滚动轴承性能退化趋势预测综述

陈国瑞

摘要：滚动轴承作为旋转机械的重要零部件之一，其在工业中占有重要的地位，其可靠性直接影响设备能否安全、稳定运行。文章首先阐述了滚动轴承性能退化趋势预测的研究意义;接着梳理了滚动轴承性能退化趋势预测中关键难点性能退化指标构建对故障特征提取、降维和融合方法，然后进行了有效的性能退化趋势预测模型分类。最后，对滚动轴承性能退化趋势预测内容进行了总结。

Abstract： As one of the important parts of rotating machinery， rolling bearing plays an important role in industry， and its reliability directly affects the safe and stable operation of equipment. Firstly， the research significance of rolling bearing performance degradation trend prediction is expounded. Then， the key and difficult points in performance degradation trend prediction of rolling bearings were summarized， including performance degradation index construction， fault feature extraction， reduction and fusion methods， and then the effective performance degradation trend prediction model classification was carried out. Finally， the prediction content of rolling bearing performance degradation trend is summarized.

關键词：滚动轴承;性能退化指标;性能退化趋势预测模型;深度学习

Key words： rolling bearing;performance degradation index;performance degradation trend prediction model;deep learning

中图分类号：TH133.33                                文献标识码：A                                  文章编号：1674-957X（2022）03-0208-03

0  引言

随着社会进步和科技的发展，机械装备正在朝着智能化、复杂化、高效化方向发展，飞行器、车辆、航空发动机等机械装备在国民经济起着重要的作用。在实际工程应用中，机械装备运行中条件复杂，长期运行的机械设备会出现损坏，在工程应用中，机械设备一旦发生故障，轻则影响生产造成经济损失，重则导致人员出现生命危险，对社会造成一定的负面影响。因此，如何保证机械设备长期安全稳定运行是当前迫切要解决的难题。滚动轴承作为关键的旋转机械零部件，其性能状态直接影响着机械设备能否长期安全可靠的运行[1]。滚动轴承运转是将轴与轴座之间的滑动摩擦变为滚动摩擦，一般由外圈、内圈、滚动体、保持架组成，其失效形式主要有疲劳剥落、磨损、塑性变形、锈蚀与电蚀、裂纹与断裂、胶合、保持架损坏等。据研究报道，在使用滚动轴承的旋转机械中，大约有30%的机械故障是由滚动轴承出现故障引起[2]。国内外出现由于滚动轴承失效造成严重事故和经济损失。滚动轴承性能退化趋势能及时反映轴承的运行情况，避免因滚动轴承损坏造成停机或重大安全事故，因此对滚动轴承进行性能退化趋势预测显得尤为重要，如果能对滚动轴承性能退化趋势进行预测，可以减少维修费用;同时，可以避免因设备损坏导致重大损失，因此对滚动轴承性能退化趋势进行预测十分必要。深度学习凭借深度学习属于端到端的学习，数据输入进去就可以得到结果，方便快捷，不用手工设计规则，可以尽可能的优化损失函数去学习规则，尽可能的挖掘数据潜在特征。并且通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习在图像识别、语音识别、故障诊断、寿命预测方面应用比较广泛，且取得了突出的成果[3]。将深度学习方法用于滚动轴承性能退化趋势预测取得了不错的成果，为滚动轴承性能退化趋势预测提供了有益借鉴。

1  国内外研究现状

目前，目前基于滚动轴承性能退化趋势预测主要分为基于物理模型的预测与基于数据驱动预测。在物理模型方面，包括贝叶斯模型、随机过程模型等，但基于物理模型方法依赖于专家经验知识。随着全寿命数据体量与标记数据数量限制泛化性能较差，基于深度学习的预测方法成为主流。滚动轴承性能退化趋势预测关键难点：①构建滚动轴承性能退化指标;②建立滚动轴承性能退化趋势预测模型。

1.1 性能退化指标研究现状

随着轴承运行工况复杂度的增加，对其退化过程建立准确的物理模型变得愈加复杂，而基于数据驱动方法受益于传感器技术发展，可获得大量监测数据，因此数据驱动故障预测方法逐渐成为主流。其中，构建能够及时有效反映机械设备性能退化状态的健康指标是故障预测的重要问题。目前，健康指标构建方法可分为间接健康指标法和直接健康指标法两类。间接法构建健康指标过程中，由于原始数据无法直接作为健康指标，需要先进行有效的特征提取、特征筛选、特征融合，通过多种特征结合共同表征轴承的健康状态。针对滚动轴承性能退化指标建立的问题，国内外学者众多研究了多种方法，主要有以下：

1.1.1 传统信号分析方法构建性能退化指标

时域分析是以时间为自变量对振动信号进行描述，并计算其反映滚动轴承运行状态的特征量。通常由时域特征、频域特征、信息熵、时频域特征等。时域特征包括均方根值、峭度、偏斜度、峰峰值、最大值等;频域特征包括重心频率、均方频率等;信息熵包括小波包能量熵、奇异值谱熵、幅值谱熵等。该方法是建立性能退化指标最经典的方法。利用时域特征均方根值和峭度作为滚动轴承性能退化指标，来表征滚动轴承性能退化整体运行状况。但是由于滚动轴承振动信号的复杂性，时域特征是把轴承非平稳信号当作平稳信号来处理。所以单独的时域特征分析并不能全面表征滚动轴承的整个性能退化过程。频域分析是利用傅立叶变换分解从时域信号中获得反映滚动轴承退化特征的频率。Soualhi首先将原始信号进行分段，然后计算每段的时域峰-峰值和频域频谱最大值的比率，采用比率的均方根值和每段信号的标准差之比作为运行监测指标。时频域分析方法是将信号的时域和频域信息相结合起来分析的一种方法，可以很好的处理具有非线性、非平稳的滚动轴承振动信号。陈法法等[4]使用将集合经验模态分解分解与信息熵结合提取集合经验模态分解能量熵作为性能退化指标。上述性能退化指标虽然能很好的反映出轴承的性能退化趋势，但是时频域方法存在单调性差，对早期故障不敏感。

1.1.2 特征融合方法构建性能退化指标

特征融合方法构建性能退化指标过程中，由于原始数据无法直接作为健康指标，需要先进行有效的特征提取、特征筛选、特征融合，通过多种特征结合共同表征轴承的健康状态。孟文俊等[5]使用主成分分析进行对高维特征集的特征融合，选取主成分分析第一主成分作为轴承性能退化指标。上述方法是针对线性特征问题，而不能解决非线性特征的问题。针对上述方法的不足，王奉涛等[6]使用核主成分分析方法对特征进行降维融合，首先筛选时域、频域等多于特征，然后利用核主成分分析方法进行特征融合，最后选取融合后一维特征作为滚动轴承性能退化指标。但是基于核的方法面临着核函数选取的问题，在实际应用中，核函数选择是通过人工选取存在人工经验干扰。肖婷等[7]使用局部保持投影对时域和小波包能量熵进行特征融合，选取局部保持投影第一主分量作为滚动轴承性能退化指标。Mori使用等距特征映射算法对特征进行融合，提取等距特征映射第一主分量作为滚动轴承性能性能退化指标。除了流形学习可以处理非线性特征的问题，不少学者使用其它方法解决非线性的问题，柏林等[8]使用支持向量数据对特征进行特征融合;但是支持向量数据受输入核函数参数影响较大，使用自组织神经网络对多域特征进行特征融合，但是自组织神经网络缺乏标准处理图结构和形状。王鹏等[9]等使用自编码器对所提取特征进行无监督特征融合，以构建滚动轴承性能退化指标。上述方法构建性能退化指标的做法均采用特征提取-特征融合方法以获得滚动轴承性能退化指标，以上方法由特征工程（特征提取，特征融合、特征降维）方法，其优点是通过信号分析能够较好解释滚动轴承性能退化指标的实际运行状态，缺点是在构建轴承性能退化指标时需要大量依赖人工经验知识筛选传统时域特征、频域特征、时频域特征。提取退化特征仍需依赖大量专家经验以及传统的信号处理方法;多数特征提取模型的训练采用有监督方式，这种方式需要人工构建数据之间的标签，而标签的选择需依赖人工设计与参与，例如，滚动轴承的寿命标签，需要进行轴承剩余寿命标签计算，费时且没有一致标准;为了得到综合的单调性能退化指标曲线，往往需要针对具体预测的问题，然后再采用多种特征融合及依赖人工选择时域、频域、时频域等多域特征，并且间接构建性能退化指标方法需依靠人工专家经验以及传统的信号处理方法;以上方法构建的性能退化指标只适用某一类滚动轴承性能退化过程，不具有通用性，泛化性較差。

1.1.3 深度学习方法构建性能退化指标

近年来，深度学习方法依赖于其具有强大特征自提取能力与非线性函数表征能力，为直接构建轴承健康指标提供了思路。深度学习建立指标是通过深度学习方法对原始振动信号自学习建立性能退化指标，其中由无监督和有监督构建性能退化指标。深度学习方法包括卷积神经网络、自编码器、循环神经网络、深度置信网络。卷积神经网络由卷积层、池化层、全连接层构成，卷积层通过卷积核对原始特征进行卷积操作，池化层使用最大池化方式进行池化。卷积层：卷积神经网络的网络结构核心，通过局部感知和权值共享，实现了对数据的降维处理，并且能够自动提取原始数据的特征。池化层也称为下采样层或者采样层，通过对输入数据各个维度进行空间的采样，可以进一步降低数据的规模，并且对输入数据有局部线性转换的不变性，增强网络的泛化能力。全连接层经过前面的卷积层和池化层处理后，一方面，输入数据的维度已经下降至直接采用前馈神经网络来处理;另一方面，全连接层的输入特征是经过反复提炼的结果。Guo[10]提出一种基于卷积神经网络机械设备性能退化指标构建方法，将原始振动加速度信号作为卷积神经网络的输入进行训练，利用训练好的网络构建测试轴承性能退化指标。以上基于深度学习方法能够有效的反映设备性能退化状态，但是未在网络训练阶段考虑健康指标的单调性，因此健康指标的性能有待提高。孙世岩提出融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型，但是上述方法把原始数据转换为二维图像作为网络的输入，增加了网络的计算复杂度。研究者可从原始振动时域信号出发，利用深度学习特征自提取优势，深度挖掘时域信号特征，保留最大信号特征，自适应提取原始信号特征，以构建能够表征轴承退化趋势的性能退化指标。

1.2 性能退化趋势预测模型研究现状

滚动轴承性能退化指标建立后，另一个关键问题是建立可靠并且能够准确预测轴承性能退化趋势的预测模型。滚动轴承的性能退化趋势预测是利用轴承的历史时间序列数据，建立一个合适准确的模型，对滚动轴承未来的退化状态进行预测的一个过程[11]。近年来，研究者提出了很多性能退化趋势预测模型，可总结为以下：

1.2.1 传统性能退化趋势预测模型

人工神经网络是上世纪提出的一种模拟生物神经网络结构和功能的信息处理系统。它优于时间序列分析法，通过中间的隐含层设计，可以近似任何精度的任意函数，特别适用于高精度要求的非线性模型的构造。由于机械设备的振动信号具有非线性和不稳定性，神经网络预测方法非常适合于机械设备的趋势预测。人工神经网络是最传统的神经网络，其通常由输入层、隐藏层、输出层构成。在模型训练过程中，人工神经网络神经网络作为反向传播的经典算法在神经网络中十分重要。将人工神经网络与非线性时间序列法相结合，构建了变速箱故障预测模型，可以预测变速箱的故障趋势，并通过实验验证了该方法的有效性。但是人工神经网络具有庞大的训练参数，导致训练时间相较长的缺点。支持向量机是Cortes & Vapnik在1995年正式提出，是统计学习理论的一种实现方法，它较好地实现了结构风险最小化思想[12]。但是支持向量机核函数必须满足 Mercer 条件。为应对支持向量机训练速度慢、存储量大的难题，学者们引入了最小二乘支持向量机将求解二次规划问题转化为求解高维空间线性最小二乘问题，简化了计算过程，提高了训练速度。但是最小二乘支持向量机模型本身并不具备记忆功能，并不能具备挖掘时间序列数据之间的时序特殊的信息关系。

1.2.2 深度学习预测模型

深度学习当前已成功应用性能退化趋势上。例如以下学者使用深度学习方法在滚动轴承进行性能退化趋势预测，Guo等[10]使用循环神经网络模型对滚动轴承剩余使用寿命进行预测。深度学习中循环神经网络及其变体时间序列预测模型通过引入了定向循环，能够处理时间序列输入之间前后关联的问题，可以弥补传统机器学习模型不具备记忆特性的缺点。但是普通循环神经网络在解决长时间序列问题时，存在梯度消失和梯度爆炸问题。Zhang等[13]使用长短期记忆网络对网络预测滚动轴承性能退化趋势。但是长短期记忆网络具有训练复杂，网络参数较多的问题。门机制虽有效地克服了梯度消失，但是过多的门机制会增加网络的复杂性。门控循环单元使用更新门和输出门代替长短期记忆网络的输入门、遗忘门、输出门，解决了训练复杂、网络参数较多的问题。门控循环单元模型由更新门和重置门组成，门控循环单元神经网络与长短期记忆神经网络都是对循环神经网络的改进，在保证循环神经网络在时间序列预测方面的优势的同时解决循环神经网络中容易出现的梯度问题，门控循环单元神经网络和长短期记忆神经网络都只能考虑预测点过去时刻的信息而无法考虑未来时刻的状态，使得预测精度无法进一步提高。郑小霞等[14]使用门控循环单元对滚动轴承性能退化趋势进行预测。以上方法通过对循环神经网络进行改进，取得了一定的效果。然而，滚动轴承性能衰退过程实际上是一个在时间上具有前后关系的连续变化过程，双向门控循环单元在原来单向门控循环单元上增加了一个反向利用未来的信息。双向门控循环单元通过前向和反向传递得出最后的结果。前向过程为传统的单向门控循环单元神经网络，后向过程是与前向过程相对应的相反方向的预测过程，后向预测过程可以考虑预测点后面时刻的数据对当前隐含层的影响，而预测结果的隐藏层由前向和后向两个隐藏层共同决定，故双向门控循环单元神经网络结合了预测点过去和未来的隐藏层状态，从而在预测过程中可以进一步提高准确性。其利用前后之间序列关系十分重要，值得研究者关注。

2  展望与结论

目前，大多數实验数据都是在实验室试验台中获取，实际工程中，必然会存在大量噪声干扰轴承原始振动信号数据，如何解决噪声下健康指标构建的问题十分关键。研究不同参数优化方法原理，探究不同参数优化方法对深度学习预测模型参数优化问题十分重要。如何进行数据分布差异大导致不同工况下滚动轴承性能退化趋势预测不准确问题亟待解决。文中对滚动轴承性能退化趋势预测所涉及的主要模块如特征提取、降维和融合以及性能退化指标的构建进行了详细的阐述，最后对滚动轴承性能退化趋势预测模型进行了总结。基于深度学习的方法优势在于实时反映被测对象的动态特征，研究深度学习在滚动轴承特征提取的运用，探究循环神经网络预测模型在滚动轴承性能退化趋势预测的运用。探究滚动轴承振动信号统计特征退化趋势的演变规律，为滚动轴承性能退化趋势预测奠定理论基础，并且深度学习可以相对容易地根据被测对象实时更新模型参数，从而达到较为精准的性能退化跟踪。

参考文献：

[1]尤明懿.基于状态监测数据的产品寿命预测与预测维护规划方法研究[D].上海交通大学，2012.

[2]李兴林，张仰平，曹茂来，等.滚动轴承故障监测诊断技术应用进展[J].工程与试验，2009，49（004）：1-5.

[3]尹宝才，王文通，王立春.深度学习研究综述[J].北京工业大学学报，2015，41（01）：48-59.

[4]陈法法，杨勇，马婧华，等.信息熵与优化LS-SVM的轴承性能退化模糊粒化预测[J].仪器仪表学报，2016，37（04）：779-787.

[5]孟文俊，张四聪，淡紫嫣，等.滚动轴承寿命动态预测新方法[J].振动.测试与诊断，2019，039（003）：652-658.

[6]王奉涛，陈旭涛，柳晨曦，李宏坤，韩清凯，朱泓.基于KPCA和WPHM的滚动轴承可靠性评估与寿命预测[J].振动.测试与诊断，2017，37（03）：476-483，626.

[7]肖婷，汤宝平，秦毅，等.基于流形学习和最小二乘支持向量机的滚动轴承退化趋势预测[J].振动与冲击，2015，34（09）：149-153.

[8]柏林，闫康，刘小峰.面向轴承寿命预测的特征评估与模型优化[J].振动.测试与诊断，2020，040（002）：361-366.

[9]王鹏，邓蕾，汤宝平，韩延.基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测[J].振动与冲击，2020，39（17）：106-111，133.

[10]Guo L ， Li N ， Jia F ， et al. A recurrent neural network based health indicator for remaining useful life prediction of bearings[J]. Neurocomputing， 2017， 240（May31）：98-109.

[11]Zhang B， Zhang S ， Li W . Bearing performance degradation assessment using long short-term memory recurrent network[J]. Computers in Industry， 2019， 106：14-29.

[12]陈昌，汤宝平，吕中亮.基于威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测[J].振动与冲击，2014，33（20）：52-56.

[13]于重重，宁亚倩，秦勇，等.基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测[J].仪器仪表学报，2019，40（08）：39-46.

[14]郑小霞，钱轶群，王帅.基于优选小波包与马氏距离的滚动轴承性能退化GRU预测[J].振动与冲击，2020，39（17）：39-46.