《Machines》：Machine Learning and Vibration-Based Method for Anti-Friction Bearing Fault Severity Estimation
编辑推荐：
滚动轴承是旋转机械中的基础部件。运行过程中出现的任何轴承故障如未得到适当维护，都可能导致灾难性损坏和失效。为降低维护成本并避免计划外停机，已开发出多种轴承故障检测方法。然而，一旦轴承故障被检测到，评估缺陷严重性对工业界可能更为关键，因为它决定了干预的紧迫性，如
滚动轴承是旋转机械中的基础部件。运行过程中出现的任何轴承故障如未得到适当维护，都可能导致灾难性损坏和失效。为降低维护成本并避免计划外停机，已开发出多种轴承故障检测方法。然而，一旦轴承故障被检测到，评估缺陷严重性对工业界可能更为关键，因为它决定了干预的紧迫性，如更换调度和维护策略。本文提出了一种利用基于振动的输入参数和机器学习进行轴承故障严重性估计的高效方法。基于模态特性，从加速度包络谱中提取轴承故障频率及其谐波处的振动幅值作为关键输入参数，这些参数与物理缺陷条件密切相关。通过实验观察揭示了这些频谱参数与轴承故障严重性之间的非线性关系，并利用人工神经网络（ANN）进行建模。该模型在从轴承试验台测量的实验振动数据上进行了验证，涵盖了不同尺寸和形状的各种缺陷场景。基于物理缺陷尺寸制定了从健康到严重的轴承故障严重性等级分类标准，并附带了维护建议。在三种不同运行条件下收集的轴承数据集上实现了稳健且准确的故障严重性估计。所提出的方法利用基于转子和轴承动力学的简单振动参数，同时解决了滚动轴承的故障检测和退化评估问题，为工业应用中的预测性维护提供了实用框架。
**论文解读文章**
**研究背景与问题**
滚动轴承是风力发电机、电动机、发电机和航空发动机等旋转机械中的关键部件。任何轴承故障若未及时维护，都可能导致灾难性机器失效。因此，早期故障检测对于及时执行维护至关重要。在基于状态的监测（CBM）中，轴承性能对系统可靠性和安全性影响显著，已开发出多种故障检测与诊断技术，例如基于振动的状态监测（VCM）利用转子动力学概念，通过信号解调技术从轴承共振响应中提取故障特征频率（FCFs）。然而，工业实践中仅检测故障并不足够。一旦检测到轴承缺陷，维护规划需要明确缺陷严重性以确定最佳更换时机。早期或轻微缺陷在低速低负荷或非关键系统中可能可容忍，而严重缺陷若未及时维护可能导致灾难性失效。因此，缺陷严重性是预测性维护的关键信息。现有研究多集中于剩余使用寿命（RUL）预测，但未考虑物理缺陷条件（如缺陷尺寸及其进展），或仅基于少数实验进行缺陷尺寸估计，且输入参数未基于转子动力学剔除转子及其他部件振动的影响。因此，需要一种标准化方法，仅利用轴承动力学参数估计损伤严重性。
**研究内容与意义**
研究人员提出了一种基于振动输入参数和人工神经网络（ANN）的轴承故障严重性分类机器学习模型。从加速度包络谱中提取轴承故障特征频率（FCFs）处的幅值作为输入参数，利用ANN模型揭示轴承故障严重性。为验证模型，在轴承试验台上进行了系列不同严重性的故障实验，将故障严重性分为健康、轻微、中等、高和严重五个等级，并根据缺陷表面积制定评估标准。该方法在三种不同转速下测量的实验振动数据集上验证，获得了优异的分类精度。该研究不仅实现了故障检测，还提供了严重性评估，为预测性维护计划中的轴承更换调度提供了实用框架。论文发表于《Machines》。
**主要关键技术方法**
研究人员采用以下关键技术方法：（1）基于转子动力学原理，通过锤击实验识别轴承共振频带（2-4 kHz），对加速度信号进行带通滤波并执行希尔伯特变换解调，得到平均包络谱（AES）。（2）从AES中提取轴承故障特征频率（FCFs）及其二次谐波处的加速度幅值作为输入参数，包括保持架故障频率（FTF）、滚动体旋转频率（RSF）、外圈通过频率（RPFO）和内圈通过频率（RPFI）及其二次谐波，共8个参数。（3）利用人工神经网络（ANN）进行多分类，采用四层隐藏层（神经元数分别为32、64、16、8）和tanh激活函数，输出层使用softmax激活函数，通过网格搜索交叉验证（GSCV）优化超参数，以分类交叉熵为损失函数，Adam优化器，学习率10
-3，小批量大小32，使用早停策略防止过拟合。实验数据来源于曼彻斯特大学动力学实验室的轴承试验台，包含22个不同缺陷场景（健康、滚动体、外圈、内圈及组合缺陷），在360 RPM、720 RPM和1320 RPM三种转速下采集振动信号。
**研究结果**
**4. 包络分析**
通过锤击实验确定轴承共振频带（2-4 kHz），对振动信号进行包络分析。在720 RPM下，缺陷自由情况（DF0）的包络谱仅显示轴旋转频率；滚动体缺陷RD2（全长、0.3 mm宽）检测到滚动体故障频率（RSF及其二次谐波），而RD1（2 mm宽）未检测到故障频率，表明其未激发冲击载荷；外圈缺陷（OD1-OD5）均清晰显示外圈故障频率（RPFO及其二次谐波）；内圈缺陷ID1（1 mm点缺陷）和ID2（1 mm线缺陷）未检测到内圈故障频率（RPFI），而ID3-ID7检测到RPFI及其二次谐波，且从ID4到ID5幅值减小，表明故障频率幅值与缺陷尺寸非线性相关。组合缺陷（AD1-AD7）同时显示外圈和内圈故障频率。在360 RPM和1320 RPM下，ID4（中等严重性）与ID5（高严重性）的包络谱同样显示幅值减小，证实非线性关系。对FCF幅值求和发现，随缺陷尺寸增大，幅值先升后降，呈现非单调趋势。
**5. 故障严重性估计结果**
基于实验数据样本，在720 RPM条件下，ANN模型在训练集、验证集和测试集上均达到100%准确率（基于召回率），各严重性等级（健康、轻微、中等、高、严重）的测试准确率均为100%，混淆矩阵显示精确率、召回率和F1分数均为100%。通过早停策略和网格搜索交叉验证确保泛化性能，训练损失和验证损失均降至低值且无过拟合。在360 RPM和1320 RPM条件下，相同的ANN模型（无需修改输入参数和网络结构）同样在测试集上达到100%准确率，表明该方法在不同运行条件下具有鲁棒性。
**总结讨论与结论**
研究人员指出，输入参数基于转子动力学原理从轴承共振响应中提取，确保了物理意义；原始振动信号包含转子及其他部件响应，通过包络分析提取故障信息可提供清晰轴承健康状态。包络谱中FCFs及其谐波的存在确认故障，其幅值对应物理缺陷。ANN模型有效捕捉了包络谱参数与故障严重性之间的非线性关系。基于物理缺陷面积的分类标准为维护建议提供了依据。该方法在多种数据集上获得高精度，证实了可靠性和鲁棒性。结论部分翻译如下：如果任何滚动轴承检测到故障，与未知缺陷严重性的RUL估计相比，轴承故障严重性信息是触发维护活动的关键信息。因此，本研究提出了一种基于振动输入参数（仅从轴承共振响应中提取，遵循转子动力学原理以确保物理意义）的滚动轴承故障严重性估计方法。通过轴承共振频带识别和包络分析提取故障相关信息，包络谱中故障特征频率及其谐波的加速度幅值作为关键参数。利用多个不同严重性的滚动轴承缺陷实验数据，基于物理缺陷面积制定了分类标准并附维护建议。观察到振动幅值与缺陷尺寸呈非线性变化，而所提模型有效捕捉了这种关系，在多个实验数据集上获得高精度，证实了该方法在不同运行条件下的可靠性。该简单ML模型通过使用基于转子动力学的适当振动参数，实现了精确的故障严重性评估，同时解决了轴承故障检测和严重性估计，为优化更换调度和支持维护决策提供了预测性维护工具。未来计划在不同旋转试验台和不同轴承上开展进一步研究，以增强方法可靠性。
