【《基于信号处理的滚动轴承故障诊断分析的国内外文献综述》5300字】

致谢31致谢32基于信号处理的滚动轴承故障诊断研究的国内外文献综述目录TOC\o"1-3"\h\u6389基于信号处理的滚动轴承故障诊断研究的国内外文献综述 1162911.1滚动轴承故障诊断的研究现状 14251.2递归分析技术研究现状 416214参考文献 41.1滚动轴承故障诊断的研究现状 滚动轴承的故障诊断的起源最早可以追溯到上世纪30年代，早期由于传感检测技术的落后，机械设备的故障诊断主要依靠专业人员的经验，通过轴承运转的声音、振动的以人的主观感受去推断可能出现的故障。二十世纪六十年代，在美国宇航局（NASA）的提议下美国建立了专门的机械故障预防小组，率先开始针对故障诊断的研究[13]，自此之后，欧洲等其他国家也开始对故障诊断技术进行了深入研究，随着科学技术的不断进步以及计算机技术、传感检测技术的不断革新，故障诊断技术呈现出多样化，如今，故障诊断逐渐发展成为了一个汇集多领域的交叉学科。通过近年来的文献分析，针对滚动轴承故障诊断方法主要可以归纳为三类：基于信号处理与分析的故障诊断方法，基于模型的故障诊断方法，基于数据驱动的故障诊断方法，以下将逐个详细介绍其基本特点以及研究现状。1.1.1基于信号处理与分析的故障诊断方法基于信号处理的故障诊断方法通过对振动信号进行分解、带通滤波、降噪并结合时域分析、频域分析以及时频域分析等信号分析手段实现对滚动轴承振动信号的特征提取和故障判别。蔡艳平等[14]把经验模态分解(EMD)与谱峭度相结合，将信号分解为若干本征模函数(IntrinsicModeFunction，IMF)并利用谱峭度的滤波作用对故障分量进行筛选，通过包络分析成功提取到了轴承内圈故障频率；颜丙生[15]则利用经验小波变换(EWT)通过阶次分析实现了非平稳工况下的轴承故障检测；王晓龙等[16]通过变分模态分解(VMD)筛选出的故障分量并进行1.5维谱分析，该方法有效提取到了滚动轴承早期故障的微弱特征；RezaGolafshan[17]将振动信号构建hakel矩阵，并对其进行奇异值分解(SVD)，通过分组重构对原始信号降噪，该方法极大减弱了背景噪音的影响，在包络解调谱中成功提取到了故障的特征频率；A.SanthanaRaj[18]则是将未经抽取的小波变换(UDWT)与经验模态分解相结合，在降噪后的故障分量频谱中成功观察到了故障频率，结果表明采用二者相结合的方法要优于直接对信号进行频谱分析；LotfiSaidi[19]提出了一种基于谱峭度的平方包络谱分析方法，通过短时傅里叶变换(STFT)确定滤波频带和中心频率，有效的实现了故障类型的诊断。基于信号处理于分析的方法可以归结为通过适当手段对信号进行测量与分析以提取到故障特征，并通过先验知识结合谱分析的方法实现故障判别。1.1.2基于模型的故障诊断方法 基于模型的故障诊断方法则是从被研究对象出发，构建出该对象的动力学模型，并利用模型的输出与实际系统测量值的一致性程度来实现故障的检测，该方法需要非常深入的了解被诊断对象的内部机理，需要充分考虑各种参数影响，研究人员需要有较强的数学基础。李昊泽等人[20]建立出了一种圆柱滚子轴承外圈局部故障的动力学模型，该模型可以很好的指导时变激励下滚子轴承的状态评估。龙建[21]等对轴承单点损伤复合故障进行了动力学模型，该模型具有较好的动力学反应特性；L.Bizarre[22]等充分考虑了角接触球轴承元件间的弹性流体动力(EHD)润滑的影响，将EHD非线性降阶模型应用于5自由度角接触球轴承的完整模型中，该模型可以实现油润滑下的角接触球轴承的故障诊断和分析；YaminLi[23]等提出了一种滚道缺陷下的轴承模型并将其集成至主轴有限元模型中，模拟了不同缺陷下主轴系统的振动响应并对其分析，利用此模型可以对主轴的状态检测与故障诊断提供有力依据。GideonKogan等[24]基于经典动力学和运动学方程利用非线性弹簧与阻尼器模拟了轴承元件之间的相互作用，建立了三维滚动轴承的动力学模型，该模型可以模拟各种机械故障。建立有效的、符合现实情况的滚动轴承故障动力学模型是基于模型的故障诊断方法的难点所在，不难看出，基于模型方法虽然能较精确的做出诊断。但是，该方法不具有普适性，对于不同类型、参数、运行润滑条件、损伤部位以及损伤状态下建立不同的模型有很大的差别。机电大数据时代的到来使得基于模型的故障诊断方法正在渐渐被其他高效，泛化性好的故障诊断方法所取代，然而基于模型的方法对我们了解轴承系统的动力学特性以及故障机理仍然有着重大意义。1.1.3基于数据驱动的故障诊断方法 随着信息技术与传感检测技术的飞速发展，基于数据驱动的轴承故障诊断方法逐渐成为主流。数据驱动方法与基于模型的故障诊断方法相比，其最大的优势就是不需要对诊断对象建立准确的动力学模型，而是以数据作为故障推理的指导，辅以信号处理提取到的特征亦或是自动进行特征提取，自动实现故障诊断。基于数据驱动的方法与当前工业现代化、智能化的发展趋势相一致，因此广大学者对此进行了深入研究。 本文将基于数据驱动的故障诊断方法再细分为基于传统机器学习故障诊断方法以及其由其衍生而出的基于深度学习的故障诊断方法两类。 （1）基于传统机器学习故障诊断方法在滚动轴承故障诊断方面，基于传统机器学习方法的故障诊断方法普遍是信号处理技术与机器学习的有机结合，通过对滚动轴承的振动信号进行一定的信号处理，以提取表征故障信息的特征，借助传统机器学习算法，通过有监督或者无监督的对这些特征向量实现分类以达到故障诊断的目的。在这里，机器学习普遍扮演的是“特征分类器”的角色。ArjunKumarShah等[25]将振动信号EMD分解，将得到分量的时域和频域特征输入至人工神经网络(ANN)中实现了故障的分类；JalelKhelil[26]使用粒子群优化算法(PSO)对离散小波变换的关联滤波器进行优化，在不同机器学习分类器下均有着令人满意的故障判别准确率；AidaKabla[27]对振动信号进行了EMD分解，对含有主要故障信息的IMF分量利用AR模型建模，将AR模型参数作为故障特征向量并利用支持向量机实现了故障的分类。周建民[28]等对轴承振动信号的集成经验模模态分解(EEMD)能量熵以及时域特征进行提取并筛选，通过遗传算法(GA)优化的SVM实现了故障的精准判别。章雅楠等[29]对Elman网络进行优化改进，对故障信号进行希尔伯特-黄变换(HHT)，将其包络谱作为特征向量输入以实现故障诊断，结果表明该方法的诊断的精度与效率与未改进前相比有较大提升。在基于传统机器学习的故障诊断方法里，特征提取的好坏以及机器学习模型的性能与故障诊断结果关系紧密，因此该方法的关键在于怎样选取最能体现轴承故障的特征，以及如何获取最佳性能的机器学习模型，在此基础上把二者相结合以实现故障的准确诊断，这两点也是该方法的重点和难点。（2）基于深度学习的故障诊断方法 深度学习是机器学习的重要分支。相比大多机器学习模型的浅层结构，深度学习模型普遍具有较深的网络结构，较深的网络结构赋予了深度学习网络强大的表示学习能力[30]，使得深度学习模型不依赖于特征工程。但是，于此同时也带来了巨大的计算开销。早期受限于计算机的算力，深度学习技术并没有引起广大学者的重视。随着计算机科学的发展，GPU的计算性能相比几十年前有了跨越性的提升，得益于此，深度学习技术得到了广大学者的广泛关注并在近十年得到了飞速发展。鉴于深度学习的诸多优点，近年来有学者将深度学习技术引入到了轴承故障领域。SaufiSR[31]将Teager能量算子与稀疏自编码器相结合提出了一种TKEO-DSAE的故障诊断模型，并对DSAE的网络参数进行优化，优化后的模型在测试中达到了99.5%的诊断准确率。ChoudharyAnurag[32]等对滚动轴承5种故障状态下的热力图像借助卷积神经网络对图像特征自适应的特征提取能力，实现了自动识别分类；张伟[33]针对一维振动信号的特点，设计出了一种端到端的WDCNN模型，该模型实现了复杂工况下故障的精准诊断；史光宇[34]将轴承振动的一维振动信号顺序采样并重构成二维灰度图作为卷积神经网络的输入，有监督的对轴承进行智能故障诊断；YuL[35]通过堆叠的长短期记忆网络(LSTM)可以自动分层提取原始时间信号中固有的特征，对滚动轴承诊断并取得了不错效果。邓佳林[36]则将CNN模型改进，提出了SECNN模型，通过自适应调整模型提取的特征通道维权重，提升了故障诊断的准确率。不同深度学习模型适用于不同的实际任务，在轴承故障领域，卷积神经网络由于其优秀的特征自适应提取能力得到了广泛的使用，因此本文也将结合递归分析技术，利用卷积神经网络实现轴承故障诊断。1.2递归分析技术研究现状现实中很多信号都表现为非线性与非平稳性，如脑电信号、肌电信号、轴承振动信号等，然而传统的时频分析方法如傅里叶变换，小波变换等对信号进行分析都基于一些假设，忽视了信号蕴藏的系统的非线性与非平稳性。因此，近年来，越来越多的学者开始关注非线性、非平稳信号的分析方法，递归分析是非线性时间序列分析的一个重要方法，主要包括递归图法（Recurrenceplot，RP）以及递归量化分析（Recurrencequantificationanalysis，RQA），尤其适用于非线性和非平稳时间序列的分析[37]。1980年亨利∙庞加莱（HenriPoincaré）在对天体运动研究中发现了某些动力学系统具有递归特性，提出了著名的庞加莱递归定理[38]。人们在此后研究中发现递归现象普遍的存在于自然界中，然而由于当时缺乏完备的理论与工具对高维相空间进行分析，致使递归分析的研究发展受限。为了描述高维相空间中的系统动力学特性，Eckmann与Kamphorst等学者于1987年提出递归图法，它提供了一种高维相空间的二维可视化方法，递归图以图像的方式直观的显示了系统的动力学特性，使得人们可以根据递归图中黑白递归点表现出的图像特征定性的判断系统状态[39]。然而，针对递归图的定性分析依赖人的经验，为了量化递归图中系统表现出的动力学特性，Zbilut与Webber提出了递归量化分析理论[40]，对递归图中的各类结构特征如对角线、递归点数、水平竖直线等进行统计计算，以数值形式反映了系统动力学特性。在此后的几十年里，随着Marwan等学者不断的推广完善，递归量化分析不断被完善。递归分析技术如今以被广泛应用于不同的学科与领域，Marwan等[41]利用递归图实现了对心律不齐的检测；Acharya[42]等针对脑电信号（ECG）提出了一种基于RQA的癫痫预测方法；Zhou和Zhang[43]将轴承振动信号构的RQA特征向量应用于T2控制图，实现了滚动轴承的状态监测；冯玮等[44]对超声信号递归分析实现了对金属构件的微裂纹缺陷检测。张兵[45]等基于递归图对隔板式内循环流化床系统的循环状态进行分析，并实现了不同循环状态的判别。张二华等[46]利用递归图理论实现了桥梁信号的非平稳检测；Qian[47]由以上可以看出，递归分析技术在滚动轴承故障诊断领域具有巨大潜力，因此本文将递归分析引入轴承故障诊断领域。参考文献YiakopoulosCT，GrylliasKC，AntoniadisIA．RollingelementbearingfaultdetectioninindustrialenvironmentsbasedonaK-meansclusteringapproach[J]．ExpertSystemswithApplications，2011，38(3)：2888～2911.徐世明．基于HMM-SVM的轴承声发射信号故障诊断方法研究[D]．[硕士学位论文]哈尔滨：哈尔滨工业大学，2020.RaiA，UpadhyaySH.Areviewonsignalprocessingtechniquesutilizedinthefaultdiagnosisofrollingelementbearings[J].TribologyInternational，2016：289～306.周济.智能是制造“中国制造2025”主攻方向[J].企业观察家，2019，11：54～55.王江萍．机械设备故障诊断技术及应用[M].北京：石油工业出版社，2017：１谭雯雯．基于神经网络的轴承故障诊断研究及其系统实现[D]．［硕士学位论文］．北京：北京化工大学．Farzin，Piltan，Jong-Myon，etal.BearingFaultDiagnosisbyaRobustHigher-OrderSuper-TwistingSlidingModeObserver.[J].Sensors(Basel,Switzerland),2018.张锐戈．滚动轴承振动信号非平稳、非高斯分析及故障诊断研究[D]．[博士学位论文].西安：西安电子科技大学,2014.BedarthaGoswami.ABriefIntroductiontoNonlinearTimeSeriesAnalysisandRecurrencePlots[J].Vibration2019，2(4)．黄业昌．基于深度学习的轴承故障状态识别方法研究[D].[硕士学位论文]武汉：华中科技大学，2019．雷亚国，贾峰，孔德同，林京，邢赛博．大数据下机械智能故障诊断的机遇与挑战[J].机械工程学报，2018，54(05):94～104．刘亚.数据驱动的滚动轴承故障诊断与健康状态评估[D].[硕士学位论文]山东大学，2019.黄昭毅．国内外设备诊断技术现状[J]．现代制造工程，1988(09)：40～42.蔡艳平，李艾华，石林锁，等.基于EMD与谱峭度的滚动轴承故障检测改进包络谱分析[J].振动与冲击，2011，30(002)：167～172.颜丙生，聂士杰，汤宝平，等．基于阶次分析和EWT的轴承故障诊断研究[J]．组合机床与自动化加工技术，2018，000(007)：51～54．王晓龙，唐贵基．基于变分模态分解和1.5维谱的轴承早期故障诊断方法[J]．电力自动化设备，2016，36(007)：125～130．GolafshanR，SanliturkKY．SVDandHankelmatrixbasedde-noisingapproachforballbearingfaultdetectionanditsassessmentusingartificialfaults[J]．MechanicalSystemsandSignalProcessing，2016．RajAS，MuraliN．MorletWaveletUDWTDenoisingandEMDbasedBearingFaultDiagnosis[J]Electronics，2013，17(1)：1～8．SaidiL，AliJB，BenbouzidM，etal．TheuseofSESKasatrendparameterforlocalizedbearingfaultdiagnosisininductionmachines[J]．IsaTrans，2016：436～447．李昊泽，贺雅，冯坤，江志农，冯飞飞.考虑时变激励的滚动轴承局部故障动力学建模[J/OL]．航空学报：1～12[2021-04-17]．龙建，王志刚，徐增丙．滚动轴承故障动力学建模及振动响应特性分析[J]．轴承，2018，000(012)：49～54.BizarreL，NonatoF，CavalcaKL.Formulationoffivedegreesoffreedomballbearingmodelaccountingforthenonlinearstiffnessanddampingofelastohydrodynamicpointcontacts[J].Mechanism&MachineTheory，2018，124：179～196．LiY，CaoH，ChenX.Modellingandvibrationanalysisofmachinetoolspindlesystemwithbearingdefects[J]．InternationalJournalofMechatronicsandManufacturingSystems，2015，8(1/2)：33～48．Kushnirsky，Alex,Bortman，etal．Towarda3Ddynamicmodelofafaultyduplexballbearing[J]．MechanicalSystems&SignalProcessing，2015．MalikH，YAshish，KumarSA．EMDandANNbasedintelligentmodelforbearingfaultdiagnosis[J]．JournalofIntelligentandFuzzySystems，2018，35：1～12．KhelilJ，KKhelil，RamdaniM，etal.DiscreteWav