轴承智能故障诊断技术发展

文韬

摘 要：滚动轴承作为旋转机械设备的主要零部件，其运行状态对旋转机械设备的健康状况有着重要影响，为避免设备发生致命故障，防止生产损失和人员伤亡，有必要对滚动轴承的运行状态进行诊断分析。长期以来，故障诊断技术重点在于处理噪声信号，通过时频域变换来挖掘人工特征，然而前述过程变得愈发复杂和繁琐，与实现智能诊断的目的背道而驰。随着人工智能技术的发展，大数据时代给故障诊断带来新的发展机会，深度学习通过强大的特征自提取能力极大地简化特征提取过程，而迁移学习更使变工况下故障诊断达到极好地效果。本文阐述传统故障诊断方法，讨论人工智能时代轴承智能诊断技术的发展方向。

关键词：滚动轴承;深度学习;迁移学习;故障诊断

1 前言

軸承作为现代机电装备中的重要零部件之一，其在制造业下各个领域都得到广泛应用，比如工程机械，军事装备，矿产采集等，其工作状态对设备的精度、效率、维护成本等有很大影响。因而，为延长轴承的工作寿命，降低经济成本并避免安全事故的发生，对轴承进行及时的故障诊断就很有必要。《中国制造2025》中指出，要增强信息化技术对制造业的赋能，而随着互联网技术的普及，当前各种数据呈井喷式爆发。制造业进入大数据时代，通过数据驱动的人工智能算法与轴承故障诊断技术结合具有广阔前景。

一个普通的滚动轴承一般可以分为：内圈、外圈、滚动体和保持架四部分（图1），因而，轴承的故障类型也可分为这对应的内圈故障，外圈故障，滚动体故障和保持架故障四种。

2 传统轴承故障诊断方法

故障诊断常使用振动信号和声发射信号作为数据来源，在这两种方法中，振动信号因其对机械旋转的敏感性和测量方法的简洁性而得到广泛应用。当轴承发生故障时，其振动信号在时域和频域会有表现，不同类型的故障会体现多种特征。此前，学者们常利用时域的振动数据，计算多个统计参数，如峰度、均方根、平均值等进行计算提取故障特征。该模式往往需要学者针对具体问题，设计特定的特征提取模型，但对变工况，多种故障耦合的振动数据，人工特征难以获得良好的诊断效果。

3 智能故障诊断技术

随着物联网、5G技术的发展，海量数据为深度学习的发展注入巨大的能量，深度学习这种依靠数据驱动的算法正如朝阳一般，给故障诊断技术带来黎明。

3.1 基于深度学习的故障诊断

与传统机器学习相比，深度学习具有更深的网络架构，在图2中，隐藏层往往具有几十上百层。现在，卷积神经网络，残差网络，长短期记忆网络等等流行的网络架构，能提取出轴承的深层故障特征，与传统故障诊断算法的浅层特征相比，深层特征具有更好的泛化性，模型鲁棒性更强。并且深度学习可以自动化地提取更具表现力地特征，以及满足实际应用中端到端的需求，将特征提取过程变得简洁高效，目前已在机械故障诊断领域得到了广泛的应用。例如，潘继财[1]提出基于GAN的深度学习故障诊断方法，把判别器的训练结果输入数据，并提取出轴承的故障数据集中的特征。

3.2 基于迁移学习故障诊断

随着制造业步入新兴的大数据和智能新时代，从状态检测系统收集的数据量急剧增加，且工况较多。因此，研究如何有效利用这些不同工况下的数据对轴承状态进行诊断分析具有重要意义。

迁移学习顾名思义就是就是把在源域上训练好的模型参数迁移到目标域上数据新来帮助新模型训练。而源域和目标域上的数据分布其实多数是截然不同的，如图3所示，迁移学习中的域适应通过把源域和目标域数据映射到同一个向量空间，拉近各自分布的距离，这样，在源域上训练的模型就能更好的应用在目标域上。兰雨涛[]提出一种基于迁移成分分析的域自适应轴承智能故障诊断方法，让源域和目标域样本在特征子空间上的差异最小化，。由此显著地缩小了域分布间的距离，实现了从源域到目标域的跨域特征信息迁移。

4. 总结

本文探讨滚动轴承智能诊断技术的现状，指出传统方法的弊端和局限性，重点讨论人工智能时代智能故障诊断的发展趋势。

参考文献：

[1]潘继财，大数据样本与半监督环境下基于生成对抗网络的故障诊断，机械与电子. 2021，39（05），20-25

[2]兰雨涛，胡超凡，金京，王衍学， 基于迁移成分分析的跨域轴承故障分类方法研究， 机电工程. 2021，38（05）， 521-527