【滚动轴承故障诊断研究现状的文献综述2200字】

滚动轴承故障诊断研究现状的文献综述1.1滚动轴承振动信号监测系统发展现状目前，国内外研发和生产的振动信号监测设备主要可分为在线式和便携式两种类型[6]。在线式振动信号监测系统，主要由PC机、无线传输节点、传感器组成，可以对复杂工况实现远距离实时监测，通过传感器将振动信号转换为电信号，经过模数转换、信号调理及滤波处理后将数据实时传输至PC机，最后利用PC机对数据进行保存并进行设备的状态监测和故障诊断。这种方式具有采集精度高、稳定性强、传输速率快等优点。丹麦B&K公司研发的LAN-XI数据采集硬件，如图1.1所示，可捕捉多达12个通道的声音和振动时域数据，模块化的设计支持单模块数据采集和多模块组合测量系统，可互换面板支持与各种传感器结合使用[7]；美国国家仪器公司（NI）在80年代推出虚拟仪器的理念，以PC机为核心，将软件与仪器技术相结合[8]，相比于传统数据采集器具有更强的灵活性和适应性。便携式振动信号监测系统，通过传感器将振动信号转换为电信号，与在线式监测系统的不同点在于：便携式监测设备直接进行数据的处理和分析，监测结果显示在设备显示屏上，具备方便快捷、监测直观等优点。但数据运算能力有限，且对于故障诊断算法的通用性不强。瑞典SPM公司推出的MiniV800手持式数据采集振动分析仪，可用于滚动轴承故障测试，如图1.2所示；北京时代科技有限公司研发的TIME系列测振仪，可用于电机、风机、泵、机床等设备的振动测量。图1.1LAN-XI3053型数据采集硬件图1.2MiniV800手持式数据采集振动分析仪1.2滚动轴承故障诊断算法研究现状故障诊断算法主要包含两个阶段，分别是信号的特征提取和故障分类。对于特征提取算法而言，普遍被广泛应用于振动分析、时间序列分析和生物医学信号处理等领域中。常见的特征提取手段为时域特征提取、频域特征提取和时频域特征表示[9]。时域中的统计学特征包括均值、有效值、方差、峰值、峰峰值、波形因子、峭度因子、脉冲因子[10]和裕度因子[11]等，用于预测损伤的发生和评估损伤程度。频域特征提取首先必须通过快速傅里叶变换（FFT）将时域振动信号转换成频域信号，FFT测量由于滚动体之间接触而产生的特定故障的重复脉冲周期的主导频率，因此，故障的类别都能用FFT高效检测出来。但是对于时间相关的非平稳信号，这一方法并不起效。其他频域特征如重心频率（FC）、均方根频率（RMSF）和频率标准差（RVF），在文献[12]中进行了研究。FC可以定义为傅里叶谱的一阶矩，RVF为二阶矩，三阶矩为谱偏态系数（SS），四阶矩为谱峰态系数（SK）[13]。在此基础上进行频谱分析、功率谱分析、倒谱分析、细化谱分析和包络谱分析等。与时域特征提取相比，频域特征提取能够较好的捕捉故障早期的特征且可靠性更高。但是滚动轴承的振动信号具有非平稳性、非线性的特点，针对这一特点，时频域特征更适合表征故障信息。时频域分析方法中，短时傅里叶变换（STFT）[14]，小波及小波包分析[15]，经验模态分解[16]和同步压缩变换[17]普遍被应用于非平稳或瞬态信号中，这些方法实现了一维时域信号到二维时频函数的映射，Feng等人发表了一篇综述关于机器故障诊断领域的时频分析方法[18]；Caesarendra等人发表了一篇综述关于振动信号状态监测的特征提取方法及其在低速重载轴承中的应用[19]；Peng等人发表了一篇综述关于小波变换在机器状态监测和故障诊断领域的应用[20]；雷亚国等人发表了一篇综述关于经验模态分解在旋转机器故障诊断领域的应用[21]。在通过故障特征提取算法得到故障特征后，将其作为故障分类算法的输入向量，形成特征提取和分类器结合的故障诊断流程，如图1.3所示。常见的故障分类算法通常为支持向量机[22]、k-近邻算法[23]、贝叶斯分类器[24]、BP神经网络[25]等机器学习方法。图1.3轴承故障诊断流程图国外学者Pandya等利用小波包分析法对能量特征进行提取，通过支持向量机、神经网络及多项式逻辑回归方法有效判断轴承故障类型[26]；Islam等利用小波包变换对声发射信号进行特征提取，通过深度卷积神经网络分类判断每个故障类型[27]；德国亚琛工业大学的Christelle等提出使用电流信号诊断轴承故障，建立标准差、波峰因子等六个时域特征作为特征矩阵，利用贝叶斯分类器进行故障分类[28]；比利时根特大学Janssen等人首次通过端到端的一维卷积神经网络对齿轮箱中轴承、齿轮等关键零部件进行故障诊断，比经典的特征提取结合随机森林分类算法精确度提高了6%[29]。国内学者也将卷积神经网络等人工智能方法应用到故障诊断领域。东南大学的贾民平等人提出了一种一维大卷积核卷积神经网络故障分类算法（1DLCNN）并利用遗传算法优化超参数，能够实现99.9%的故障诊断精确度[30]；苏州大学沈长青等人利用卷积神经网络提取振动信号特征，结合支持向量机的分类能力进行轴承故障诊断[31]；重庆大学丁晓喜等人将二维的小波包能量图作为CNN输入判断故障类型[32]；哈尔滨工业大学的张伟等人直接将轴承原始振动信号作为输入，利用一维卷积神经网络自适应学习特征和分类能力，实现“端到端”故障诊断，减少了人为特征提取的误差[33]；上海交通大学的陶建峰等人提出了一种基于长短时记忆（LSTM）和1DCNN相结合的空化故障诊断方法，能够准确识别高速轴向柱塞泵的空化等级[34]。参考文献[1]/cae/html/files/2015-10/29/20151029105822561730637.pdf.[2]MoZ,WangJ,ZhangH,etal.VibrationandAcousticsEmissionBasedMethodsinLow-SpeedBearingConditionMonitoring[C]:871-875.[3]JardineAKS,LinD,BanjevicD.Areviewonmachinerydiagnosticsandprognosticsimplementingcondition-basedmaintenance[J].Mechanicalsystemsandsignalprocessing,2006,20(7):1483-1510.[4]JingL,YiminS,C.LT.Vibrationanalysisofballbearingswithalocalizeddefectapplyingpiecewiseresponsefunction[J].MechanismandMachineTheory,2012,56.[5]TangG,WangX,HeY.Diagnosisofcompoundfaultsofrollingbearingsthroughadaptivemaximumcorrelatedkurtosisdeconvolution[J].JournalofMechanicalScienceandTechnology,2016,30(1).[6]郭刚.手持式低频振动信号采集系统与技术的研究[D].东北大学,2009.[7]JacobsenN-J.LAN-XI–TheNextGenerationofDataAcquisitionSystems[J].StructuralDynamics,Volume3,2011:821-829.[8]于永芳.基于LabVIEW的声音信号的采集与分析系统[D].青岛大学,2018.[9]钟秉林，黄仁主编.机械故障诊断学[M].1997:189.[10]YuJ.BearingperformancedegradationassessmentusinglocalitypreservingprojectionsandGaussianmixturemodels[J].MECHANICALSYSTEMSANDSIGNALPROCESSING,2011,Vol.25(No.7):2573-2588.[11]XiaZ,XiaS,WanL.SpectralRegressionBasedFaultFeatureExtractionforBearingAccelerometerSensorSignals[J].SENSORS,2012,Vol.12(No.10):13694-13719.[12]O-SukY,AchmadW.IntroductionofIntelligentMachineFaultDiagnosisandPrognosis[M].2010.[13]ReddyNP.BiomedicalSignalAnalysis:ACase-StudyApproach:RangarajaM.RangayyanISBN:0-471-20811-6,IEEE,Piscataway,NewJersey,andWileyInterscience,NewYork,2002,516pp[J].AnnalsofBiomedicalEngineering,2002,Vol.30(No.7):983.[14]OwensFJ,MurphyMS.Ashort-timeFouriertransform[J].SignalProcessing,1988,Vol.14(NO.1):3-10.[15]Shuilong

he,Yikun

liu,Jinglong

chen,etal.WaveletTransformBasedonInnerProductforFaultDiagnosisofRotatingMachinery[J].StructuralHealthMonitoring,2017,Vol.26:65-91.[16]LiY,XuM,LiangX,etal.ApplicationofBandwidthEMDandAdaptiveMultiscaleMorphologyAnalysisforIncipientFaultDiagnosisofRollingBearings[J].IEEETransactionsonIndustrialElectronics,2017,Vol.64(No.8):6506-6517.[17]DaubechiesI,LuJ,WuH-T.Synchrosqueezedwavelettransforms:Anempiricalmodedecomposition-liketool[J].AppliedandComputationalHarmonicAnalysis,2011,Vol.3