陈国梁，岳 夏，周 超，张春良

（广州大学机械与电气工程学院，广州 510006）

0 引言

机械故障诊断学是一种了解和掌握机器在运行过程中的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术。机械故障诊断学中的基础问题可归纳为：故障动态演化机理研究，系统信号处理，故障识别和智能诊断。近年来，随着科学技术的发展，故障诊断技术进入了新发展阶段，也迎来了发展黄金期。以风力发电机组维护为例，预计2024年仅海上风电机组运维规模就将达到37亿元左右，年复合增长率达到50%左右[1]。而这些场合往往环境恶劣、地处偏远，难以采用人工值守的方式，采用远程智能诊断更加适合。

通常故障诊断流程可以分为信号获取、特征提取以及故障识别与预测3个环节[2]。本文则从诊断技术侧重的不同，将故障诊断技术分为4类：实时故障诊断、早期故障诊断、智能故障诊断以及5G联合数据故障诊断。这4类诊断技术既相互关联又有各自特点。实时故障诊断需要在规定的时间间隔内给出故障诊断的结果，强调诊断的高时效性；早期故障诊断是在预防性维护的要求下发展出来的，强调复杂环境以及噪声干扰等不利条件下的早期微弱故障精确识别；智能故障诊断是人工智能和故障诊断相结合的产物，本文主要是指运行人工智能进行故障预测与健康管理等，构建具备学习能力和一定综合决策能力的故障诊断技术；而5G联合数据故障诊断则是在最新5G 通讯背景下，利用5G 技术的低时延、高速率传输特性，有效提升远程故障诊断服务的技术。

1 实时故障诊断

随着工业系统过程的复杂化和现代科学技术的迅猛发展，现代机械加工已经进入超高速范围。在现代高速、高精度的机械设备运行过程中，实时故障诊断显得更为重要。实时性故障诊断需要在很短的时间内完成数据采集、特征提取以及故障识别的工作。由于信息来源的时间长度受限，故障特征的稳定性较差，也难以采用复杂的特征提取与识别算法，从而对故障诊断技术提出了苛刻的挑战。为了解决故障诊断中的实时性问题，相关学者采用的策略主要是以下两种：一是针对集体应用改进现有的智能算法和模型，提高已有环节数据处理效率提升诊断方法的实时性；二是改进或提出新的故障诊断模型或流程，通过替换甚至取消耗时环节实现实时诊断。

Turker[3]构建了一种基于卷积神经网络的电机实时诊断系统。每次诊断采集0.48 s的电机电流数据，通过预处理并输入一维卷积神经网络进行识别。由于取消了独立的特征提取环节，可以在1 ms 之内完成电机主要故障的识别，且主要故障的识别准确率均大于97%。Cai[4]则采用面向对象的贝叶斯网络，重新设计了针对复杂系统的故障诊断流程，通过优化复杂工业系统内大量重复结构在诊断过程中的表达，实现了多类故障的实时概率估计，其实时诊断方法的核心是信息的有效复用。沈飞[5]提出一种时间迁移模型，通过减少当前时刻数据使用量，以提升旋转机械工况发生变化时的实时故障诊断性能，其诊断模型平均执行时间为1.16 s，基本满足实时诊断需求，其核心思想是历史数据的有效使用。陈科[6]则提出一种基于固定“筛”数量停止准则的CEEMD 实时轴承智能故障诊断算法，将210个采样点的信号分解效率提升了90 倍。孙淑光[7]则结合实际工程经验提出一种基于二次差值的改进残差决策算法，避免了多决策门限的复杂性，在采样时间为0.1 s的情况下，故障检测所需时间大约为2 s，大幅降低了故障检测时间。上述方法在保证检测准确性和识别率的基础上，改进了算法或模型来减少故障诊断的时间，有效提升了诊断算法实时性。这两种提升诊断算法实时性的核心都是特定应用中算法的针对性改良。

可以看出，当前研究已从多个方面着眼提升实时诊断效率。但单次完整诊断的执行周期依然较长，还有很大的潜力可挖。

2 早期故障诊断

在机械故障诊断领域，对中期、晚期较为明显的故障已经形成了一系列较为成熟的故障检测手段，但在工程中总是希望对故障的发生和增长做到防微杜渐。早期故障具有特征不明显、信噪比低等特点，使得早期故障往往不能够及时发现。

Jia[8]提出了一种基于最大相关峰度的改进谱峰度（SK）方法，在提取滚动轴承早期故障上有明显优势。冷永刚[9]提出SVD 分量包络分析的滚动轴承早期故障检测方法，可以从原始采集信号中清晰分离出轴承的早期故障特征。武兵[10]提出了最大相关峭度反褶积与谱峭度结合的滚动轴承早期故障诊断方法，降低了信号噪声，提升了原信号的峭度，可以准确有效地诊断滚动轴承的早期故障。丁康[11]提出一种基于谱峭度和Morlet 小波的滚动轴承微弱故障诊断新方法，能够有效诊断滚动轴承微弱故障。明安波[12]将线性峭度图方法引入到滚动轴承故障特征表征中，更好地抵抗信号中大幅值异常值和随机冲击的干扰，更有利于提取微弱的轴承故障特征。唐贵基[13]则针对经验模态分解和局部均值分解问题难以解决的过包络、欠包络、边界效应等问题，将变分模态分解VMD（viriational mode decomposition）引入到机械故障诊断中，通过引入最新信号处理工具实现信号高频部分的细化分析，放大轴承早期故障信号中的微弱特征信息，实现轴承运行状态的准确识别。以上方法主要通过对特征提取环节进行改进以实现早期故障诊断。Li[14]提出一种基于加权诊断观测器的FD 系统，同时优化系统的鲁棒性和故障敏感性。该文献从系统构建的角度阐述了提升故障敏感性的方法，具备微弱故障诊断应用的潜力。Yu[15]则针对深度学习方法中训练复杂度高和时间长的问题，建立了相应的深层信任网络模型，有效提升了训练效率和故障诊断精度。Ma[16]提出了一种基于滤波技术的跟踪控制多源振动仿真方法，使用跟踪滤波器来准确估计多源子频率分量的幅度和相位，可以实现最多8 个子频率的幅度和相位跟踪从而实现多源故障诊断。以上两篇文献着重提升诊断识别精度，对于微弱故障诊断同样具备参考价值。岳夏[17]基于传感器阵列对轴承故障相位耦合频段的声场进行近场声全息重建，再通过重建面体现的高频冲击信号调幅特性，通过引入声阵列信号实现微弱故障的识别。此外，斯凯孚洞悉（SKF InsightTM）轴承将检测传感器内置并通过无线网络传输数据，从信号来源的角度保障了故障特征的有效获取，同样也是一种行之有效的方法。

可以看出早期故障诊断的难点更多在于将微弱的故障特征找出来，因此针对性的特征提取方法依然是其重点。但是早期故障诊断依然面临着误报率较高等问题，通过早期故障机理揭示典型故障特征的研究还需要进一步深入。

3 智能故障诊断

智能故障诊断技术是一种在知识层次上，以知识处理技术为基础，实现辩证逻辑与数理逻辑的集成、符号处理与数值处理的统一、推理过程与算法过程的统一，通过概念和处理方式知识化，实现设备故障诊断的智能化诊断方法，为人们使用智能技术解决复杂系统故障问题提供了强有力工具[18]。智能故障诊断已经成为故障诊断领域中最活跃的研究之一，本文仅从智能识别、大数据和寿命预测3个方面简要阐述。

3.1 智能识别

华南理工大学李巍华等[19]提出了基于一种双层萤火虫改进算法，减小了训练误差，提升了训练效率、故障识别率。英国思克莱德大学Al-Bugharbee等[20]首先通过奇异谱分析做信号预处理，再使用自回归模型诊断故障，可对存在的故障进行完整和高精度的识别。袁建虎[21]提出了一种基于小波时频图和卷积神经网络的滚动轴承智能故障诊断方法，该方法能有效识别滚动轴承的故障类型，改进的CNN 具有较强的泛化能力、特征提取和识别能力。田书[22]提出将改进变分模态分解能量熵与支持向量机相结合的断路器故障诊断新方法，所提方法在少量样本情况下仍能有效提取断路器的运行状态并对故障进行分类。陈超[23]根据获取的可用数据不足提出一种基于辅助数据的增强型最小二乘支持向量机迁移学习策略来诊断数据量不足时的轴承故障诊断，相比传统机器学习，基于此方法的模型在诊断轴承故障时性能提升显著。司景萍[24]将小波包信号处理技术与模糊神经网络结合，研究了基于模糊神经网络的智能故障诊断专家系统。刘建强[25]提出了一种基于小波包分解和集合经验模态分解的列车转向架轴承智能故障诊断方法，能够充分提取故障特征，准确识别轴承故障。曲建岭[26]提出了一种基于一维卷积神经网络的滚动轴承自适应故障诊断算法，轴承数据库实验表明算法能够实现高达99%以上的故障识别准确率。李奕江[27]基于VMD-HMM的滚动轴承磨损状态识别方法，对滚动轴承磨损状态识别率较高。Rajeevan[28]将无监督学习和认知建模相结合，有效地检测、分类诊断中已知和未知故障。Wang[29]提出了一种基于甲壳虫天线搜索的支持向量机（BAS-SVM）的风电机组滚动轴承智能故障诊断方法，识别准确率达100%。张鑫[30]提出了基于拉普拉斯特征映射和深度置信网络的半监督故障识别，增强了特征提取的智能性，提高了分类精度。胡茑庆[31]提出一种基于经验模态分解和深度卷积神经网络的智能故障诊断方法，准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。

3.2 大数据智能诊断

Jia[32]提出一种利用频谱对深度神经网络进行训练的旋转机械故障诊断方法。该方法能够自适应地从滚动轴承和行星齿轮箱的大量样本中提取故障特征，提高了诊断精度，对基于大数据的故障诊断具备指导意义。胡军[33]提出了基于大数据挖掘技术的设备故障诊断方法，能够有效挖掘出设备状态记录数据内在规律，实现具有数据自适应性、更加准确的设备故障诊断。Melis[34]提出了基于数据驱动的间歇过程监控框架，在大数据环境下进行在线故障监测与诊断，具有优良性能。Wu[35]在大数据环境下将机器学习算法应用于数据挖掘阶段，采用混合智能算法，有效地提高了监测诊断的灵敏度、鲁棒性和准确性。

3.3 寿命预测

Li[36]针对系统预测和健康管理上利用模型预测剩余使用寿命中精准模型不可用的问题，提出了一种新的基于数据驱动的深度卷积神经网络预测方法，将采取的原始数据作为输入，避免了直接利用专业知识进行预测，有效提高了预测精度。Xu[37]等基于预先分好的5个轴承寿命等级，从振动和声发射中提取的时域特征，提出了一种基于可延长使用寿命的轴承状态连续监测和状态分类的混合模型。西安交通大学雷亚国等[38]提出自适应多核组合的相关向量机预测方法，并应用于机械剩余寿命预测。Jiao[39]提出了一种新的多故障模式下的故障监测与剩余使用寿命预测框架，通过监测故障的发展趋势、预测和识别多故障下的故障模式来进一步估计剩余使用寿命。一种隐半马尔可夫模型方法被用于直升机主变速箱行星齿轮架疲劳裂纹的故障诊断和剩余使用寿命预测，提高了诊断准确性[40]。

智能故障诊断融合了计算机领域的最新成果。尤其是大数据的引入，极大地降低了故障诊断的实施难度，拓展了系统的使用范围，具备非常好的发展潜力。但是在故障诊断系统的可解释性、可拓展性等方面，智能故障诊断仍需加强。

4 5G联合数据故障诊断

第五代移动通信系统5G已经开始普及应用。5G网络的数据传输速率远远高于以前的蜂窝网络，最高可达10 Gbit/s，同时网络延迟低于1 ms，而4G 为30～70 ms。在实际故障诊断中，5G技术为远程故障诊断提供了新的平台。

Hu[41]讨论了应用5G网络技术运行远程故障诊断时可能出现的性能不足问题，针对此提出了通信边缘计算环路及系统模型用于评估诊断程序的效率，有助于5G技术在故障诊断领域的应用。Pablo[42]为了应付5G挑战下的服务终端大数量下的管理复杂度问题，提出了一种基于网络数据分析的自愈方法用于故障诊断领域，有助于降低诊断错误率。赵峰[43]探讨了基于5G技术的智能车间故障预测与健康管理系统，研究表明该系统降低了智能车间维修和维护成本，提高设备、系统的使用生命周期。

5G联合数据故障诊断的应用目前依然在起步阶段。但是其高效的传输性能无疑使得采用阵列信号、多模态信号的远程实时故障诊断成为可能。5G联合数据故障诊断与云服务有望催生出中国自己的专业化、规模化的故障诊断服务企业。

5 故障诊断的新机遇与挑战

随着制造强国战略与智能制造的提出，故障诊断正面临着前所未有的机遇。但是也要清醒地认识到，已有研究距离智能制造的实际需求仍有一定距离。如何融入制造强国战略解决行业实际需求，给现有的智能故障诊断理论与方法带来了新的挑战。

（1）现有研究大部分针对的是较为简单的环节与系统。现代制造设备复杂多样、信号源多、类型差异大、耦合性强、动力学建模困难、非线性强，同时还存在较强的不确定性干扰。如何应对这些问题，需要故障诊断基础理论方面进一步深入研究。

（2）大数据与智能故障诊断是故障诊断未来的发展趋势，但是并不意味着数据或者智能诊断方法是自我独立的。如何将动力学、特征提取、数据挖掘、智能识别等有机结合，消除各环节之间的孤岛效应，实现数据与诊断过程的可解释性，是未来的重要挑战。

（3）故障诊断技术应当融入智能制造的进程，以开放、包容的心态主动引入新信号、新方法、新技术。尤其故障诊断长期被认为是一种减少损失而不是增加企业效益的技术，这一点已经成为了阻碍故障诊断发展的重要原因。如何在智能制造体系中，探索高保真模型、数字孪生等体系下运用故障诊断技术参与优化决策与控制，提升企业生产效益，同样值得深入研究。

（4）现有研究大部分都针对通用故障诊断理论与方法，考虑实际需求的相对较少。因此，故障诊断研究需要适当突出实际应用的背景与特色，走入企业进一步经受实践检验。

6 结束语

故障诊断技术研究从20世纪50年代开始，已经取得了很大进展。随着智能制造的发展，可以说故障诊断已经进入了关键的机遇期。如何针对产品具体需求，切实提升企业产品的智能化水平；如何利用大数据，针对行业提供专业化、规模化服务，将是故障诊断未来的发展方向。故障诊断理论、技术及其实际应用方兴未艾，还需要进一步地深入探索。