滚动轴承故障诊断发展现状及发展趋势

杜煜坤，徐 乐，魏语辰，徐少梁，郝 洁

（江苏师范大学，江苏徐州 221116）

0 引言

滚动轴承是大型旋转机械设备中的重要零部件，广泛应用于冶金、航空航天等多个领域，但因其长期处于复杂、恶劣工作环境中极容易发生故障，而一旦出现故障就很有可能对旋转机械造成损伤，甚至造成人员死伤，因而须要对滚动轴承的工况进行实时监测和故障诊断。由于考虑到外界环境因素的影响，会使诊断结果出现差异化，降低检测精度，所以检测滚动轴承振动信号这一内在因素，然后对其振动信号进行提取和分析。目前，该方法已变成现阶段较为广泛使用的一种检测手段。

1 滚动轴承振动信号分析

轴承周期性旋转时，受损表面会与其他元件表面接触，所产生的脉动和冲击是周期性的，使内外圈产生固有频率，对滚动轴承运行中的振动信号分析是主机装备故障诊断的有效手段。振动信号大多为非平稳、非线性的多分量信号，现阶段已有科研人员通过大量方法对其进行研究分析。分析振动信号的方法主要分为时域、频域、时频分析三类，其中时频分析在使用领域里最为广泛，常用的有小波变换、LMD[1]、EMD 等。在故障诊断中，因其工作环境多处于转速高、噪声大等条件中，采集出的多分量信号不能直接用作分析信号，基本上需要把复杂的多分量信号分解成多个单一信号，再对分解出的单一信号进行分析。

1.1 小波变换

小波变换是在时频域分析检测信号的一种信号处理方法，它可以在多尺度上细化信号，最终满足高频细分时间和低频细分频率的要求。随着小波理论的发展，运用小波阈值去噪的方法在信号去噪领域有着广泛应用，在提取振动信号的过程中可以提取到更有效的信号。

银鸿等[2]使用傅里叶变换和小波变换对钢丝绳的漏磁检测信号进行分析研究，通过傅里叶变换分析幅频特性，并基于小波变换原理选择最优小波基，对原始测试数据进行滤波。赵靖等[3]通过使用以负熵和无迹卡尔曼滤波为基础，提出了动态贝叶斯小波变换方法，提取出最佳宽带和中心频率的振动信号，将其进行滤波和分析，再对滤波后的信号进行包络解调分析，提取到轴承的微弱故障特征。

1.2 局部均值分解方法（LMD）

LMD 方法是将多分量信号分化为无数个瞬时频率分量PF（乘积函数）之总和，每个PF 分量都是通过将纯调频信号和包络信号相乘而获得的，PF 分量中的瞬时频率对应纯调频信号，瞬时幅值对应其包络信号，将纯调频信号和包络信号进行组合就可以得到完整的时频分布。

何田等[8]运用LMD 对原始信号进行Hilbert 变换，对瞬时幅值进行FFT，在齿轮磨损、断齿、齿轮剥落3 个故障方面进行实验分析。杨宇等[9]重点提取LMD 中的包络信号，得到包络谱，将包络谱特征值输入支持向量机分类器中进行分析。张亢等[10]结合阶次跟踪分析和局部均值分解，将提取的齿轮时域振动信号转化为角域平稳信号，有效提取故障特征。

1.3 经验模态分解（EMD）

EMD 方法是以傅里叶变换为基础，由HUANG 等[4]提出，将复杂信号分解成有限个的本征模函数（IMF）之和，经过研究发现，这种方法对分析非平稳、非线性信号较为适用。

王奉涛等[5]把EMD 分解得到的特征向量作为输入层，再将多个SAE 进行叠加处理，训练得到SSAE 网络。张健等[6]使用EMD 方法把振动信号分解成无数个IMF 分量得到包络谱，再使用VPMCD 对故障进行识别和分类。邵明辉等[7]同样利用EMD分解得到模态分量，再使用小波包分量进行分解重构，将其输入支持向量机中识别刀具的磨损状态。

2 滚动轴承故障特征分类

通过对滚动轴承振动信号故障分析，需要将其故障特征进行分类，以适应针对性的故障研究，其过程需要大量算法运算和优化学习。支持向量机、人工神经网络和迁移学习是现阶段使用较为广泛的3 种分类方法，它们各自擅长的运算和学习特点。

2.1 支持向量机（SVM）

支持向量机拥有多种运算方法，在工程领域采用核方法较为常见。支持向量机的输入数据使用非线性函数进行学习运算，输入的数据样本具有多个特征，由此构成特征空间，作为决策边界。

SVM 核方法的实质是将非线性函数关系转化成高维希尔伯特空间的线性问题，然后在其高维空间中找到最优的回归超平面，使全部样本与最优超平面之间的间距最小。

王祥等[11]对建筑物沉降影响进行分析，建立原始训练集，选择核函数建立支持向量机模型，为建筑物变形预测提供了一种工具。韩晓[12]通过使用粗糙集来降低数据样本的维数，之后再使用支持向量机对其数据进行分类。崔桂梅等[13]选用高斯核函数支持向量机建立基础模型，通过差分进化算法对模型进行最优参数搜索。

2.2 BP 神经网络

神经网络是模仿人脑神经元网络建立的一种算法模型，它由节点互连组成，这里的每个节点都是一个特定的输出函数，即一个激励函数。这种模型已经应用到自动控制、预测估计、模式识别等多数领域，其中BP 神经网络使用更为广泛。BP 神经网络是一种多层前馈神经网络，包含输入层、隐含层和输出层，具有强大的非线性映射能力和学习机制。

熊鹏等[14]将卷积神经网络进行优化，运用密集连接卷积网络，通过动态加权网络层提取行星齿轮箱的故障特征。杨家印[15]以小波神经网络算法为基础，提取时频域的多个表征值，将BP神经网络应用于汽车齿轮箱，有效提高了诊断精度。徐欣怡等[16]将小波包变换和BP 神经网络结合，分解和重构原始振动信号，提取能量特征向量，提高了地铁轴承的诊断速度。

2.3 迁移学习

迁移学习是利用卷积神经网络的深入学习算法而构建的一种在源域和目标域具有相似特征时，将原有算法模型进行微调，迁移到目标域进行算法计算。迁移学习按照源域和目标域有无标签及其对应任务是否相同，可分为归纳式、直推式、无监督3 种。

季旭峰等[17]利用深度迁移学习的方法搭建滚动轴承的各类故障模型，并对故障数据进行分析，验证模型的可靠性。杨沐泓等[18]借助迁移学习和卷积神经网络运用到医疗影像领域，进行新冠肺炎影响的识别，取得了高达84.4%的准确率。陈仁祥等[19]为了对行星齿轮进行故障诊断，提出了一种基于深度置信网络的迁移学习方法，从源域把网络的权重和偏置值作为的数据迁移到目标域来进行识别和学习，最终提高故障识别的准确率。

3 滚动轴承故障诊断发展趋势

通过研究旋转机械振动信号发现，小波变换只会将信号的低频部分进行更深入的分解，而不会继续分解高频部分（即信号的细节部分），所以小波变换可以很好地表明某一类信号的低频信息是主要成分，分解表示包含大量细节信息（精细边缘或纹理）的信号。EMD 方法克服了基函数无自适应性的问题，但存在欠包络、模态混淆等问题，需要与其他方法配合进行使用。LMD能够抑制端点效应，减少迭代的次数等，但有时会发生信号滞后现象，在以后的应用过程中需深入研究。

支持向量机是使用内积核函数来替代向高维空间的非线性映射，但无法大规模对样本进行实施，且无法解决多分类等问题，在进行振动信号故障诊断时应与其他方法进行结合。神经网络具有非线性映射能力，可以进行自学习和自适应，但收敛速度较慢，其预测能力和学习能力存在着矛盾关系。在迁移学习微调之前，发现模型的初始机能更高；在训练过程中，模型提升更快；经过训练，得到的模型收敛性更好。不过迁移学习在现阶段还处于初级研究领域，所能参考的数据量小且都为标准数据。

随着“中国制造2025”和工业4.0 理念的深入，相关企业和单位越来越关注机械加工的精益性和运行中的稳定性。通过以上各种方法，如果能完善LMD 在信号滞后上的不足，依靠其少量的迭代次数的优势，使其提取出的故障特征通过迁移学习，则能够缩短分析和识别所消耗的时间，确保较高的精确性。

4 结束语

本文以滚动轴承故障诊断方法为研究对象，分别对小波变换、EMD、LMD 方法进行了分析和研究，并结合现状提出通过迁移学习来优化LMD 信号的发展趋势和方向，为机械故障诊断研究提出一种参考和指导。