综述:滚动轴承故障诊断方法综述:侧重机器学习和深度学习应用

《Next Materials》:A review on bearing fault diagnosis methods with emphasis on machine learning and deep learning applications

【字体: 大 中 小 】 时间:2026年04月27日 来源:Next Materials CS1.9

编辑推荐:

  本文全面综述了滚动轴承故障诊断方法,涵盖传统振动分析、现代机器学习(ML)与深度学习(DL)技术。重点阐述了信号处理(如时域、频域、时频域分析)、数据驱动方法(如支持向量机SVM、人工神经网络ANN)及前沿深度学习模型(如卷积神经网络CNN、自动编码器、循环神经网络RNN)在故障特征提取、模式识别与预测维护中的应用,旨在为提升旋转机械可靠性与实现智能状态监测提供系统见解和实践指导。

  
滚动轴承是旋转机械中至关重要的部件,支撑旋转运动并确保机械系统的稳定运行。它们广泛应用于飞机发动机、燃气涡轮发动机、泵、发电厂和风力涡轮发电机系统等机械传动装置中。据统计,旋转机械中约40%的故障可归因于轴承缺陷。因此,轴承的可靠性、安全性和成本效益直接关系到整个系统的性能。故障诊断的核心目标是及时发现轴承缺陷,以防止灾难性故障、计划外停机、安全隐患和经济损失。
轴承缺陷类型
轴承缺陷可能发生在保持架、滚动体、内圈或外圈。健康的轴承产生平稳的振动信号,而有缺陷的轴承则会产生由特定频率特征化的独特振动模式,例如基座通过频率(FTF)、球自旋频率(BSF)、外圈通过频率(BPFO)和内圈通过频率(BPFI)。除了裂纹或凹坑等局部缺陷外,轴承还经常经历分布式的表面退化,如表面粗糙度、波纹度或几何不规则性。主要的退化机制包括磨粒磨损和粘着磨损、表面和亚表面疲劳、腐蚀、微动磨损、电蚀、塑性变形、过热和表面粗糙化。理解这些故障模式不仅能提高诊断准确性,还能实现预测性维护实践,从而延长部件寿命并最大限度地减少停机时间。
故障诊断中的数据重要性
在基于数据驱动的技术中,模型的性能和准确性在很大程度上依赖于数据的体积、丰富度及其多维性。用于分析的常见数据类型包括图像数据和时序数据。不同的状态监测技术产生不同形式的数据,这直接影响诊断所选的机器学习方法。例如,振动监测和声发射技术生成时间序列数据,热成像产生图像数据,而电机电流特征分析和负载/速度测量则提供连续的操作变量。系统性能可能受速度、负载、频率、温度或扭矩等参数影响,这些参数可作为机器学习算法的指标。
信号处理技术
信号处理是故障特征提取的基础,主要分为三个域:
  • •
    时域分析:振动信号包含了机器状态的丰富信息。正常机器的振动恒定且幅度低,而有故障的机器则产生时变振动。振动频谱的变化可用于识别旋转机械的故障状态。除了振动信号,声发射(AE)信号在早期缺陷检测中也扮演重要角色。此外,红外热成像(IRT)作为一种非侵入式、非接触的状态监测工具,具有高精度和可靠性,为故障诊断技术提供了新的机遇。
  • •
    频域分析:傅里叶变换(FT)用于将时域振动信号转换为离散频率分量,而快速傅里叶变换(FFT)和离散傅里叶变换(DFT)算法则用于检查原始的频域振动信号。当轴承元件表面出现局部故障时,会产生周期性冲击振动,其频率称为故障频率。轴承可能产生的主要故障频率有FTF、BPFI、BPFO和BSF。功率谱密度(PSD)分析特别用于在嘈杂环境中查找故障频率周围的能量分布。与频域相比,简单的功率谱分解可以发现它在频率上呈现一定的周期性分布。基于希尔伯特变换的包络分析已被广泛应用于轴承故障特征提取。
  • •
    时频域分析:近年来,数据驱动方法在滚动轴承故障诊断中取得了巨大成功。为了解决标签数据难以获取和样本分布差异大的问题,研究者提出了基于时频信息融合的无监督跨域故障诊断方法。经验模态分解(EMD)作为一种时频分析技术,显示了其在信号分析方面的强大能力。它是一个自适应处理方法,意味着更少的人工工作。连续小波变换(CWT)用于生成频率和时间函数的尺度图,以实现对短时高频事件更好的时间定位和对低频长时事件更好的频率定位。将一维故障信号转换为二维图像后输入模型进行分类,可以获得很高的故障分类精度。因此,时频评估提高了在多样操作条件下对轴承早期故障的诊断能力。
机器学习与深度学习算法
机器学习(ML)算法被认为是旋转机械状态监测与故障诊断(CM-FD)的有效工具。通过训练振动和其他传感器信号中的故障相关趋势,ML实现了自动化的故障检测与识别。这些算法减少了对手动特征解释的依赖,并在复杂的操作条件下提高了诊断精度。机器学习类型分为监督学习、无监督学习、半监督学习和强化学习。各种机器学习算法包括分类分析、回归分析、数据聚类、关联规则学习、用于降维的特征工程以及深度学习方法。研究者可以通过了解各种学习类型模型(如线性回归、逻辑回归、支持向量机SVM、K近邻KNN)来有效利用基于ML的算法。通过应用决策树、随机森林、主成分分析(PCA)、朴素贝叶斯等模型改进,也提高了准确性。
深度学习,特别是卷积神经网络(CNN),凭借其强大的特征学习能力,在故障诊断领域取得了巨大成功并得到广泛应用。CNN能够自动从原始或轻处理的数据中学习判别性特征,消除了手动特征工程的需要。通过将可学习滤波器应用于输入的局部段(如时频谱图或振动序列),CNN可以捕获包括幅度调制、谐波和边带在内的特征性故障模式。早期CNN层检测基本模式,而更深层则逐步编码复杂的故障特征,这使得CNN在对故障类型分类和估计剩余使用寿命(RUL)方面非常有效。为了应对有限标记数据等挑战,半监督和自监督CNN方法已被引入。尽管取得了这些进展,CNN仍面临计算成本高、依赖大量训练数据以及深度特征可解释性有限等局限性。通常超过95%的分类准确率表明,CNN已经彻底改变了状态监测领域,并有望在工业4.0支持的预测性维护框架中保持核心地位。
除了CNN,其他深度学习模型也展现出独特价值:
  • •
    人工神经网络(ANN):受人类大脑结构和功能启发,由互连节点(神经元)组成,能够通过监督训练学习数据中的复杂模式。在轴承故障检测中,ANN已被广泛用于诊断内圈、外圈和保持架等缺陷。通常,振动或声发射信号首先使用统计度量或小波变换进行预处理,以增强故障相关特征并减少噪声。将ANN模型与遗传算法(GA)和K近邻(KNN)等优化或分类算法相结合的混合方法,进一步提高了ANN在可变负载和速度下的适应性。
  • •
    深度神经网络(DNN):代表一类更广泛的神经网络架构,其特征是具有多个隐藏层,可逐步将输入数据转换为更高级别的表示。DNN的优势在于能够通过从原始传感器输入中自动提取特征来消除手动特征工程。它们的分层结构使其在处理高维、大规模数据集时特别有效,这些数据集是现实工业环境的特点。
  • •
    自动编码器:一类无监督学习模型,旨在重建其输入数据,同时将其压缩到低维潜在空间。该架构特别适合从高维振动数据中提取紧凑且有意义的表示,从而实现旋转机械的早期故障检测。通过捕获非线性依赖关系,自动编码器可以突出显示导致重大轴承缺陷的细微异常。自动编码器在工业环境中特别有利,因为它们能够利用大量未标记数据,而这些数据通常比标记数据集更容易获得。
  • •
    循环神经网络(RNN):通过合并反馈循环来捕捉时间依赖性,因此特别适合振动信号等序列数据。与前馈网络不同,RNN保持了先前输入的记忆,使其能够模拟旋转机械中故障特征随时间演变的时间动态。RNN通常与小波变换或短时傅里叶变换(STFT)等预处理技术集成,以增强特征表示。它们也与卷积层在混合架构中结合,其中一维CNN首先从原始数据中提取空间特征,然后是长短期记忆(LSTM)层(一种旨在克服梯度消失问题的RNN变体)来捕捉长期依赖性。这种端到端的框架绕过了手工特征工程,即使在噪声条件下也能实现稳健的性能。
故障诊断方法与先进技术
故障检测涉及识别机器部件中的缺陷,以防止故障、计划外停机、安全风险和财务损失。采用各种状态监测技术,如振动、电流、声发射、温度和油液碎屑分析,来评估机械系统的状态。故障识别侧重于确定缺陷的类型和位置,通常通过振动信号进行分析。健康退化和剩余使用寿命(RUL)预测是预测性维护中的关键,由磨损、疲劳或操作应力引起的故障增长会缩短部件寿命。早期检测能够实现更准确的RUL估计。
该领域经历了从传统信号处理到人工智能的显著转变。早期检测策略主要依赖于时域和频域分析。随着计算能力的提高,基于机器学习的方法(包括决策树、随机森林和支持向量机SVM)在使用从振动信号中提取的统计或频谱特征进行故障分类方面变得流行。最近的研究转向了概率和基于优化的方法,包括贝叶斯分类器和遗传编程等进化算法,以提高鲁棒性和诊断精度。最近,非线性动力学工具和图模型(如递归图和可见性图)被引入,以捕获传统线性方法可能忽略的细微不规则性和复杂系统行为。然而,最大的范式转变来自深度学习,其中卷积神经网络(CNN)和长短期记忆(LSTM)网络等循环架构可以直接从原始数据中学习故障特征,而无需手动特征提取。结合基于物理建模和数据驱动学习的混合方法也在被探索,特别是在传统方法不足的变速或非平稳运行条件下。
一些具体的先进技术包括:
  • •
    声发射(AE)技术:声发射监测在捕获轴承结构内裂纹萌生、表面微断裂或突发能量释放期间产生的高频应力波方面特别有效。与振动分析不同,AE通常可以在可观察症状出现之前提供非常早期的损伤指示。
  • •
    经验模态分解(EMD)故障检测:EMD已成为诊断轴承故障的强大数据驱动信号处理工具。与傅里叶或小波变换不同,EMD不依赖预定义的基函数,而是自适应地将复杂的振动信号分解为一组有限的本征模态函数(IMF)。为了增强诊断性能,EMD已与深度学习技术,特别是卷积神经网络(CNN)集成。一旦分解,IMF可以转换为希尔伯特谱或能量图等时频表示,然后作为CNN的输入。EMD-CNN混合模型在捕获早期故障特征和处理非平稳动态方面表现出显著的成功。
实验分析设置
近年来,人们设计了各种各样的实验装置,在受控条件下捕获振动信号并研究轴承退化。其中许多装置集成了现代传感技术,例如压电加速度计、MEMS加速度计、麦克风和电流传感器,并结合基于Arduino的系统和物联网(IoT)平台进行实时监测和数据采集。这些配置具有双重目的:复制真实操作条件和生成可靠的数据集以验证诊断和预测算法。一个常被引用的装置使用1.5千瓦三相感应电机,在1500转/分的转速下运行,构建了一个用于轴承缺陷检测的测试台。一个柔性联轴器将电机连接到轴上,变频驱动器(VFD)实现了精确的速度控制。轴由两个SKF 6205轴承支撑,其中一个作为测试轴承,通过静重机构施加径向载荷。为了最大限度地减少外部干扰,该装置被封闭在噪声受控的笼子中,而振动信号由PCB Piezotronics 352C33加速度计捕获,声发射由Brüel & Kjaer Type 4189麦克风捕获。数据通过16位NI USB-4432数据采集卡以51.2千赫兹的采样率获取,在渐进缺陷条件下(包括内圈裂纹、表面点蚀和润滑不足)生成高质量的数据集。更复杂的测试台也已被开发出来,以研究现实工业条件下的故障进展。总之,这些实验装置说明了可用于轴承故障研究的广泛方法。高端装置提供了卓越的信号质量、可重复性和详细的退化跟踪,但成本高且灵活性较差;而基于Arduino的平台以精度和耐久性为代价,提供了经济实惠且适应性强的解决方案。多传感器装置丰富了诊断数据,但也带来了同步和复杂性挑战。
未来展望与结论
滚动轴承故障检测和诊断的研究正在不断改进,可用的方法越来越多。随着科学技术的发展,未来的检测方法将更加智能化、高效化和便捷化。这些努力也需要许多科研人员继续改进滚动轴承故障检测和诊断方法。
本文简要总结了滚动轴承故障诊断领域当前最重要的进展。该研究的目的是汇编和讨论关于缺陷诊断的最新研究和成果。文章着眼于使滚动轴承问题更易于理解的最新研究。对以往调查的全面分析表明,深度神经网络(DNN)在滚动轴承故障识别方面具有显著优势。基于DNN的方法能够利用振动信号的时频表示,从实际传感器数据中提取与故障相关且具有区分性的特征。最终,这种分层特征学习技术通过提高诊断有效性和准确性,改善了故障识别精度。通过使用标准轴承数据集进行测试,这些技术的可靠性和应用性已得到证实,为未来的研究奠定了坚实的基础。未来的研究可能集中于利用更复杂的结构、复杂的架构和先进的优化方法,来增强基于DNN的系统在轴承故障分析中的诊断能力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号