沙美妤，刘利国

(1.江南大学 机械工程学院，江苏 无锡 214122；2.江苏省工程机械机械振动与测试重点实验室，江苏 徐州 221000)

轴承由于其自身的优点广泛应用于很多工业系统，但轴承在使用中会产生故障，且具有一定随机性，严重影响机械设备的正常运行，因此深入研究轴承诊断方法和故障机理一直是国内外专家学者所关注的热点问题。

依据测取信号的不同性质，诊断方法可以分为振动法、油样分析法、噪声法、声发射法等。由目前轴承故障诊断技术的发展和应用现状来看，基于振动信号的诊断方法是国内外比较普及且有效的检测方法。虽然已有各种各样的信号分析仪用于轴承故障诊断，但依据振动分析原理研制的诊断仪器和方法一直是国内轴承检测诊断的主流。

1 轴承故障诊断的发展历史

20世纪60年代，美国最早出现了轴承故障诊断技术，随着国内外学者的不断研究和改进，各种诊断方法与技术层出不穷，诊断的智能性和精度也有了很大提高。轴承故障诊断的发展历史大体上可分为3个阶段：

1)人工检测时期。工业发展早期，在没有任何故障检测仪器的情况下，工程技术人员只能借助眼、耳等人体器官识别故障。例如检测人员将听音棒放置在相关零部件上，用耳朵听声判断有无故障。但是该方法很难实时、准确地判断轴承故障。

2)计算机技术时期。随着计算机技术的出现和发展，在20世纪60年代，频谱分析从理论变为现实，利用轴承的特性和快速Fourier变换技术分别计算振动的特征频率并处理振动信号，通过对比判断是否存在轴承故障。随后，共振解调技术出现，大大提高了信噪比，可以凸显出故障信号，从而在故障诊断领域得到广泛应用。同时，冲击脉冲计的出现使得利用所测脉冲的最大幅值检测轴承的早期损伤故障更为有效。

3)趋于完善的轴承故障监测与诊断技术及系统。20世纪90年代后，随着计算机技术的快速发展，以及小波技术和人工智能方面的神经网络技术等的出现和发展，轴承故障诊断逐步由初级化走向智能化，并逐渐成熟。

2 轴承故障诊断内容

目前，轴承运行状态的检测、故障预警和故障追踪3个方面是轴承故障诊断的主要内容。轴承故障诊断系统的完整内容如图1所示。

图1 轴承故障诊断系统图

3 基于振动信号的轴承故障诊断

3.1 轴承振动的产生

固有振动、故障引起的振动及加工安装引起的振动是轴承的3种主要振动类型。其中，故障振动是不应有的振动，当由疲劳、磨损、粘着、腐蚀和破损等引起的故障点存在于轴承组件上时，在轴承工作过程中必然与其他零件产生撞击，从而引发一系列的冲击振动。

3.2 基于振动信号的传统故障诊断技术

基于振动信号的传统轴承故障监测和诊断技术主要使用传感器采集运行过程中轴承的振动信号，对采集的信号进行放大、滤波和转换等处理得到振动的幅值或频率，通过与规定的阈值进行对比判断轴承是否存在故障。时域分析、频域分析、时频域分析是基于振动信号的传统故障诊断技术的3类主要方法。

3.2.1 时域分析

对轴承振动信号的时域分析开展较早，但其所采集的时域信号波形多是十分复杂的振动信号，噪声、加工安装引起的振动等因素对其影响严重，使用时域分析方法判断轴承运行状态是否正常比较困难，难以确定故障的部位、性质等关键信息。常用的时域分析方法有参数法和冲击脉冲法。

1)参数法。振动信号的基本数字特征常被用于对轴承进行故障诊断。均值、峰值、概率密度函数、方差以及峭度系数、波形因子等量纲一化特征参数是常用的基本数字特征，将这些时域参数与正常工作轴承的响应值进行对比分析，可以判断轴承是否存在故障。该方法的优点是简便、快捷，但易受噪声的影响，且需定期对轴承振动总量进行检测记录，只能粗略判断故障，难以确定故障的性质和部位等关键信息。但若综合分析多个特征参数，诊断效果会有所改善[1]。

2)冲击脉冲法(Shock Pulse Method，SPM)。时域分析中，还常采用时间序列进行故障分析和诊断，脉冲是一种时间序列，可以体现冲击力强弱，因此可用于判断轴承故障。此方法的优点是简便易用，专门针对轴承的复合失效诊断，且无需专业人员分析。但无法判断故障的位置和类型，且受背景噪声或其他冲击源影响严重，诊断效果很差，只能说明轴承的总体状态[2]。

3.2.2 频域分析

由于轴承故障的产生和发展均会改变信号的频率结构，因此确定信号的频率结构是频域分析的主要目的。频域分析包括频谱分析、细化谱分析和解调谱分析、倒频谱分析、差频分析等[3-4]。调制性是故障振动信号的特性之一，因此合理解调所测轴承故障振动信号至关重要，尤其在需要准确诊断故障部位的情况下。目前，频域分析法基本满足工程实践的要求，也取得了一定效果，但由于其不提供任何时域信息，存在一定不足。常用的频域分析方法如下。

1)共振解调法(包络检波频谱分析法)。该方法将轴承或检测系统作为谐振体，利用轴承故障会激起谐振的现象，放大故障冲击引起的高频共振响应，通过包络检测方法提取低频成分并进行频谱变换，最后得到包络谱图，在图上找到故障的频率信息，从而得到故障的类型及部位。其特点是：谱线与故障存在对应的关系，两者同时存在或同时消失；故障越大，冲击强度越大，共振解调幅值越大，成正比关系；有较好的抗频率动干扰性[5]。

2)Fourier变换法。Fourier变换将一个波形分解成许多简单的项，并将这些项再组合起来重建原来的波形。比如周期性的信号可以表示成一个直流偏置信号与若干正弦信号和余弦信号之和的形式[6]。Fourier变换可以很好地分析放大器的失真，找出噪声中的微弱信号。但是稳态和线性信号是Fourier变换的基础，而这样的信号在实际检测中不存在，只能是一种假设。

3.2.3 时频域分析

平稳信号和非平稳信号是轴承故障振动信号的2种类型。轴承在实际工作时受各种工作状况的影响，一般产生的是非线性、非平稳振动信号；另外在实际检测过程中，由于传感器安装位置的限制，采集的信号中包含了有用信息和干扰信息，实际检测信号也是非线性、非平稳的随机信号。只有将时域和频域进行二维联合，才能更好地表示该类信号的局部特征。而信号分析中一直存在时域与频域的局部化矛盾。因此，许多专家学者一直在努力研究新的时频分析方法，使信号在时频域上能够同时局部化。目前，常用的时频域分析方法有短时窗口Fourier变换、小波变换、经验模态分解、局部均值分解等。

1)短时窗口Fourier变换(Short-Time Fourier Transform，STFT)。信号加窗后再进行Fourier变换是STFT法的主要思想。窗函数可随着时间t的移动而移动，并可得到感兴趣的位置附近的很小时间上的频谱，从而使时间局域化[7]。因为存在频率分辨率固定、限制时间和频率最高分辨率等问题，STFT法仅适用于缓变信号的分析。

2)小波分析技术。小波分析技术将信号分割为很多层次，分析认为有用的频段，从而获取轴承的故障特征频率。具有适合变化频率的可变窗宽，能更好地“显微”出信号中短时高频现象，特别适合分析短时冲击信号。但是由于其本身缺陷，这种信号处理方法不具自适应性[8-9]。将小波技术和神经网络、奇异值分解、模糊评判和分形盒维数等技术相结合进行轴承故障模式识别的方法[10]，也得到了广泛应用。

3)经验模态分解(Empirical Mode Decomposition，EMD)。EMD是基于信号的局部特征时间尺度的方法[10]。此法将信号分解为若干个固有模态函数(IMF)之和，并对各个IMF分量进行分析，从而准确有效地把握原数据的特征信息。EMD法是一种自适应的完备、正交的信号分解方法，从根本上摆脱了传统变换的局限性，信噪比较高，非常适用于非平稳、非线性信号[11]。但包络、端点效应、模态混淆和欠包络等问题在理论上依然存在，仍需进行深入研究[12-13]。

4)局部均值分解(Local Mean Decomposition，LMD)。LMD是一种自适应时频分析方法，其给出了包络估计和局部均值函数的定义，在不断平滑信号的过程中得到瞬时频率相应的包络信号和纯调频信号，并将这2种信号相乘得到一个为单分量的调幅-调频信号的PF分量。因此，LMD对处理非平稳和非线性信号非常有效，尤其是处理多分量的调幅-调频信号。但是端点效应、迭代终止条件、平滑方法等问题仍然存在，还需要深入研究[14]。

4 近年研究情况和进展

4.1 新兴故障诊断方法

传统的信号分析与处理方法对分析对象进行一些理性化的处理和简化，以求分析与处理简便，并在此基础上形成了相对完整的理论体系和方法。但是，这样的简化和处理方法常忽略信号中的部分特征，甚至是一些非常重要的特征信息。因此，利用传统故障诊断技术进行分析存在一定缺陷，实际诊断结果差强人意，误诊和漏诊现象频繁。在此基础上，很多新兴的故障诊断技术应运而生。

4.1.1 基于非线性理论的几何不变量诊断技术

近年来，在轴承故障诊断中加入了混沌、分岔和分形等非线性理论，并取得了一定进展[15]。原理如下：对振动时间序列信号进行小波消噪，对冲击振动信号的间隔进行时域分析检查，并进行相间重构计算出多个几何不变量，将它们作为特征量输入到神经网络，最后对轴承的故障进行模式识别。在测试过程中，分析仪采集振动信号传到计算机中进行相关数据的分析处理，并利用轴承的振动信号训练网络。试验表明此方法具有较高的故障识别率[16]。

4.1.2 基于循环平稳理论的循环统计量方法

循环平稳信号又称周期平稳信号，是指对于结构对称且具有固定载荷区间的轴承，其非平稳振动信号会表现出一定的周期性。对于此类信号进行分析可以釆用循环统计量方法[17-18]。该方法能够高效地分离有用信号与噪声信号，非常适合早期轴承故障诊断。谱相关密度函数[19]、自相关函数及切片分析等是常用的循环统计量方法，几种方法各有所长，可以根据实际需要选择[20]。

4.1.3 现代智能诊断技术

现代人工智能诊断方法包括支持向量机、神经网络、专家系统、隐马尔可夫模型、模糊数学等。据统计，支持向量机和神经网络法广泛应用在机械系统的故障诊断中[21]。

4.2 我国研究近况和进展

我国在轴承故障诊断技术方面起步较晚，但随着经济水平的不断提高，科学技术的不断发展，以及我国科研人员的不懈努力，轴承故障诊断技术也取得了一定的突破和研究成果。

文献[22]提出以分形网格维数为特征量，利用维数距离函数判别待测信号与原始信号的相似程度，以此诊断轴承故障。

文献[23]提出一种基于多尺度小波域隐马尔可夫模型(WHMM)参数特征的故障诊断方法，弥补了基于小波能量谱和能量谱熵的故障诊断方法要求小波分解系数基本符合高斯分布的不足，可以分析信号多尺度小波分解系数的统计特征，具有很强的稳定性。该法提出可用WHMM描述小波变换域系数在尺度间、尺度内的统计相关性，并从窗口宽度、小波基和分类器3个层面分析了该方法对诊断性能的影响。

文献[24]提出了一种基于幅值倒频谱分析与经验模态分解的轴承故障诊断方法，并通过试验证明了该方法的有效性。

文献[25]提出了一种基于奇异值分解和经验模态分解的模糊C均值(Fuzzy Center Means，FCM)聚类与特征提取的滚动轴承故障诊断方法，其主要针对滚动轴承非平稳振动故障信号。深入研究了SVD，EMD和FCM聚类3种方法的结合问题，并通过试验证明该方法能够准确识别滚动轴承故障状态，且不像神经网络一样需要大量的样本进行学习，因此可用于实时诊断，并缩短诊断时间。同时，该方法具有一定的通用性和可移植性，也可用于诊断其他机械类故障。

文献[26]通过计算对比得到分形盒维数和关联维数的优劣，指出分形盒维数能够更好地分析含噪较重的信号。同时提出滚动轴承正常信号盒维数大于故障振动信号盒维数。

文献[27]提出了基于传统的标准化经验模态分解的改进方法，指出传统经验模态分解方法在实际应用中存在停机准则过于苛刻、没有考虑插值误差的影响等不足，并将改进的方法运用到实际处理轴承振动信号中。

文献[28]在掌握振动轴承工作状态的基础上，改进了包络解调理论分析法中的脉冲冲击模型，建立振动轴承2点点蚀故障振动模型，提出了振动轴承内、外圈点蚀故障的判别依据。

5 我国轴承故障诊断的发展趋势

随着新兴轴承故障诊断技术的不断出现，轴承的故障诊断技术有了很大进步，很多方法已投入实际使用，但还有部分技术仍处于试验阶段，关键问题尚待解决。总体而言，轴承故障理论和应用都不完善，还需要不断改进。轴承故障诊断技术的发展趋势：

1)继续完善参数法、冲击脉冲法、小波分析、共振解调法等传统时域、频域、时频分析技术和理论。

2)在完善上述方法的基础上，不断探讨现代人工智能故障诊断方法和分形理论在轴承故障诊断中的应用。集合多领域专家的智慧，进行跨学科研究，新兴方法将是未来故障诊断很长一段时间的发展方向和研究热点。

3)任何一种故障诊断方法都有自己的不足和缺陷，为了能全面详细地反映轴承故障的特征，将不同故障诊断方法结合使用，以充分利用它们的优点，仍将是研究重点和技术路径之一。