陈志新 张晓鹏 左 苗 杨 萍



基于信号处理的故障诊断研究现状及存在问题

陈志新1张晓鹏2左 苗2杨 萍2

（1. 北京物资学院，北京 101149；2. 中国空间技术研究院，北京 100094）

分析了基于信号处理的故障诊断的国内外研究现状，包括：非平稳非线性多分量信号分析、非高斯噪声和强背景噪声问题、微小渐变故障早期诊断与演化跟踪等三个方面。进而指出在当前该领域中存在的问题，并给出了一些今后值得研究的建议。

故障诊断；经验小波变换；降噪；信号处理

1 引言

设备的某些关键部件，一旦发生故障，会影响整个系统，带来巨大的直接和间接损失。为了确保稳定、长时间地满负荷正常运行，及时获取设备的运转状态，最大化发挥其使用效能并降低工作风险，早期诊断与设备状态演化跟踪就显得尤为重要。王国彪[1]指出微弱早期故障诊断研究意义重大。

故障诊断包含很多研究领域，其中振动信号处理是的一个重要内容。对于分析非平稳多分量信号，小波变换（wavelet transform, WT）、经验模态分解（empirical mode decomposition, EMD）等方法的应用均取得了一定效果[2～4]，但它们存在一定缺陷，例如：WT无法兼顾时间与频率分辨率且缺乏自适应性。EMD存在以下问题：无法通过理论证明本征模态函数（intrinsic mode function, IMF）的正交性；会出现过包络和欠包络从而导致模态混叠或虚假模态；需要进行不可预知的多次迭代计算；分解的结果对噪声很敏感，仿真信号表明噪声的少许改变有可能导致最终IMF的很大不同。而Gilles[5]提出的经验小波变换（empirical wavelet transform, EWT）相对EMD作了较大改进。它对原始信号的傅里叶谱进行自适应地分割，对得到的每个分割区间采用相应的小波滤波器以提取调幅-调频（AM-FM）分量，这些分量就是具备紧支撑傅里叶谱的固有模态。总之，以小波架构为基础的EWT理论充分，不会产生模态混叠及虚假模态，从而受到关注。

一般来说工业现场环境比较复杂，实际所测得的振动信号几乎都是非平稳多分量信号，其有用信号往往淹没于强噪声背景中并混合强脉冲噪声以及带有明显波动趋势。为了提高机械系统在线监测和故障判断的准确性，在强噪声环境下机械设备的弱故障早期诊断技术将是非常困难和非常有意义的探索工作。

2 国内外研究现状分析

2.1 非平稳非线性多分量信号分析

振动分析是非常有效也是目前经常使用的研究手段，对于准确判别变工况条件下故障的状态仍有很多问题需要解决。何正嘉[6]指出：基于小波包的频带能量监测和自回归谱分析以及模糊聚类网络分类；谐波小波、小波分形、广义自适应小波分析；主分量自回归谱模糊识别等可适用于变工况非平稳的大型机械设备在线和离线的监测与诊断。邹今春[7]综述了国内外变工况齿轮箱故障诊断的一些技术。

变工况下设备振动信号通常都带有非线性、非平稳的多分量特征。

Yang Yang[8]指出旋转机械在变工况下往往呈现出多分量频率调制的非平稳信号特征，提出参数化时频技术来分析旋转机械在变转速下的非平稳信号。与EMD采用的多次迭代筛分方法不同，基于小波框架的EWT具有完备的理论基础。国内外学者对EWT进行了深入研究，李志农[9]在机械故障诊断中引入了EWT方法。Jiang Yu[10]提出了EWT-Duffing振子方法以进行滚动轴承复合故障解耦诊断。Chen Jinglong[11]为了提高信号的信噪比同时又避免内部模态识别不准确，采用了基于数据驱动阈值的小波空间邻域系数降噪法并用EWT分解。Pan Jun[12]提出了自适应傅里叶谱改进的EWT方法。Cao Hongrui[13]提出基于EWT的车轮轴承振动信号故障诊断方法。黄南天[14]提出一种结合EWT和支持向量机的高压断路器的故障诊断方法。陈浩[15]提出将EWT用于径向加速度估计，冯博[16]提出将EWT用于轴承故障诊断。向玲[17]通过仿真与实际信号比较研究了EWT与EMD方法之间的区别和各自性能。笔者通过复杂强噪声背景下弱故障检测研究得到以下结论[18]：实际现场振动信号往往包含波动现象，对此，EWT能非常有效地去除波动趋势，从而使得频谱分析图的谱线更加易于分析；EWT对脉冲噪声的敏感度明显弱于EMD；相比EMD方法，其理论更加严谨；EWT可通过多次分解提取单分量信号，因此非常适用于分析非平稳的多分量信号，还可结合Hilbet变换以得到任意瞬时频率和瞬时幅值，从而有效监测现场设备的频率波动和幅值波动。

2.2 非高斯噪声和强背景噪声问题

高斯信号模型是传统信号处理中的很重要内容，但实践中非高斯分布往往更普遍存在。由此，基于分数低阶统计量的信号处理理论和方法得到了重视和研究，Liu Yang[19]提出了alpha稳定分布的脉冲噪声环境下信号滤波方法，郭皓[20]提出基于alpha稳定分布的超声图像的去噪方法。笔者[21]和李长宁[22]通过分析某现场实际振动信号的分布特性，得到用分数低阶alpha稳定分布描述该分布会更合适的结论。Yu Gang[23]提出基于kurtogram和alpha稳定分布模型的滚动轴承早期诊断方法。笔者研究发现振动信号经小波分解后得到的细节系数有时满足特定统计分布规律[24]。

2.3 微小渐变故障早期诊断与演化跟踪

李娟[25]综述了各种微小故障的诊断方法并分析了其特点。Lin Jinshan[26]提出基于多重分形消除趋势波动分析法和马氏距离准则的滚动轴承弱故障的诊断。Li Hongkun[27]提出基于时频分析的synchronous averaging reassigned wavelet scalogram并应用于滚动轴承的早期诊断。

结合阶比和重采样技术可以将振动信号的时域信号转化为角域信号。孔庆鹏[28]通过Gabor变换及其逆变换，以及阶比跟踪，得到各阶比成分对应的时域重构信号。异步采样的等间隔的振动信号和转速信号，然后通过数字信号处理融合算法合成同步采样信号，这就是计算阶比跟踪（Computed Order Tracking, COT）。杨志坚[29]提出一种无须转速测量的阶比跟踪分析算法。郭瑜[30]也提出了实现时频分析阶比跟踪技术的纯软件的方法。汪华平[31]针对变转速情况下利用阶次跟踪提取转速变化的倍频分量提出了校正阶次全息谱分析方法。徐亚军[32]针对滚动轴承故障诊断提出结合线调频小波路径追踪与阶比循环平稳解调的方法。张新广[33]提出处理非平稳信号的基于阶比域的AR模型盲辨识算法。Guo Yu[34]提出用包络阶比跟踪对变工况下滚动轴承进行故障检测。Cheng Junsheng[35]提出基于local mean decomposition的阶比跟踪技术用于齿轮故障诊断。于善平[36]为了提取滚动轴承故障特征频率而提出共振解调包络信号采用阶比分析的方法。Pan Minchun[37]提出可在线实时运行的自适应Vold-Kalman滤波阶比跟踪算法。任达千[38]提出瞬时频率直接计算的局域均值分解方法。这些研究表明：可通过时频分析阶比跟踪技术获得时域重构信号，然后经过局域均值分解再计算瞬时频率。

何正嘉[39]指出为实现机械设备运行过程中的故障状态与演变过程的动态识别可充分利用模型、状态特征和故障征兆等，从而达到故障预示的目的。顾煜炯[40]针对变工况条件下的风电机组齿轮箱故障预警和风电轴承早期诊断问题提出阶比重采样角域信号早期故障特征的提取方法。马洁[41]提出了解决多变量相关条件下旋转机械的故障估计及预测问题的基于核主元分析的非线性故障重构技术。Man Zhihong[42]提出了一种齿轮啮合振动信号的最优sinusoidal建模方法并应用于齿轮故障诊断与预测。Si Xiaosheng[43]、Xu Dong[44]通过模型以能够刻画轴承退化过程的特征量的变化趋势来预估剩余寿命。

3 存在问题

通过以上国内外研究现状及发展动态分析，说明了非线性非平稳多分量信号分析、非高斯噪声和强背景噪声问题、微小渐变故障早期诊断与演化跟踪是旋转机械故障诊断领域经常面对的重大现实问题，需进一步深入研究。

具体存在问题如下：

a. 设备在故障初期时的状态特征信号往往比较微弱。设备的有些结构如重合度大的螺旋锥齿轮、线接触的圆锥滚子轴承等使得故障引起的冲击现象不明显，导致故障特征微弱；故障源与测试接收源之间的距离导致振动信号衰减；传感器都是通过设备箱体采集振动信号，所有运动部件都会给箱体上的测量带来随机和其他动部件的干扰。因此，早期故障特征总是淹没于强大的复杂背景噪声。

b. 旋转机械设备运行时，考虑各种因素影响，所测得的振动信号往往是非平稳、非线性的多分量信号。针对这类信号，目前常用的分析方法和分析工具多少都存在某些局限。

c. 高斯信号模型是传统信号处理中的主要内容，但现场信号往往是非高斯分布的，笔者[21]和李长宁[22]通过分析某现场实际振动信号的分布特性，认为用分数低阶alpha稳定分布描述该分布可能更加准确。

d. 工业现场的工况本身就很复杂，再加上不确定的外部环境干扰，设备故障跟踪与预测会受很多因素影响。目前进行故障预测和剩余使用寿命估计的常用方法采用了一些能够反映设备退化情况的特征量，但这些特征量往往会受不确定工况影响。

4 建议与展望

综合以上，建议以下问题值得研究：实际工况下的非平稳多分量信号分析问题；现场普遍存在的非高斯噪声和强背景噪声问题；微小渐变故障的演化过程跟踪问题。这些问题源于工业现场旋转机械设备健康监控与管理的迫切需求，不仅具有重要的学术意义，而且可进一步提高变工况下监测效率，预防重大事故的发生，具有可观的社会价值和经济效益。

对于故障诊断中的非平稳多分量信号分析，EWT比小波分析和EMD更具优势。因此对基于信号处理的故障诊断研究展望如下：

4.1 基于非高斯模型的EWT故障特征提取

正在运行的旋转机械设备，其实际振动信号非常复杂，受各种振动因素影响，最后检测得到的整个机械系统的振动信号往往是非平稳非线性的多分量信号。文献[21]已指出：用分数低阶alpha稳定分布描述设备振动信号更符合实际情况，今后可研究其相应的分数低阶alpha稳定分布模型及其在EWT域的降噪法。某齿轮箱实际振动信号经小波分解后某阶的第1层和第2层的细节系数的联合分布图如图1所示。

图1 第1层和第2层的细节系数的联合分布图

图2 拟合的联合分布图

对于如下非高斯双元收缩模型：

4.2 基于EWT结合相关向量机的信号分类的自动故障诊断

通过EWT分解，计算自相关函数并以其为衡量标准，先用EWT提取出复杂强噪声背景下弱故障的特征。有周期成分的信号的自相关函数也有周期性，且周期峰值不衰减；否则无周期成分的信号的自相关函数峰值会发生衰减。以此峰值特性作判断依据，把分解后的各信号中的周期性最明显的分解信号提取出来作为所要检测的特征信号。最后以此特征信号为分析对象结合相关向量机判断故障类型。实际常用的故障诊断方法都需要人参与分析和判断，这就对故障诊断实践带来了人为的主观因素的影响，而且在某些情况下还不一定能得到明确的诊断结果。可研究基于EWT结合相关向量机的信号分类的故障诊断方法，这种方法直接对分析的对象进行分类，根据分类结果判断是何种故障。目前该方法在实验室的结果还比较理想，但该方法需要的是同一种设备在不同状态类型下的信号作为训练信号，而工厂实际的设备很难取得各种类型下的原始信号。应通过与企业合作，利用其大量的历史数据来进行检验，从而探索故障的自动诊断。

按照如下思路可实现基于EWT的复杂强噪声背景下弱故障特征信号提取，然后以此特征信号为分析对象结合相关向量机来自动判断故障类型。

a. 对原始信号进行EWT分解；

b. 对分解后的第一个信号再进行EWT分解，计算其方差并判断，重复这个分解直至方差值不再变小，此时分解得到的信号作为趋势信号；

c. 计算各分解后的信号的自相关函数，以峰值特性判断分解后的各信号，取周期性最明显的信号作为该特征信号。

基于EWT和RVM的故障在线诊断方法具体思路是：以类内、类间距离作为判据，设定EWT的频域分割方法，再用EWT把原始信号映射到EWT域，在此域内提取被分析信号的能量特征向量，然后用RVM进行训练和分类识别。

5 结束语

基于信号处理的故障诊断技术对长期运转的机械设备尤其是大型高科技装备非常重要。在诊断复杂系统时，由于各种原因仅靠经典方法应对往往解决不了问题。基于信号处理的复杂系统的诊断监控一直在不断发展完善，并强调应用于实际系统。理论的发展支撑实际项目的创新。针对复杂强噪声背景下旋转机械的微弱故障诊断问题，旋转机械微小渐变故障的早期诊断与演化跟踪的关键在于：如何结合大型旋转机械装备的实际特征，如变工况运行环境、复杂强背景噪声等，用获取的监测数据，对其状态演化过程进行跟踪监测，通过建立非高斯噪声模型以更有效地降噪，利用最新的非平稳多分量信号分析方法提取微弱故障特征，实现设备的早期故障识别和状态演化跟踪。

1 王国彪，何正嘉，陈雪峰，等. 机械故障诊断基础研究“何去何从”[J]. 机械工程学报，2013，49(1)：63～72

2 Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London, A, 1998, 454: 903～995

3 Rilling G, Flandrin P, Goncalvès P. On empirical mode decomposition and its Algorithms [J]. IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing, 2003, 3:8～11

4 陈志新，徐金梧，杨德斌，等. 基于经验模态分解的混沌噪声背景下弱信号检测与信号提取[J]. 机械科学与技术，2006，25(2)：220～224

5 Gilies J. Empirical wavelet transform[J]. IEEE Transactions on Signal Processing, 2013, 61(16): 3999～4010

6 何正嘉，訾艳阳，张周锁，等. 大型机械设备变工况非平稳动态分析与监测诊断关键技术[J]. 中国机械工程，1999，10(9)：978～981

7 邹今春，沈玉娣. 变工况齿轮箱故障诊断方法综述[J]. 机械传动，2012，36(8)：124～127

8 Yang Yang, Dong Xingjian, Peng Zhike, et al. Vibration signal analysis using parameterized time-frequency method for features extraction of varying-speed rotary machinery[J]. Journal of Sound and Vibration, 2015(335): 350～366

9 李志农，朱明，褚福磊，等. 基于经验小波变换的机械故障诊断方法研究[J]. 仪器仪表学报，2014，35(11)：2423～2432

10 Jiang Yu, Zhu Hua, Li Z.A new compound faults detection method for rolling bearings based on empirical wavelet transform and chaotic oscillator[J]. Chaos, Solitons and Fractals, 2016, 89: 8～19

11 Chen Jinglong, Pan Jun, Li Zipeng, et al. Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals[J]. Renewable Energy, 2016, 89: 80～92

12 Pan Jun, Chen Jinglong, Zi Yanyang, et al. Mono-component feature extraction for mechanical fault diagnosis using modified empirical wavelet transform via data-driven adaptive Fourier spectrum segment[J]. Mechanical Systems and Signal Processing, 2016, 72: 160～183

13 Cao Hongrui, Fan Fei, Zhou Kai, et al. Wheel-bearing fault diagnosis of trains using empirical wavelet transform[J]. Measurement, 2016, 82: 439～449

14 黄南天，张书鑫，蔡国伟，等. 采用EWT和OCSVM的高压断路器机械故障诊断[J]. 仪器仪表学报，2015，36(12)：2773～2781

15 陈浩，郭军海，齐巍. 基于经验小波变换的目标加速度估计算法[J]. 北京航空航天大学学报，2015，41(1)：154～159

16 冯博，李辉，郑海起. 基于经验小波变换的轴承故障诊断研究[J]. 轴承，2015，12：53～58

17 向玲，李媛媛. 经验小波变换在旋转机械故障诊断中的应用[J]. 动力工程学报，2015，35(12)：975～981

18 陈志新，刘鑫，卢成林，等. 基于经验小波变换的复杂强噪声背景下弱故障检测方法[J]. 农业工程学报，2016，32(20)：202～208

19 Liu Yang, Qiu Tianshuang, Ren Fuquan, et al. Robust optimal filtering method for cyclostationary signals [J]. Procedia Engineering, 2012, 29: 1889～1896

20 郭皓. 基于alpha稳定分布的超声图像去噪方法研究[D]. 成都：四川大学，2006

21 陈志新. 脉冲噪声环境中基于FLOWVD的机械设备故障时频监测方法[J]. 振动与冲击，2013，32(10)：136～140

22 李长宁. 机械故障信号统计建模及其故障诊断方法的研究[D]. 哈尔滨：哈尔滨工业大学，2010

23 Yu Gang, Li Changning, Zhang Jianfeng. A new statistical modeling and detection method for rolling element bearing faults based on alpha-stable distribution[J]. Mechanical Systems and Signal Processing, 2013 (41): 155～175

24 Chen Zhixin, Xu Jinwu, Yang Debin. New method of extracting weak failure information in gearbox by complex wavelet denoising[J]. Chinese Journal of Mechanical Engineering, 2008, 21(4): 87～91

25 李娟，周东华，司小胜，等. 微小故障诊断方法综述[J]. 控制理论与应用，2012，29(12)：1517～1527

26 Lin Jinshan, Chen Qian. Fault diagnosis of rolling bearings based on multifractal detrended fluctuation analysis and Mahalanobis distance criterion[J]. Mechanical Systems and Signal Processing, 2013 (38): 515～533

27 Li Hongkun, Xu Fujian, Liu Hongyi, et al. Incipient fault information determination for rolling element bearing based on synchronous averaging reassigned wavelet scalogram[J]. Measurement, 2015(65): 1～10

28 孔庆鹏，宋开臣，陈鹰. 发动机变速阶段振动信号时频分析阶比跟踪研究[J]. 振动工程学报，2005，18(4)：448～452

29 杨志坚，丁康，梁茜. 基于频谱校正理论的阶比跟踪分析[J]. 机械工程学报，2009，45(12)：41～45

30 郭瑜，秦树人，梁玉前. 时频分析阶比跟踪技术[J]. 重庆大学学报（自然科学版），2002，25(5)：17～20

31 汤宝平教授指导，汪华平. 旋转机械变速工况下阶次全息方法研究[D]. 重庆大学，2013

32 徐亚军，于德介，刘坚. 基于线调频小波路径追踪阶比循环平稳解调的滚动轴承故障诊断[J]. 航空动力学报，2013，28(11)：2600～2607

33 张新广，李志农，王心怡，等. 一种基于阶比域的AR模型盲辨识算法[J]. 振动与冲击，2009，28(5)：41～43

34 Guo Yu , Liu Tingwei, Na Jing, et al. Envelope order tracking for fault detection in rolling element bearings[J]. Journal of Sound and Vibration, 2012(331): 5644～5654

35 Cheng Junsheng, Zhang kang, Yang Yu. An order tracking technique for the gear fault diagnosis using local mean decomposition method[J]. Mechanism and Machine Theory, 2012(55): 67～76

36 于善平，刘晓东，管莉娜. 变工况滚动轴承故障诊断方法研究[J]. 大连民族学院学报，2008，1(1)：27～30

37 Pan Minchun, Wu Chengxue. Adaptive Vold-Kalman filtering order tracking[J]. Mechanical Systems and Signal Processing, 2007 (21): 2957～2969

38 任达千，杨世锡，吴昭同，等. 信号瞬时频率直接计算法与Hilbert变换及Teager能量法比较[J]. 机械工程学报，2013，49(9)：42～48

39 何正嘉，警艳阳，陈雪峰，等. 机械故障预示中的若干科学问题[J]. 振动与冲击，2010，29(s)：144～147

40 顾煜炯，宋磊，徐天金，等. 变工况条件下的风电机组齿轮箱故障预警方法[J]. 中国机械工程，2014，10(2)：1346～1351

41 马洁，李钢，陈默. 基于非线性故障重构的旋转机械故障预测方法[J]. 自动化学报，2014，40(9)：2045～2049

42 Man Zhihong, Wang Wenyi, Khoo Suiyang, et al. Optimal sinusoidal modelling of gear mesh vibration signals for gear diagnosis and prognosis [J]. Mechanical Systems and Signal Processing, 2012(33): 256～274

43 Si Xiaosheng, Wang Wenbing, Hu Changhua, et al. Remaining useful life estimation based on a nonlinear diffusion degradation process[J]. IEEE Transactions on Reliability, 2012, 61(1): 50～67

44 Xu Dong, Huang Jine, Zhu Qin, et al. Residual fatigue life prediction of ball bearing based on Paris law and RMS[J]. Chinese Journal of Mechanical Engineering, 2012, 25(2): 320～327

Current Situation and Existing Problems of Research on Fault Diagnosis Based on Signal Processing

Chen Zhixin1Zhang Xiaopeng2Zuo Miao2Yang Ping2

(1. Beijing Wuzi University, Beijing 101149; 2. China Academy of Space Technology, Beijing 100094)

The research status of fault diagnosis based on signal processing is analyzed at home and abroad. It includes three aspects, such as non-stationary nonlinear multicomponent signal analysis, non Gauss noise and strong background noise, early diagnosis and evolution tracking of micro gradient fault. The existing problems in this field and suggestions for further research are also pointed out.

fault diagnosis；empirical wavelet transform (EWT)；de-noising；signal processing

北京市自然科学基金（3173043）。

陈志新（1973），副教授，机械电子工程专业；研究方向：故障监测诊断与处理、数据分析研究等。

2018-07-30