旋转机械故障诊断的研究现状及发展前景

侯泽林

（晋能控股山西科学技术研究院 双创中心，山西 大同 037006）

0 引言

旋转机械在煤炭行业应用中起着至关重要的作用。由于旋转机械长期在重负荷、高温、高速等恶劣复杂条件下工作，不可避免地会发生故障[1，2]。轴承外圈如图1 所示。因此，必须及时监测机械的状态，尽早诊断故障。旋转机械故障诊断是旋转机械的关键技术之一，它包括四项基本任务：确定机器或关键部件之间是否发生了异常情况，找出早期故障及其根源，评估其严重程度，预测故障发展趋势。即故障检测，故障隔离、故障评估和故障预测。实施有效的旋转机械故障诊断非常重要，它有助于避免异常事件发展，减少离线时间，预测剩余寿命，减少生产力损失，最终避免重大系统故障和灾难。同时，随着现代工业制造业的发展，机械设备和系统已经变得相当大规模、复杂化和自动化。由于对高性能、安全性和可靠性的更高要求，旋转机械故障诊断不仅变得越来越重要，而且变得越来越困难。因此，近几十年来，旋转机械故障诊断得到了越来越多的关注和长足的发展。本文基于前人的研究基础，对旋转机械故障诊断技术进行了全面的概述，进而提供对其进一步地见解。

1 旋转机械故障诊断的研究现状

近年来，随着信号处理技术、人工智能技术和大数据技术的发展，人们对旋转机械故障诊断进行了大量的文献综述。作为对机械故障诊断基础研究的全面回顾，Chen 等[3]回顾了过去，总结了现在，分析了未来的发展趋势，重点介绍了故障诊断的四个关键步骤：故障机理、传感器技术与信号采集、信号处理和智能诊断。同时，学者们在其他研究方面，如故障诊断[1-3]中的信号处理技术、基于条件的维护中的故障诊断和预测和健康管理[4]、轴承、变速箱和涡轮机的故障诊断[5]以及故障诊断中的人工智能技术也做了大量研究[6，7]。

旋转机械故障诊断本质上是一个模式识别问题，包括特征提取和故障识别两个关键步骤，可以通过信号处理技术和人工智能技术来解决。信号处理技术是旋转机械故障诊断的重要课题，已广泛应用于各种工业领域。在2006 年，Jardine 等人[8]总结了波形数据的三种信号处理方法：时域分析、频域分析和时频域分析。此外，根据不同的开发阶段，Rai 和Upadhyay[5]分析了滚动元轴承的各种信号处理方法及其诊断能力，并将其分为三个阶段。经过不断的研究和发展，旋转机械故障诊断的信号处理技术已经发展成为一系列的方法和工具，包括基于小波的方法、经验模式分解方法、自回归方法、环平稳方法、谱峭度法和峰图方法、形态信号处理方法、基于熵的方法和数据约简工具。此外，由于越来越多的关注，人工智能技术也被应用到旋转机械故障诊断中。一般来说，旋转机械故障诊断中的人工智能技术可分为三类：监督方法、半监督方法和无监督方法。其中，使用最广泛的分类器包括k-最近邻方法、贝叶斯方法、支持向量机方法、随机森林方法和人工神经网络方法。近年来，随着人工智能和计算机科学的不断发展，深度学习技术也被引入到旋转机械故障诊断。由于深度学习自动提取特征和处理大量数据的能力，已成为旋转机械故障诊断的研究热点。大量的深度学习方法，如卷积神经网络、堆叠自编码器、限制玻尔兹曼机器、深度信念网络和深度神经网络，已经被集成到旋转机械故障诊断中。

2 旋转机械故障诊断的研究热点

2.1 谱峭度（SK）

作为包络分析的强大技术之一，谱峭度法是一种基于振动信号检测旋转机械故障的有效方法。它是由Dwyer 在1983 年首次引入的，并被定义为一种统计工具，可以指示信号中的非高斯分量及其在频域[9]中的位置。受谱峭度法识别的限制，它通常仅作为经典功率谱密度的补充。2006 年，Antoni J 对谱峭度法进行了彻底的分析，并通过有条件的非平稳过程的Wold-Cramer 分解提出了SK 的形式化。同时，Antoni J 和Randall RB 指出，谱峭度法不仅能在强掩蔽噪声的情况下提供一种强大的方法来检测早期故障，而且还能提供一种独特的方法来设计最佳滤波器来滤除机械特征的故障[10，11]。自此，谱峭度法的改进引起了相当多的关注，在接下来的十年中出现了多篇关于该方法的研究文献并取得了一些进展。基于滚动轴承的谱峭度法故障诊断流程如图2 所示。

图2 基于滚动轴承的故障诊断流程图

2016 年，Wang等人的研究表明[12]，谱峭度法的主要发展方向是谱峭度法的短时间傅里叶变换估计量、Kurtogram 及快速Kurtogram、自适应谱峭度法和Protrugram。这些谱峭度技术对于从振动信号中检测脉冲信号是非常强大的，即使该信号中存在着大量噪声。此外，与其他时波分析方法如小波变换和EMD 相比，谱峭度技术可以自动指示这些信号发生在哪些频段中。因此，谱峭度技术在对于滚动轴承故障诊断中取得了良好的诊断效果。

然而，由于该理论的基本假设存在局限性，所以谱峭度技术不适用于从机器的升速或降速实验中获得的信号。时频分解方法和谱峭度技术的结合，将谱峭度作为选择频段解调频带的工具是谱峭度技术未来的发展趋势。另一个热门的研究方向是将谱峭度与人工智能技术结合起来，进行智能诊断，利用谱峭度技术对信号进行预处理。

2.2 排列熵

在旋转机械故障诊断的数据驱动方法中，特征提取是关键技术之一。在特征提取中引入了熵的概念来表达振动信号的非线性和非平稳的动态特征。目前已经集成了许多方法，如Shannon 熵、近似熵、样本熵、模糊熵和多尺度熵。Bandt 和Pompe[13]提出了排列熵来测量时间序列的复杂度。由于其在时间序列信号下具有较高得到稳定性和高计算效率，也将排列熵引入旋转机械故障诊断，排列熵有效地代表了滚动轴承振动信号的工作特征。

排列熵是一种用于描述一维非线性时间序列信号复杂性与混乱程度的熵算法，作为可定量描述时间序列信号复杂程度与混乱程度的熵值参数，具有计算过程简单、计算效率高、抗干扰能力强、对信号变化敏感性好等优点，可针对性处理滚动轴承振动信号成分复杂、故障信号微弱的问题。排列熵：

重构符号序列

式中：m——嵌入维数；

t——延迟参数。

由此人们为旋转机械故障诊断提出了许多基于突变熵的方法，其中大多数集中在排列熵的发展，并与分解算法相结合进行特征表征，如小波包分解、局部平均分解和VMD。

2018 年，Li 等人[14]总结了旋转机械故障诊断中的几种熵算法及其变体，其中排列熵和其他基于熵的方法取得了许多成功的应用。然而，有三个问题限制了排列熵的发展。首先，熵算法通常与分解方法相结合来提取特征，这消耗了大量的时间。虽然排列熵提高了计算效率，但它不足以进行在线监测。其次，复杂的参数设置使得在没有足够经验的情况下很难应用排列熵，从而削弱了其智能性。最后也是最重要的是，作为一种传统的数据处理技术，排列熵和其他熵都是人工特征提取方法，现在正被基于深度学习的方法所取代。因此，排列熵的主要发展趋势是提高其计算效率，使其参数自动化，并将其融入到深度学习中。

2.3 深度学习

虽然数据驱动的方法在旋转机械故障诊断中取得了良好的性能，但有两个关键问题阻碍了进一步的发展。一方面，特征提取依赖于信号处理技术和诊断专家的先验知识。另一方面，用于故障识别的分类器是浅层学习模型，如极端学习机、人工神经网络、支持向量机和随机森林。浅层结构限制了它们在旋转机械故障诊断中学习复杂的非线性关系和处理大数据的能力。作为人工智能的一个突破，深度学习统一了特征提取和故障识别，可以通过多层次结构在大数据中挖掘有用的深度信息。

随着计算机能力和数据规模的增加，深度学习方法可以显著提高模式识别，并在许多领域得到了成功的应用，具有比其他机器学习技术更好的性能，包括语音识别、图像识别、机器人技术和医学。深度学习的自动化特征学习过程和强大的分类能力，可以有效地解决上述两个缺陷，是故障特征挖掘和旋转机械智能诊断的重要工具。近年来，大量的论文报道了基于深度学习的方法在机械故障诊断中的应用，其中典型的模式是CNN、递归神经网络和生成对抗网络。

虽然基于深度学习的方法已经被证明优于浅层学习方法，但它们的性能在很大程度上取决于数据的质量和数量。然而，在实际工业应用中，FDRM 缺乏大量可用的高质量数据，数据具有数据不足、数据不完整和数据不平衡的特点。要解决这些问题，转移学习是一种非常具有应用前景的技术，此外，由于其与人类和动物学习相似，无监督学习是解决数据复杂度的一种有效方法。因此，深度学习的一个研究热点就是发展转移学习和无监督学习，以减少数据复杂度造成的诊断难度。

2.4 稀疏表示法

稀疏表示是一种信号分析和特征表示技术，可以紧凑地描述任意复杂信号，从更多的角度全面揭示信号特征，并提取丰富的详细信息。稀疏表示由匹配追求算法发起，起源于原子分解。基于字典的原子分解将复杂信号分解为最匹配信号的主要结构的最优基本波形的叠加。这样，信号被稀疏表示，并用信号表示中使用的原子数来测量稀疏性。由于其在故障特征识别方面的良好适应性和高灵活性，在机械故障诊断中也实现了稀疏表示。

2017 年，Feng ZP 等人[15]全面总结了机械故障诊断中复杂信号分析的稀疏表示，并考虑了原子分解算法和系统设计方法作为两个关键问题。Cai 等人[16]提出了一种基于稀疏性信号分解方法的变速箱故障特征提取方法。Liu 等人[17]提出了一种新的稀疏故障特征提取表示方法，通过阻尼二阶系统的单位脉冲响应函数构造一个超完备的系统。Wang J 等人[18]提出了一种新的轴承故障诊断模型，考虑故障尺寸、旋转频率、轴承尺寸和其他参数。虽然已经有许多论文报道，但这两个方面的发展仍然是一个研究热点，例如，降低了系统设计的计算复杂度，以及现有的分解算法的组合和改进。另一个研究趋势是根据使用的系统的特性来开发分解算法。

3 结论及展望

机械故障诊断目前还远未被认为是一门完整的学科。旋转机械故障诊断的基础研究和相关技术的突破是推动其发展的动力。在不久的将来，旋转机械故障诊断的基础研究应以工程应用、各种相关研究、科学问题的解决方案和自主创新为基础。此外，应鼓励编制和建立标准的故障诊断数据库。通过共享典型工程实例以及标准实验数据、算法和验证模型，可以避免重复建设和研究。

本文总结四个研究热点及发展方向：谱峭度、排列熵、深度学习和稀疏表示。除了深度学习之外，其他三个主题都是信号处理技术。我们认为，随着人工智能的不断发展，将深度学习与这些基于振动信号特征的信号处理技术相结合，将成为旋转机械故障诊断领域的热门研究方向。此外，基于深度学习、迁移学习和集成学习，研究数据不足、数据不完整和数据不平衡下的旋转机械故障诊断解决方案是工业工程的巨大挑战和实际要求。此外，未来研究的关键是基于实际工业数据在系统层面和工程应用的产品层面进行故障诊断。