傳感器安裝方便、不受材料幾何形狀影響等優點[22]. 因此非常適用于對噪聲復雜環境下運行的滑動軸承進行聲發射檢測.

材料內部或表面因局部變形或損傷，材料中局部區域應力集中，快速釋放應變能并產生瞬態彈性波的現象被稱為聲發射（Acoustic Emission，AE）. 聲發射信號內含豐富的碰摩信息，且碰摩時釋放的能量與聲發射信號的幅值直接相關. 通過分析聲發射檢測所得的各種參數，便可了解材料內部的缺陷情況. 在普通聲發射檢測的基礎上，采用多通道聲發射檢測系統，可進一步確定滑動軸承缺陷的具體部位. 使用聲發射技術對旋轉機械進行檢測的過程如圖2所示[23].

對潤滑狀態進行分類是聲發射在滑動軸承上最廣泛的用途之一. Sadegh等[24]對聲發射記錄信號進行特征提取，然后對提取的特征進行選擇和分類. 譚浩宇等[25]通過利用信息熵距方法分析聲發射信號，通過信息熵距圖有效區分滑動軸承的3種潤滑狀態，提高了信息利用率. 盧緒祥等[26]采用基于聲發射信號信息（火用）貼進度和方差的方法，實現對不同潤滑狀態的準確診斷. F. K？觟nig等[27]針對滑動軸承中存在的潤滑油顆粒污染問題，將聲發射（AE）技術應用于滑動軸承試驗臺，使用機器學習的方法評估AE信號以檢測軸承的異常. 在顆粒污染的情況下，該方法的靈敏度和準確率分別為97%和100%. Poddar等[28]以聲發射數據為輸入，在故障分類的基礎上開發建立了一種故障預測應用，在故障狀態觸發報警的同時，還能診斷故障的類別.

上述研究表明，基于聲發射信號的系統訓練、測試和驗證的目標具有良好的相關性，且計算成本非常低，能夠有效地進行特征提取和選擇，解決了3種潤滑類型的分類問題. 通過信息熵等方法對滑動軸承聲發射信號進行分析，能夠對潤滑狀態進行更直觀、清晰與準確的診斷. 此外，聲發射信號能準確識別出滑動軸承中存在的顆粒污染問題，但在缺油和磨合過程時準確率不高.

在實際運行環境下，滑動軸承的聲發射信號受噪聲污染嚴重，進行研究前需首先采用降噪算法進行去噪，通過分析聲發射信號的特征，有助于對滑動軸承進行故障判別，且通過合理布置聲發射傳感器能進一步確定故障位置，有利于早期故障預警及降低檢修成本.

張峻寧等[29]結合AE信號的特點，提出了基于多層多位置稀疏的滑動軸承AE信號降噪算法，能夠有效獲得滑動軸承不同程度摩擦狀態的變化. 另一方面，張峻寧等[30]提出一種改進的K-SVD字典的滑動軸承AE信號去噪算法，有效去除了AE信號中易于裂紋混淆的噪聲，凸顯故障特征. 張穎等[31]采用非接觸式聲發射波形流測試技術采集滑動軸承不同狀態下的信號，并運用雙譜分析方法對聲發射波形流信號進行分析，根據雙譜分析三維圖及等高線圖表現出的不同特征，實現對滑動軸承不同故障的判別. 王曉偉等[32]將聲發射技術用于可傾瓦徑向滑動軸承故障的檢測，根據信號傳播時間，AE均方根值、布置傳感器的位置及軸承的結構可以推斷出發生碰摩的瓦塊位置.

2.1.3 鐵譜分析

鐵譜分析是用于檢測滑動軸承磨損狀態的有效技術，通過利用高強度磁場，將潤滑油中含有的磨粒分離出來，利用顯微鏡進行觀察和定性定量分析[33]. 鐵譜分析技術具有較高的檢測效率和較寬的磨粒尺寸檢測范圍，能夠準確判斷機器的磨損變化.

目前鐵譜分析主要有4種類型：直讀鐵譜儀、分析式鐵譜儀、旋轉式鐵譜儀及在線鐵譜儀[34]，前3種類型都需要先從設備中采集油樣，隨后進行處理并觀察，在故障診斷的及時性和連續性上都存在不足，且分析鐵譜也是一種較為依靠個人經驗的技術，這也是該技術的不足之處. 為提高鐵譜分析速度，擺脫對操作者個人經驗的依賴，在線鐵譜儀的出現為實時連續監測磨損變化提供了可行性，結合圖像特征等評價方法，有效提高了鐵譜分析的精度和可靠性.

2.1.4 其他信號

除了上述信號外，在滑動軸承故障診斷中常用的檢測信號還包括潤滑油油溫、油壓、油膜厚度、軸承溫度、軸心軌跡等，上述信號能在不同方面反映滑動軸承的故障信息.

朱軍等[35]使用熱電信號均值與電勢值來實時判斷滑動軸承的累計磨損量和瞬時磨損量. Hu等[36]建立了潤滑油膜的厚度分析模型，解決了軸頸表面溫度分布問題，分析了軸頸表面溫差產生的原因及其對轉子振動的影響. 陳閩杰等[37]采用油壓曲線監測的方法，彌補了油液分析和振動分析的不足. 郭明軍等[38]將深度卷積神經網絡應用于滑動軸承轉子軸心軌跡識別中，對該模型進行試驗，可實現轉子故障的精確診斷，并具有自適應特征學習能力.

使用熱電效應的監測方法，能夠有效判斷滑動軸承的磨損狀態. 另外，油膜的狀態很大程度上反映著滑動軸承的運行狀態，其動態特性直接影響整個旋轉機械系統能否正常運行及運行的品質，油膜的厚度是保證軸承穩定、可靠運行的最主要參數. 對于油膜厚度的測量，是對滑動軸承運行狀態診斷的關鍵技術，也是檢測難度最大的參數，因此，工程上也常對油液其他指標進行監測. 除了對油膜和油液進行監測外，利用軸心軌跡對滑動軸承進行狀態監測也是一種行之有效的方法. 軸心軌跡能夠有效反映滑動軸承運行狀態，在現代旋轉機械日益大型化和高自動化的背景下，該識別方法也逐步向智能化、多元化發展.

從上述內容不難看出，國內外眾多學者根據不同物理信號的特點對滑動軸承進行監測，獲得了豐富的研究經驗和成果，為滑動軸承潤滑狀態監測與故障診斷工作奠定了堅實的基礎. 但目前的信號獲取工作大多停留在實驗室模擬和仿真階段，且少有綜合多物理場信號對滑動軸承潤滑狀態的監測工作.

2.2 特征提取

通過各種監測方法獲取了滑動軸承的油膜、油溫、油壓、軸心軌跡、振動、聲發射等信號后，接下來的關鍵則是從信號中提取有效特征信息. 對滑動軸承潤滑狀態的信號處理技術可以分為基于時域、頻域和時-頻域的方法.

2.2.1 基于時域的特征提取

盧緒祥等[39]對形態濾波器進行了優化設計，并實時計算了某汽輪發電機組滑動軸承升速過程中聲發射信號的時域特征參數，包括均方根值、峰值及峭度因子等，能快速準確地診斷滑動軸承潤滑故障. 李偉光等[40]利用協方差矩陣特征值差分譜的概念來描述有效主成分與次要成分的特征值差異性，將改進PCA算法用于大型滑動軸承實驗臺轉子的軸心軌跡提純，效果優于傳統PCA算法. Xiang，L等[41]利用時域圖、頻譜和級聯譜提取轉子系統的響應特征，揭示了裂紋、摩擦沖擊和油膜渦動等故障的耦合效應，提出了轉子-軸承系統多故障相互作用的響應特征和非線性動力學行為.

2.2.2 基于頻域的特征提取

Babu等[42]介紹了基于巴特沃斯濾波器的快速傅里葉變換信號處理方法，用于滑動軸承狀態監測. Babu，TN等[43]基于Debauchies小波-02對滑動軸承進行故障診斷，使用快速傅里葉變換獲得頻域信號，結合人工神經網絡對故障進行分類，結果表明自動軸承故障檢測的成功率很高. 冉鈞等[44]提出了一種對頻域振幅進行灰色關聯分析的轉子故障模式辨識新方法，在不同轉速頻率下均能取得良好的效果.

2.2.3 基于時頻域的特征提取

研究表明聲發射信號在時域和頻域中表現出很強的局部性，因此由特征提取而產生的系統誤差較小. F. K？觟nig等[45]對滑動軸承聲發射信號進行了時頻域特征提取，用于滑動軸承磨損和疲勞故障檢測以及壽命預測且表現良好. T. Babu等[46]綜述了從不同測量系統獲得的測量數據中識別滑動軸承動態特性的各種方法，介紹了時域和頻域的各種數據處理方法. 趙柄錫等[47]針對轉子系統早期碰摩故障，提出一種基于時域和時-頻域聯合特征提取和分析的方法，為復雜故障的識別提供參考.

2.2.4 其他特征提取方法

除上述時域、頻域、時頻域特征提取方法外，常用特征提取方法還包括分形幾何、譜分析等方法.

分形幾何為復雜信號提供了一種幾何結構分析方法，已在很多領域有了成功應用. 王浩等[48]通過對緊密度、豐度和分形維數的聯合，較好地評定和區分轉子系統的運行狀態. 梁寧等[49]針對滾動軸承振動信號進行一系列基于分形幾何的滾動軸承診斷方法研究，研究表明，分形幾何可以有效地用于非線性、非穩定性信號的軸承故障診斷. 張亢等[50]將滾動軸承故障特征的PF分量形態學分形維數作為特征量以判斷滾動軸承故障類型. 孟宗等[51]也將局部特征分解與形態學分形維數相結合，有效地實現了對滾動軸承的故障診斷.

信號的譜分析是指信號的某些特征在頻域的分布，如幅值譜、相位譜、能量譜、功率譜等. 邊杰等[52]采用VMD和包絡切片譜結合的方法，對各模態分量進行幅值譜分析對比，對滾動軸承故障非平穩信號的特征進行了有效提取. 汪鵬宇等[53]提出改進角度-時間譜分析的滾動特征提取方法，能夠對故障階次進行準確分析，對軸承變轉速下的故障特征進行表征. 陳鵬等[53]針對VMD和群分解法在軸承早期故障診斷中特征提取困難的問題進行研究，采用平方包絡譜負熵準則對群分解進行優化，能夠有效提取軸承早期復合故障.

分形幾何、譜分析技術在非線性、非平穩型號特征提取方面具有獨特優勢，但目前該方法大部分研究應用主要集中于滾動軸承的故障診斷方面，對于滑動軸承潤滑狀態上的應用研究還較少，將在滾動軸承上成熟的故障診斷識別技術遷移到滑動軸承領域，采用分形幾何、譜分析等特征提取技術與自適應優化算法相結合，并借助深度學習網絡、專家系統以及新一代智能故障識別技術對滑動軸承進行潤滑狀態監測及早期故障診斷，具有廣闊的發展空間.

3 故障識別

機械故障智能識別的基本原理是通過信號分析技術或網絡學習得到有效特征，然后通過分類或者聚類的算法實現機械狀態的識別[54-55]. 在故障識別過程中，合適的模式識別算法對于診斷的效果有重要影響[56].

3.1 專家系統

專家系統是指利用研究領域專家的專業知識進行推理，用與專家相同的能力，解決專業的、高難度的實際問題的智能系統[57]. 借助專家系統對滑動軸承進行診斷，能夠快速精確地找出缺陷，預防惡性問題的發生. 陳超[58]開發了旋轉機械故障診斷專家系統，該系統將EXSYS專家系統建造軟件集成于系統中，簡化了知識庫及推理機建立及維護的過程，但有待進一步開發狀態趨勢預測以及建立故障預測專家系統. Tahi，M等[59]采用基因包裝器技術減少了大量信號冗余屬性，選擇最佳輸入特征，構建了一種基于決策樹的專家系統來識別和診斷軸承狀態，并在試驗臺上對軸承的缺陷、不對中、不平衡和良好狀態進行了驗證. 目前關于專家系統進行滑動軸承狀態監測及故障診斷相關的研究較少，現階段國內外對專家系統的應用停留在相對基礎且輕量級的階段，遠不能滿足大型商業應用的需求. 在滑動軸承狀態監測與故障診斷方面，專家系統的下一步發展將以模型推理為主，結合規則推理，滿足對實時以及大數據量處理的需求.

3.2 人工神經網絡

人工神經網絡（Artificial Neural Network，ANN）是一種模擬人腦結構及功能的信息處理系統，克服了傳統人工智能方法對于直覺方面的缺陷，使之在神經專家系統、組合優化、模式識別、智能控制、預測等領域得到了很好的應用[60-61]. 近年來，國內外眾多學者對基于ANN的滑動軸承故障診斷技術進行了大量研究與應用[62-66]. 在自動編碼器的幫助下，可以有效提高神經網絡的魯棒性，Babu N T等[67]通過將深度神經網絡（DNN）與自動編碼器相結合，對滑動軸承進行自動故障分類，采用比例共軛梯度算法進行訓練，使特征提取方法達到100%的效率. 長短期記憶神經網絡（LSTM）非常適合基于時間序列數據進行分類，處理和預測，由于需要對滑動軸承進行長時間的狀態監測，F. K？觟nig等[68]開發了一種使用聲發射信號和長短期記憶神經網絡對滑動軸承進行數據驅動的磨損監測方法，能夠實時進行磨損監控并保證良好的精度. 在此基礎上，Ding，N等[69]提出基于長短期記憶神經網絡的單階段和多階段迭代預測模型進行滑動軸承退化評估和剩余壽命預測，多階段迭代預測可以實現早期碰摩預警，效果優于單階段迭代預測和傳統的機器學習預測. BP神經網絡是應用最廣泛的神經網絡模型之一，具有很強的非線性映射能力和柔性的網絡結構，文周等[70]提出了一種基于思維進化算法（MEA）的BP神經網絡滑動軸承故障診斷方法，結果表明MEA-BP故障診斷法較未經優化的BP神經網絡故障診斷法優勢明顯. 人工神經網絡系統在滑動軸承故障診斷領域經過多年研究和發展，已成為當前比較先進的技術. 但是還存在許多缺陷，如現有模型算法的訓練速度不夠快；算法的集成度不夠高等. 未來生物神經元系統仍需進一步深入研究，在理論上繼續尋找創新點，進而建立新的適用于滑動軸承的模型及算法.

3.3 支持向量機

支持向量機（Support vector machine，SVM）是一種經典的分類技術. SVM的優越性使其在回歸估計、概率密度函數估計模式識別等領域均有廣泛應用[71]. 王金東等[72]提出一種基于多重共振稀疏分解與多尺度符號動力學熵相結合的往復壓縮機滑動軸承故障診斷方法，利用支持向量機進行故障特征識別，故障識別率顯著提高. 趙海洋[73]提出了改進二叉樹SVM層次結構構建方法，并對各SVM子分類器分別進行參數優化，建立了基于SVM的軸承間隙故障狀態評估模型，經測試該模型能實現對故障狀態的準確評估. 在改進二叉樹的基礎上，Liu，X等[74]提出了一種將遞歸量化分析與最優二叉樹支持向量機相結合的轉子-軸承系統共振狀態表征與識別方法，在試驗臺上經實驗證明了該方法的有效性和優越性. 雖然SVM能夠有效解決小樣本下機器學習問題，但由于滑動軸承的觀測樣本很多，效率并不是很高；核函數的選取也需要進一步的完善和發展.

3.4 新一代人工智能故障識別技術

目前學者們對人工智能故障識別技術已取得了眾多有意義性的突破和進展：李冬[75]基于多重分形理論對軸承進行故障高敏感特征提取，并與改進隨機森林算法結合，極大地提高了故障識別的正確率. 張寧等[76]采用一種改進魚群算法，優化神經網絡的權值和閾值，有效提高了神經網絡的計算速度和診斷精度.

采用智能化的故障識別技術對推進新型智能產業、設備自監督運行有重要意義. 新一代智能故障識別技術在小樣本甚至零故障樣本[77]、自監督學習、變工況敏感特征學習、對比強化學習、遷移學習、元學習[78]、多模態數據運用[79]、跨域數據集融合等方面有著傳統故障識別技術無可比擬的優勢. 隨著信息技術的發展，大數據、數字孿生、云處理等技術的應用，通過大量構建分布式計算系統，新一代人工智能技術正在打破傳統數據之間的壁壘. 通過廣泛采集多物理量多信號，有機結合深度學習模型與大數據及合理訓練方法，借助智能傳感技術，將故障可視化動態分析，能夠對滑動軸承異常數據實現高速準確診斷.

4 結論與展望

隨著當今旋轉機械故障診斷技術的快速發展，從如下方面繼續深入開展滑動軸承潤滑狀態與故障診斷的研究工作具有重要意義.

（1） 多物理場信號融合監測. 目前的信號獲取工作大多局限在試驗臺或實驗室仿真和模擬階段，而且缺乏綜合多物理場信號對滑動軸承進行狀態監測的工作. 傳統的軸承狀態監測技術如軸心軌跡、油溫、光鐵譜分析、振動分析等各有其優點及不足，如振動信號分析技術成熟但對高頻早期微弱故障信號不敏感，聲發射信號頻率范圍寬且信噪比高. 僅靠單一信號難以做到定量和自動識別. 目前結合聲發射與振動信號融合的技術在滾動軸承及列車軸承等方面以得到了有效應用，值得向滑動軸承狀態監測和故障診斷方面推廣.

（2） 建立標準軸承信號數據庫并進行可靠性評估. 數據是進行滑動軸承狀態監測與故障診斷的重要前提，建立標準軸承信號數據庫對于科研合作、技術創新等具有重要意義. 建立起數據庫的基本標準，鼓勵企業之間互通典型案例和長期監測數據，學者之間共享試驗臺實驗方案及數據. 對獲取的軸承數據進行可靠性評估，保證數據庫的質量.

（3） 滑動軸承信息可視化研究. 結合標準可靠軸承信號數據庫的建立，開展滑動軸承潤滑狀態與故障監測可視化研究，能夠最大限度的發揮人機各自優勢，實現最優化協作求解. 通過建立智能模型，從結構參數、特征提取、故障識別等方面可視化表達，直觀反映采集信號與潤滑狀態之間、特征參數與故障類型之間的關系，多方位、多角度、多層次的反映滑動軸承的健康狀態.

（4） 滑動軸承遠程監測系統. 基于人工智能、專家系統等技術，結合數據網絡通訊技術，建立遠程診斷中心，實時準確的監測滑動軸承運行狀態，為現場技術人員及運行人員提供有效分析及指導，對保證整個滑動軸承及轉子系統穩定高效運行具有重要意義，能夠有效促進產學研相結合，并推動電廠生產環境的智能化.

將智慧化的滑動軸承狀態識別及故障診斷技術應用于實際生產，通過數據融合，集合數字化、三維動態分析、遠程監測協調等技術的實現，促進滑動軸承向新一代智能狀態監測和故障診斷方向發展.

參考文獻

[1]" 楊國棟，曹貽鵬，明平劍，等. 基于格點型有限體積法的滑動軸承油膜壓力特性分析[J]. 振動與沖擊，2019，38（17）：191-196.

[2]" 熊萬里，侯志泉，呂浪，等. 基于動網格模型的液體動靜壓軸承剛度阻尼計算方法[J]. 機械工程學報，2012，48（23）：118-126.

[3]" 孟曙光，熊萬里，王少力，等. 小孔節流深淺腔動靜壓軸承承載特性解析研究[J]. 機械工程學報，2015，51（22）：191-201.

[4]" 靳倩. 基于聲發射檢測的滑動軸承狀態監測與診斷系統研究[D]. 長沙：長沙理工大學，2008.

[5]" 馮建雨. 機械設計基礎[M]. 北京：北京理工大學出版社，2020.

[6]" 張翠鳳. 機械設備潤滑技術[M]. 廣州：廣東高等教育出版社，2001.

[7]" 李俞峰，楊林杰，吳魯紀，等. 由油膜振蕩引起的轉子振動及處理方法[J]. 機械傳動，2020，44（10）：173-176.

[8]" EL-SAYED T A，SAYED H. Bifurcation analysis of rotor/bearing system using third-order journal bearingstiffness and damping coefficients[J]. Nonlinear Dyn，2022，107（1）：123-151.

[9]" PODDAR S，TANDON N. Detection of particle contamination in journal bearing using acoustic emissionand vibration monitoring techniques[J]. Tribology International，2019，134：154-164.

[10]" 王全召，陳陽，張浩，等. 滑動軸承運行模態參數理論分析及試驗驗證[J]. 潤滑與密封，2021，46（7）：95-101.

[11]" 譚浩宇，盧緒祥，李焜林，等. 滑動軸承的潤滑狀態檢測方法研究進展[J]. 汽輪機技術，2018，60（5）：325-328.

[12]" 喻維綱，高帆. 大型旋轉設備軸承部件狀態監測及故障診斷分析[J]. 中國設備工程，2020（11）：159-163.

[13]" NASCIMENTO A R C，CHROMIK R R，SCHULZ R. Mechanical properties and wear resistance ofindustrial bearing liners in concentrated boundary-lubricated sliding[J]. Wear，2021，477：203806.

[14]" ZHANG H，MA J，LI X，et al. Fluid-asperity interaction induced random vibration of hydrodynamicjournal bearings towards early fault diagnosis of abrasive wear[J]. Tribology International，2021，160：107028.

[15]" WANG Y S，MA Q H，ZHU Q，et al. An intelligent approach for engine fault diagnosis based onHilbert-Huang transform and support vector machine[J]. Applied Acoustics，2014，75：1-9.

[16]" 雷亞國，賈峰，孔德同，等. 大數據下機械智能故障診斷的機遇與挑戰[J]. 機械工程學報，2018，54（5）：94-104.

[17]" 楊期江，趙學智，湯雅連，等. 非零奇異值數量的理論分析及其在滑動軸承-轉子振動特征提取應用[J]. 振動與沖擊，2019，38（15）：17-26.

[18]" 李同杰，靳廣虎，朱如鵬，等. 滑動軸承支撐下齒輪耦合轉子系統彎扭耦合振動特性分析[J]. 中南大學學報（自然科學版），2018，49（3）：566-573.

[19]" OLIVEIRA M V M，CUNHA B Z，DANIEL G B. A model-based technique to identify lubricationcondition of hydrodynamic bearings using the rotor vibrational response[J]. Tribology International，2021，160：107038.

[20]" GECGEL O，DIAS J P，EKWARO-OSIRE S，et al. Simulation-driven deep learning approach forwear diagnostics in hydrodynamic journal bearings[J]. Journal of Tribology-Transactions of the Asme，2021，143（8）：084501.

[21]" OH H，JUNG J H，JEON B C，et al. Scalable and unsupervised feature engineering using vibration-imaging and feep learning for rotor system diagnosis[J]. Ieee Transactions on Industrial Electronics，2018，65（4）：3539-3549.

[22]" JU S，LI D，JIA J. Machine-learning-based methods for crack classification using acoustic emission

technique[J]. Mechanical Systems and Signal Processing，2022，178：109253.

[23]" 郭洋洋. 旋轉機械聲發射監測系統研究[D]. 沈陽：沈陽工業大學，2020.

[24]" SADEGH H，MEHDI A N，MEHDI A. Classification of acoustic emission signals generated fromjournal bearing at different lubrication conditions based on wavelet analysis in combination with artificialneural network and genetic algorithm[J]. Tribology International，2016，95：426-434.

[25]" 譚浩宇，盧緒祥，張浩，等. 基于聲發射信號信息熵距的滑動軸承潤滑狀態診斷[J]. 動力工程學報，2019，39（2）：110-115.

[26]" 盧緒祥，譚浩宇，陳向民，等. 基于聲發射信號信息（火用）貼近度的滑動軸承潤滑狀態診斷方法[J]. 動力工程學報，2019，39（5）：373-379.

[27]" KNIG F，SOUS C，OUALD CHAIB A，et al. Machine learning based anomaly detection andclassification of acoustic emission events for wear monitoring in sliding bearing systems[J]. TribologyInternational，2021，155：106811.

[28]" PODDAR S，TANDON N. Classification and detection of cavitation，particle contamination and oilstarvation in journal bearing through machine learning approach using acoustic emission signals[J]. Proceedings of the Institution of Mechanical Engineers Part J-Journal of Engineering Tribology，2021，235（10）：2137-2143.

[29]" 張峻寧，張培林，陳彥龍，等. 基于多層多位置稀疏的滑動軸承AE信號降噪[J]. 振動與沖擊，2016，35（19）：107-112.

[30]" 張峻寧，張培林，王向東，等. 基于沖擊信號的滑動軸承摩擦故障監測方法[J]. 航空動力學報，2017，32（9）：2230-2237.

[31]" 張穎，樊瑞筱，叢蕊，等. 基于聲發射波形流信號的滑動軸承故障特征雙譜分析[J]. 軸承，2016（6）：47-50.

[32]" 王曉偉，劉占生，張廣輝，等. 基于聲發射的可傾瓦徑向滑動軸承碰摩故障診斷[J]. 中國電機工程學報，2009，29（8）：64-69.

[33]" 張鄂編. 鐵譜技術及其工業應用[M]. 西安：西安交通大學出版社，2001.

[34]" 龐新宇. 油液信息在齒輪和滑動軸承磨損故障識別中的應用[M]. 北京：冶金工業出版社，2020.

[35]" 朱軍，高紅亮，皮大能，等. 基于熱電效應的滑動軸承磨損監測技術[J]. 軸承，2019（7）：57-62.

[36]" HU Q L，ZHU M，YANG J G. Study on thermal unstable vibration of rotor under journal whirl with large amplitude in journal bearing[J]. International Journal of Rotating Machinery，2020，2020：1980759.

[37]" 陳閩杰，李秋秋. 油壓曲線監測在滑動軸承磨損診斷中的應用[J]. 機床與液壓，2010，38（21）：145-148.

[38]" 郭明軍，李偉光，楊期江，等. 深度卷積神經網絡在滑動軸承轉子軸心軌跡識別中的應用[J]. 振動與沖擊，2021，40（3）：233-239.

[39]" 盧緒祥，劉雨佳，李錄平，等. 形態濾波在滑動軸承聲發射信號降噪中的應用[J]. 動力工程學報，2013，33（4）：278-284.

[40]" 李偉光，郭明軍，楊期江，等. 改進PCA算法及其在轉子特征提取中的應用[J]. 振動、測試與診斷，2020，40（3）：555-562.

[41]" XIANG L，DENG Z，HU A，et al. Multi-fault coupling study of a rotor system in experimental andnumerical analyses[J]. Nonlinear Dynamics， 2019，97（4）： 2607-2625.

[42]" BABU T N，RAJ T M，LAKSHMANAN T. Application of Butterworth filter for fault diagnosis onjournal bearing[J]. Journal of Vibroengineering，2014，16（3）：1602-1617.

[43]" BABU N T，HIMAMSHU H S，KUMAR P N，et al. Journal Bearing Fault Detection Based onDaubechies Wavelet[J]. Archives of Acoustics，2017，42（3）：401-414.

[44]" 冉鈞，趙榮珍. 基于頻域振幅灰色關聯度的轉子故障模式辨識[J]. 振動、測試與診斷，2013，33（6）：1019-1024.

[45]" KNIG F，JACOBS G，STRATMANN A，et al. Fault detection for sliding bearings using acousticemission signals and machine learning methods[J]. IOP Conference Series：Materials Science andEngineering，2021，1097（1）：12013.

[46]" NARENDIRANATH BABU T，MANVEL RAJ T，LAKSHMANAN T. A review on application ofdynamic parameters of journal bearing for vibration and condition monitoring[J]. Journal of Mechanics，2015，31（4）：391-416.

[47]" 趙柄錫，冀大偉，袁奇，等. 采用時域與時頻域聯合特征空間的轉子系統碰磨故障診斷[J]. 西安交通大學學報，2020，54（1）：75-84.

[48]" 王浩，趙榮珍. 分形與幾何特征融合的轉子故障特征提取方法[J]. 噪聲與振動控制，2014，34（5）：166-170.

[49]" 梁寧. 基于分形幾何的滾動軸承故障診斷方法研究[D]. 北京：北京郵電大學，2019.

[50]" 張亢，程軍圣，楊宇. 基于局部均值分解與形態學分形維數的滾動軸承故障診斷方法[J]. 振動與沖擊，2013，32（9）：90-94.

[51]" 孟宗，李良良. 基于局部特征尺度分解和形態學分形維數的滾動軸承故障診斷方法[J]. 計量學報，2016，37（3）：284-288.

[52]" 邊杰，陳亞農，梅慶，等. 滾動軸承故障特征提取的VMD包絡切片譜分析方法[J]. 航空發動機，2022，48（4）：69-74.

[53]" 汪鵬宇，丁云飛，魯泓壯. 基于改進角度-時間譜分析的滾動軸承故障特征提取[J]. 軸承，2022（5）：70-74.

[54]" 劉東東. 旋轉機械故障信息挖掘及狀態評估方法研究[D]. 北京： 北京交通大學，2021.

[55]" SCHNELLER W， LEITNER M， MAIER B， et al. Artificial intelligence assisted fatigue failureprediction[J]. International Journal of Fatigue，2022，155：106580.

[56]" LI Y，LIU F，WANG S，et al. Multiscale symbolic lempel-ziv：An effective feature extractionapproach for fault diagnosis of railway vehicle systems[J]. IEEE transactions on industrial informatics，2021，17（1）：199-208.

[57]" SAIBENE A，ASSALE M，GILTRI M. Expert systems： Definitions， advantages and issues in medicalfield applications[J]. Expert Systems with Applications，2021，177：114900.

[58]" 陳超. 旋轉機械狀態趨勢預測及故障診斷專家系統關鍵技術研究[D]. 鄭州：鄭州大學，2015.

[59]" TAHI M，MILOUDI A，DRON J P，et al. Decision tree and feature selection by using genetic wrapperfor fault diagnosis of rotating machinery[J]. Australian Journal of Mechanical Engineering，2018：1-9.

[60]" 盧宏濤，張秦川. 深度卷積神經網絡在計算機視覺中的應用研究綜述[J]. 數據采集與處理，2016，31（1）：1-17.

[61]" 陳超，齊峰. 卷積神經網絡的發展及其在計算機視覺領域中的應用綜述[J]. 計算機科學，2019，46（3）：63-73.

[62]" 吳春志，馮輔周，吳守軍，等. 深度學習在旋轉機械設備故障診斷中的應用研究綜述[J]. 噪聲與振動控制，2019，39（5）：1-7.

[63]" LUWEI K C，YUNUSA-KALTUNGO A，SHA’ABAN Y A. Integrated fault detection framework forclassifying rotating machine faults using frequency domain data fusion and artificial neural networks[J]. Machines，2018，6（4）：59.

[64]" HAN T，JIANG D X，ZHAO Q，et al. Comparison of random forest，artificial neural networks andsupport vector machine for intelligent diagnosis of rotating machinery[J]. Transactions of the Institute ofMeasurement and Control，2018，40（8）：2681-2693.

[65]" LAALA W，GUEDIDI A，GUETTAF A. Bearing faults classification based on wavelet transform andartificial neural network[J]. International Journal of System Assurance Engineering and Management，2020：1-8.

[66]" DHOMAD T A，JABER A A. Bearing fault diagnosis using motor current signature analysis and theartificial neural network[J]. International Journal on Advanced Science，Engineering and InformationTechnology，2020，10（1）：70-79.

[67]" BABU N T，ARAVIND A，RAKESH A，et al. Automatic fault classification for journal bearingsusing ANN and DNN[J]. Archives of Acoustics，2018，43（4）：727-738.

[68]" KNIG F，MARHEINEKE J，JACOBS G，et al. Data-driven wear monitoring for sliding bearings using acoustic emission signals and long short-term memory neural networks[J]. Wear，2021，476：203616.

[69]" DING N，LI H，YIN Z，et al. Journal bearing seizure degradation assessment and remaining useful lifeprediction based on long short-term memory neural network[J]. Measurement，2020，166：108215.

[70]" 文周，薛美貴，盧飛燕. 基于MEA-BP神經網絡的封盒裝置滑動軸承故障診斷方法[J]. 輕工機械，2020，38（3）：78-82.

[71]" 汪海燕，黎建輝，楊風雷. 支持向量機理論及算法研究綜述[J]. 計算機應用研究，2014，31（5）：1281-1286.

[72]" 王金東，劉著，趙海洋，等. 基于MRSSD與MSDE的滑動軸承故障診斷方法[J]. 軸承，2020（9）：50-56.

[73]" 趙海洋. 往復壓縮機軸承間隙故障診斷與狀態評估方法研究[D]. 哈爾濱：哈爾濱工業大學，2014.

[74]" LIU X，BO L. Identification of resonance states of rotor-bearing system using RQA and optimal binarytree SVM[J]. Neurocomputing，2015，152：36-44.

[75]" 李冬. 軸承故障高敏感特征提取與隨機森林智能識別[J]. 機械設計與制造，2022（9）：157-161.

[76]" 張寧，魏秀業，郭小勇，等. 基于改進魚群算法優化神經網絡的軸承故障診斷研究[J]. 軸承，2019（5）：44-48.

[77]" FENG L，ZHAO C. Fault description based attribute transfer for zero-sample industrial fault diagnosis[J]. IEEE Transactions on Industrial Informatics，2020，17（3）：1852-1862.

[78]" FENG Y，CHEN J，ZHANG T，et al. Semi-supervised meta-learning networks with squeeze-and-excitation attention for few-shot fault diagnosis[J]. ISA Transactions，2022，120：383-401.

[79]" ZHENG H，WANG R，YANG Y，et al. Intelligent fault identification based on multisource domaingeneralization towards actual diagnosis scenario[J]. IEEE Transactions on Industrial Electronics，2019，67（2）：1293-1304.

Research Progress in Condition Monitoring andFault Diagnosis of Hydrodynamic Bearing

LIU Shunshun， LU Xuxiang， LIU Rui

（School of Energy and Power Engineering， Changsha University of Science and Technology， Changsha 410114， Hunan， China）

Abstract" Sliding bearings are important supporting equipment in large rotating machinery. The lubrication state monitoring and early fault diagnosis of sliding bearings are of great significance to the safe production of units. In this paper， the failure state and failure mode of sliding bearing are expounded， the application of vibration signal， acoustic emission signal and ferrography analysis and other technologies in the monitoring of the sliding bearing condition is detailed， and the expert system， neural network and support vector machine technology for effective application in fault identification of plain bearings are summarized. Through the analysis， the future development trend is prospected： combining a new generation of artificial intelligence and sensing technology， integrating monitoring through multi-physical field signals， developing and establishing a standard database of bearing signals， and combining visual research and remote monitoring to achieve accurate and high-speed sliding bearings condition monitoring and fault diagnosis.

Keywords" sliding bearing; condition monitoring; fault diagnosis; neural networks; artificial intelligence

收稿日期：2022 － 07 － 12

通信作者：盧緒祥（1972—），男（漢族），河南信陽人，副教授，研究方向：動力機械狀態監測與故障診斷.

E-mail：hncslxx@163.com

基金項目：湖南省普通高校創新平臺開放基金資助項目（16K002）