一种基于声发射的用于轴承损伤状态跟踪的新型粘性贝叶斯非参数方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A novel sticky Bayesian nonparametric approach for bearing damage state tracking using acoustic emission

　　•提出了一种参数化方法来表征轴承声发射信号的形态特征。•提出了一种具有内置粘性机制的层次化狄利克雷过程隐马尔可夫模型。•通过将特征向量与模型相结合，构建了一个智能诊断框架。•实验结果表明，该方法在损伤状态识别和演化跟踪方面具有出色的性能。

引言
作为旋转机械中重要的承重部件，轴承在风力发电机齿轮箱和高速列车牵引单元等系统中起着支撑轴组件和传递力的关键作用[1]、[2]。它们的健康状况直接影响整个系统的可靠性和运行安全性。在运行状态波动、负荷较大以及转速快速变化的极端环境下，轴承容易发生疲劳、磨损和局部缺陷，这些缺陷最终可能导致系统级故障。因此，开发及时、精确且智能的轴承健康监测技术对于保护设备和提高运行性能具有重要的工程价值。在过去的十年中，关于轴承状态评估的研究在工业界和学术界都受到了广泛关注，已成为智能维护和诊断研究中的一个重要课题[3]、[4]。

声发射技术由于对初期缺陷具有很强的响应能力以及宽频带特性，在轴承状态评估和故障诊断方面具有明显优势，这些特点已在工程应用中得到了充分验证[5]、[6]、[7]。早期的研究主要采用时域参数分析。Choudhury等人[8]基于振铃计数和峰值幅度分布建立了损伤指标，显示出检测早期微小缺陷的高灵敏度。Caesarendra等人[9]引入了李雅普诺夫指数等非线性动态描述符，提高了对低速轴承退化的早期预警能力。He等人[10]全面研究了各种声发射参数与轴承状态之间的关系，并提出了一种利用短时均方根和自相关度量进行特征提取的方法。C. A. Lindley[11]提出了一种基于狄利克雷过程的非参数贝叶斯技术，用于统计碰撞声发射事件，增强了声发射事件聚类和分割的稳定性，并通过实际工程数据验证了其有效性。Saad Al Dossary[12]建立了外圈损伤程度与声发射瞬态脉冲持续时间之间的定量关系，为评估损伤严重程度提供了依据。

随着频域分析成为现代信号处理领域的主流方向，其在声发射分析中的应用有效克服了时域方法的局限性，提高了故障识别的精度，并推动了声发射技术的进一步发展。然而，由于传统的频域技术在处理高噪声环境下的轴承故障识别时存在明显困难，人们开始引入新的信号处理策略[13]、[14]。Eftekharnejad等人[15]率先使用谱峰峰度来诊断声发射数据中的轴承缺陷。Elasha[16]对比了自适应滤波、谱峰峰度和包络分析在齿轮箱轴承监测中的诊断性能。Liang[17]提出了一种故障特征增强方法，将最大相关峰度反卷积与带通滤波相结合，使得能够在高噪声环境下在线检测飞机发动机轴承的早期结构劣化现象。Van Hecke等人[18]采用异频下变换和同步重采样技术，抑制了速度变化和滑动的影响，从而能够从单个平均谱图中识别故障类型。F. Hemmati[19]设计了一种优化框架，将小波包变换与包络解调相结合，实现了对多种缺陷类型的定量识别。M.Kang[20]通过时变多分辨率包络分析提升了低速轴承复合缺陷的分类性能。

轴承故障诊断也可视为一种专注于识别不同轴承健康状态的模式识别任务。作为一种强大的模式识别工具，人工智能方法因其适应性强和诊断能力出色而备受关注[21]、[22]、[23]。Wickramarachchi等人[24]、[25]提出了一种基于狄利克雷过程混合模型的无监督聚类方法，用于在线检测刀具磨损状态。该方法的优点在于无需预先指定聚类数量、训练数据或标记样本，即可自适应地识别刀具损伤状态。此外，该方法还能利用全局和局部狄利克雷过程混合模型，有效区分由刀具磨损引起的特征变化与工件更换等操作变化带来的特征变化。实验表明，所提出的方法可将刀具测量时间缩短42%。Kim[26]将卷积神经网络与梯度加权类激活映射相结合，提高了诊断输出的可解释性，同时保持了较高的准确性。K?nig[27]采用了声发射与卷积神经网络相结合的方法，对三种轴承故障类型进行了多类别分类，实验结果显示其在检测和分类方面都具有很高的准确率和灵敏度。Umar[28]提出了一种经过遗传算法优化的混合深度学习框架，其分类准确率达到了99.6%，远远超过了传统技术。Jiang[29]针对低速重载轴承在样本稀缺和噪声污染条件下的特征提取问题，设计了一种改进的深度残差网络——PRSN，验证研究表明，与传统方法相比，该网络在清洁和噪声环境下的故障识别准确率都有显著提升。

现有研究显示，基于轴承声发射的监测技术已经取得了显著进展。然而，仍存在一些限制。时域方法虽然计算效率高，但高度依赖人工经验，可能会忽略信号中的重要结构特征[30]。频域方法虽然能够揭示频率内容与故障机制之间的关联，但却依赖于信号平稳性的假设，在强噪声和非平稳条件下往往效果不佳[31]。人工智能方法虽然具备强大的端到端分类能力，但可解释性较差，且通常需要大量的标记数据[32]。这些方法都是通过对原始波形进行变换或分解来间接提取特征，这可能会导致信息丢失或掩盖其背后的物理意义。文献综述表明，尽管已经取得了显著成果，但仍需进一步研究，以建立一套全面的理论框架，全面阐述声发射信号生成机制与幅度分布特征形态之间的关系。

声发射信号是轴承缺陷产生的动态响应的最直接载体，其幅度分布特征包含了识别损伤状态和跟踪其演化过程的重要信息。由损伤引起的声发射信号在时域中表现为具有明显聚类行为的突发型序列。它们持续的瞬态脉冲响应以及重尾幅值分布为直接从原始信号中提取稳定且易于理解的与损伤相关的特征提供了理论基础[33]。现有技术难以捕捉嵌入在幅度分布特征中的深层状态信息，也缺乏能够同时建模时间演化和特征轨迹行为的统一推理框架。为克服这些限制，本研究超越了传统的变换方法，首先基于广义极值分布开发了一种声发射信号幅度分布特征的参数化表示方法，然后采用多区域损失加权策略进行形态优化，以提高拟合精度，进而提取出能够反映损伤脉冲的重尾特性、能量强度和幅度变化程度的形状-尺度-位置特征向量。其次，开发了一种具有粘性机制的层次化狄利克雷过程隐马尔可夫模型，通过提高状态自转换的先验概率，该模型能够实现损伤状态的无人监督发现，并为动态演化跟踪提供稳定的推理支持。最后，通过深入整合这些特征和概率模型，构建了一个完整的轴承损伤智能诊断框架。实验结果证实，该方法在高噪声和变速条件下，仍能在损伤状态识别和演化跟踪方面表现出色。本研究的主要贡献如下：(1) 基于广义极值分布并结合多区域损失加权优化策略，开发了一种声发射信号幅度分布特征的参数化表示方法，实现了形状-尺度-位置特征向量的提取。(2) 构建了一种具有粘性机制并支持状态持续性建模的S-HDP-HMM模型，并对其全局参数进行了贝叶斯后验推断。(3) 通过将形状-尺度-位置特征提取与S-HDP-HMM模型相结合，构建了一个用于轴承损伤诊断的智能诊断框架。其余内容如下：第2节介绍了基于广义极值分布的声发射信号幅度分布特征表征理论，并提出了提取形状-尺度-位置特征向量的优化方法。第3节阐述了S-HDP-HMM模型及其贝叶斯推理过程，形成了一个用于识别损伤状态并跟踪其动态演化的完整工作流程。第4节利用标准轴承试验台和高速列车滚动振动平台上的实测数据，对所提方法的有效性、稳健性和工程适用性进行了全面验证。第5节总结了主要研究成果并得出结论。

基于广义极值分布的损伤特征提取
本节旨在分析受损轴承的声发射信号特征。鉴于幅度分布特征与瞬态冲击信号的广义极值分布特征之间存在密切关联，本研究构建了由广义极值分布的形状、尺度和位置参数组成的形状-尺度-位置特征向量，以实现幅度分布特征的参数化表示。

基于S-HDP-SSLHMM的轴承损伤识别与演化跟踪
本节重点在于开发一种基于形状-尺度-位置特征向量的动态贝叶斯推理框架，以实现轴承损伤状态识别与演化跟踪的联合建模。为克服传统静态识别方法在捕捉损伤发展过程的时间动态特性方面的不足[43]，本研究采用了具有状态持续性建模功能的S-HDP-HMM作为主要建模方法。后续章节将详细阐述相关理论。

实验研究与讨论
本节重点是通过实验验证所提方法的性能。实验在标准轴承试验台和高速列车全尺寸滚动试验台上进行，收集了处于不同损伤状态下的轴承的声发射信号。根据所建立的理论框架，从这些信号中提取的形状-尺度-位置特征序列被用作S-HDP-SSLHMM模型的输入，从而实现损伤状态的无人监督发现和动态跟踪。

结论
为克服现有基于声发射的轴承诊断方法在捕捉幅度分布特征中的深层信息方面的局限性，以及缺乏用于时间模式和特征轨迹分析的统一推理框架的问题，本研究提出了一种将幅度分布特征与损伤状态持续性建模相结合的智能诊断方法。该框架提供了一种从幅度分布特征分析到损伤状态动态跟踪的完整解决方案。主要研究结论如下：

(1)