機(jī)械軸承故障診斷技術(shù)綜述摘要機(jī)械軸承是旋轉(zhuǎn)機(jī)械的核心部件，其運(yùn)行狀態(tài)直接影響設(shè)備的可靠性與安全性。故障診斷技術(shù)作為保障軸承健康的關(guān)鍵手段，經(jīng)歷了從傳統(tǒng)信號分析到智能機(jī)器學(xué)習(xí)的迭代升級。本文系統(tǒng)綜述了機(jī)械軸承故障診斷的經(jīng)典方法（振動分析、油液分析、聲發(fā)射等）、智能診斷技術(shù)（機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、遷移學(xué)習(xí)）及混合診斷策略，并探討了數(shù)字孿生、邊緣計算、聯(lián)邦學(xué)習(xí)等新興技術(shù)的應(yīng)用潛力。通過對比不同方法的優(yōu)缺點與適用場景，為工業(yè)實踐中選擇合適的診斷方案提供參考，同時指出當(dāng)前面臨的數(shù)據(jù)標(biāo)注、工況泛化、實時性等挑戰(zhàn)，展望了未來融合多源數(shù)據(jù)、可解釋性與隱私保護(hù)的發(fā)展方向。1引言機(jī)械軸承廣泛應(yīng)用于電機(jī)、風(fēng)機(jī)、機(jī)床等旋轉(zhuǎn)設(shè)備，承擔(dān)著支撐轉(zhuǎn)軸、減少摩擦的作用。據(jù)統(tǒng)計，旋轉(zhuǎn)機(jī)械故障中約30%源于軸承失效，其故障會引發(fā)設(shè)備停機(jī)、生產(chǎn)中斷甚至安全事故（如軸承卡死導(dǎo)致的軸斷裂）。因此，及時、準(zhǔn)確的故障診斷對降低維護(hù)成本、避免重大損失具有重要意義。軸承故障診斷的核心邏輯是“信號采集-特征提取-狀態(tài)識別”：通過傳感器獲取軸承運(yùn)行時的物理信號（振動、聲、溫度等），提取與故障相關(guān)的特征（如時域統(tǒng)計量、頻域譜峰、時頻域小波系數(shù)），再通過診斷模型識別故障類型（內(nèi)圈、外圈、滾動體、保持架故障）或評估健康狀態(tài)（正常、早期、晚期故障）。隨著工業(yè)物聯(lián)網(wǎng)（IIoT）與人工智能（AI）的發(fā)展，故障診斷技術(shù)從“依賴專家經(jīng)驗”向“數(shù)據(jù)驅(qū)動智能”轉(zhuǎn)型。本文旨在梳理現(xiàn)有技術(shù)脈絡(luò)，為研究者與工程師提供全面的技術(shù)參考。2傳統(tǒng)機(jī)械軸承故障診斷技術(shù)傳統(tǒng)方法以信號處理為核心，依賴領(lǐng)域?qū)＜覍π盘柼卣鞯慕庾x，適用于簡單工況與實時監(jiān)測場景。2.1振動信號分析振動信號是軸承故障診斷中最常用的數(shù)據(jù)源，因其能直接反映軸承內(nèi)部的機(jī)械振動狀態(tài)（如滾動體與套圈的沖擊、摩擦）。振動分析可分為時域、頻域、時頻域三類方法。2.1.1時域分析時域分析通過統(tǒng)計信號的時域特征（如峰值、峰峰值、均方根（RMS）、峭度）識別故障。例如：峰峰值：反映信號的最大波動，對沖擊性故障（如滾動體裂紋）敏感；峭度：衡量信號偏離正態(tài)分布的程度，早期故障（如微裂紋）會導(dǎo)致峭度值顯著上升（正常狀態(tài)峭度約為3，故障時可超過5）；波形因子（RMS/均值）：反映信號的波形變化，故障時波形因子增大。優(yōu)點：計算簡單、實時性強(qiáng)，適合現(xiàn)場快速監(jiān)測；缺點：對非平穩(wěn)信號（如轉(zhuǎn)速變化）適應(yīng)性差，難以區(qū)分不同故障類型。2.1.2頻域分析頻域分析通過傅里葉變換（FFT）將時域信號轉(zhuǎn)換為頻域頻譜，識別與軸承故障相關(guān)的特征頻率（如內(nèi)圈故障頻率$F_i$、外圈故障頻率$F_o$、滾動體故障頻率$F_b$）。例如：內(nèi)圈故障頻率：$F_i=\frac{n}{60}\cdot\frac{D}91111d1\cdot(1-\frac{d\cos\theta}{D})$（$n$為轉(zhuǎn)速，$D$為軸承節(jié)圓直徑，$d$為滾動體直徑，$\theta$為接觸角）；外圈故障頻率：$F_o=\frac{n}{60}\cdot\frac{D}plr1111\cdot(1+\frac{d\cos\theta}{D})$。當(dāng)軸承出現(xiàn)故障時，頻譜中會出現(xiàn)對應(yīng)特征頻率的譜峰，或其倍頻、邊帶（如與轉(zhuǎn)頻$F_r$的組合頻率$F_i\pmkF_r$，$k=1,2,\dots$）。優(yōu)點：能準(zhǔn)確識別周期性故障，解釋性強(qiáng)；缺點：依賴準(zhǔn)確的軸承參數(shù)（如節(jié)圓直徑、滾動體數(shù)量），對非平穩(wěn)信號（如沖擊性故障）處理效果差（FFT假設(shè)信號平穩(wěn)，會導(dǎo)致頻譜模糊）。2.1.3時頻域分析時頻域分析結(jié)合了時域與頻域的信息，適用于非平穩(wěn)信號（如早期故障的沖擊信號、轉(zhuǎn)速變化的信號）。常用方法包括：小波變換（WT）：通過伸縮和平移小波基函數(shù)，對信號進(jìn)行多分辨率分析，捕捉信號的局部突變（如故障沖擊）；希爾伯特-黃變換（HHT）：通過經(jīng)驗?zāi)B(tài)分解（EMD）將信號分解為固有模態(tài)函數(shù)（IMF），再對IMF進(jìn)行希爾伯特變換，得到時頻譜（Hilbert譜），能有效識別非線性、非平穩(wěn)信號的特征；短時傅里葉變換（STFT）：通過滑動窗函數(shù)對信號分段進(jìn)行FFT，得到時頻譜，但窗函數(shù)的選擇（如窗長）會影響時間與頻率分辨率（窗長越長，頻率分辨率越高，時間分辨率越低）。優(yōu)點：能處理非平穩(wěn)信號，捕捉早期故障的瞬態(tài)特征；缺點：計算復(fù)雜度高，小波變換的基函數(shù)選擇依賴經(jīng)驗，HHT易出現(xiàn)模態(tài)混疊。2.2油液分析油液分析通過檢測潤滑油中的磨損顆粒（如金屬屑）來判斷軸承狀態(tài)，適用于封閉潤滑系統(tǒng)（如齒輪箱、液壓系統(tǒng)）。常用方法包括：鐵譜分析：通過磁場將油液中的磨損顆粒分離，觀察顆粒的大小、形狀、成分（如鋼鐵顆粒來自軸承套圈，銅顆粒來自保持架）；光譜分析：通過原子發(fā)射光譜（AES）或原子吸收光譜（AAS）檢測油液中金屬元素的濃度（如Fe、Cu、Al），濃度突變表明軸承磨損加??；顆粒計數(shù)：通過激光顆粒計數(shù)器統(tǒng)計油液中顆粒的數(shù)量與尺寸（如ISO4406標(biāo)準(zhǔn)），顆粒數(shù)量增多表明磨損加重。優(yōu)點：能早期發(fā)現(xiàn)磨損故障，適用于無法安裝振動傳感器的場景；缺點：采樣周期長（需定期取油），無法實時監(jiān)測，對表面疲勞故障（如點蝕）敏感性低。2.3聲發(fā)射技術(shù)聲發(fā)射（AE）是指材料受外力或內(nèi)部應(yīng)力作用時，釋放彈性波的現(xiàn)象。軸承故障（如裂紋擴(kuò)展、滾動體沖擊）會產(chǎn)生AE信號，通過AE傳感器（壓電式或光纖式）采集信號，分析其特征（如幅值、計數(shù)、能量）識別故障。優(yōu)點：對早期故障（如微裂紋）敏感，適用于低速軸承（振動信號弱）；缺點：易受環(huán)境噪聲（如機(jī)械振動、電磁干擾）影響，信號處理復(fù)雜。3智能機(jī)械軸承故障診斷技術(shù)隨著大數(shù)據(jù)與人工智能的發(fā)展，智能診斷技術(shù)以數(shù)據(jù)驅(qū)動為核心，通過機(jī)器學(xué)習(xí)（ML）或深度學(xué)習(xí)（DL）模型自動提取特征并識別故障，適用于復(fù)雜工況與大數(shù)據(jù)量場景。3.1機(jī)器學(xué)習(xí)方法機(jī)器學(xué)習(xí)方法需先通過傳統(tǒng)信號處理提取特征（如時域統(tǒng)計量、頻域譜峰、小波系數(shù)），再用分類模型（如SVM、RF）識別故障。3.1.1支持向量機(jī)（SVM）SVM通過尋找最優(yōu)超平面將不同類別的樣本分開，適用于小樣本、高維數(shù)據(jù)。在軸承故障診斷中，通常將提取的特征（如峭度、頻譜峰值）作為輸入，訓(xùn)練SVM模型識別故障類型。改進(jìn)方向：通過核函數(shù)（如RBF核）處理非線性數(shù)據(jù)，提高分類accuracy；結(jié)合特征選擇（如PCA、ReliefF）減少特征維度，避免過擬合。3.1.2隨機(jī)森林（RF）RF由多棵決策樹組成，通過投票機(jī)制輸出最終結(jié)果，具有抗過擬合、魯棒性強(qiáng)的特點。在軸承故障診斷中，RF可處理高維特征（如100維時域統(tǒng)計量），并通過特征重要性評估（如Gini系數(shù)）識別對故障最敏感的特征（如峭度、波形因子）。優(yōu)點：無需手動調(diào)參，對噪聲不敏感；缺點：模型復(fù)雜度高，推理速度慢。3.2深度學(xué)習(xí)方法深度學(xué)習(xí)方法通過神經(jīng)網(wǎng)絡(luò)自動提取特征（從原始信號中學(xué)習(xí)故障特征），避免了傳統(tǒng)方法中“特征工程依賴專家經(jīng)驗”的問題，適用于大數(shù)據(jù)量場景。3.2.1卷積神經(jīng)網(wǎng)絡(luò)（CNN）CNN通過卷積層（提取局部特征）、池化層（降維）、全連接層（分類）處理數(shù)據(jù)，適用于二維數(shù)據(jù)（如振動信號的時頻譜圖、小波scalogram）。例如：將振動信號轉(zhuǎn)換為梅爾頻譜圖（Mel-spectrogram），輸入CNN模型，自動提取故障特征（如沖擊信號的時頻分布）；采用1D-CNN直接處理一維振動信號，減少數(shù)據(jù)轉(zhuǎn)換的工作量（如CWRU數(shù)據(jù)集上，1D-CNN的準(zhǔn)確率可達(dá)98%以上）。優(yōu)點：自動提取特征，對高維數(shù)據(jù)處理效果好；缺點：需要大量標(biāo)注數(shù)據(jù)，對小樣本場景適應(yīng)性差。3.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）與長短期記憶網(wǎng)絡(luò)（LSTM）RNN通過循環(huán)單元（如LSTM、GRU）處理時序數(shù)據(jù)（如振動信號的時間序列），捕捉信號的時間依賴關(guān)系（如故障沖擊的周期性）。例如：將振動信號的時域序列輸入LSTM模型，學(xué)習(xí)故障發(fā)展的時序特征（如早期故障的沖擊信號逐漸增強(qiáng)）；結(jié)合注意力機(jī)制（Attention），突出對故障識別更重要的時序片段（如沖擊信號的峰值時刻）。優(yōu)點：能處理時序數(shù)據(jù)，捕捉時間依賴關(guān)系；缺點：訓(xùn)練時間長，易出現(xiàn)梯度消失（LSTM通過門機(jī)制緩解了這一問題）。3.2.3TransformerTransformer通過自注意力機(jī)制（Self-Attention）捕捉序列數(shù)據(jù)中的全局依賴關(guān)系，適用于長時序數(shù)據(jù)（如____點的振動信號）。例如：將振動信號的時域序列轉(zhuǎn)換為嵌入向量（Embedding），輸入Transformer編碼器，通過自注意力機(jī)制學(xué)習(xí)故障特征（如不同時刻沖擊信號的關(guān)聯(lián)）；采用VisionTransformer（ViT）處理振動信號的二維譜圖，提高特征提取的效率。優(yōu)點：捕捉全局依賴關(guān)系，對長時序數(shù)據(jù)處理效果好；缺點：計算復(fù)雜度高，需要大量數(shù)據(jù)。3.3遷移學(xué)習(xí)遷移學(xué)習(xí)（TransferLearning）通過將源域（已標(biāo)注的大量數(shù)據(jù)）的知識遷移到目標(biāo)域（未標(biāo)注或少量標(biāo)注的數(shù)據(jù)），解決了實際場景中“數(shù)據(jù)標(biāo)注困難”的問題。例如：域自適應(yīng)（DomainAdaptation）：通過對齊源域與目標(biāo)域的特征分布（如CORAL、DAN），提高模型在目標(biāo)域（如不同負(fù)載、轉(zhuǎn)速的軸承）的泛化能力；預(yù)訓(xùn)練-微調(diào)（Pre-train&Fine-tune）：在源域（如CWRU數(shù)據(jù)集）預(yù)訓(xùn)練CNN模型，然后在目標(biāo)域（如企業(yè)現(xiàn)場數(shù)據(jù)）微調(diào)模型參數(shù)，減少目標(biāo)域的標(biāo)注需求。應(yīng)用案例：在跨工況故障診斷中，遷移學(xué)習(xí)能將源域（1000rpm）的模型準(zhǔn)確率從60%提升至90%以上（目標(biāo)域為2000rpm）。4混合診斷技術(shù)混合診斷技術(shù)結(jié)合傳統(tǒng)信號處理與智能模型，彌補(bǔ)單一方法的不足，提高診斷準(zhǔn)確性與魯棒性。常見的混合策略包括：4.1傳統(tǒng)特征提取+智能模型例如：先用小波變換提取振動信號的時頻特征（如小波系數(shù)的均值、方差），再用SVM或RF分類；或用EMD分解信號為IMF，提取IMF的時域統(tǒng)計量，輸入CNN模型。優(yōu)點：結(jié)合了傳統(tǒng)方法的“領(lǐng)域知識”與智能模型的“自動學(xué)習(xí)”能力，減少智能模型的輸入維度，提高訓(xùn)練效率。4.2智能特征提取+傳統(tǒng)模型例如：用CNN從原始振動信號中自動提取特征（如卷積層的輸出），再用SVM分類；或用LSTM提取時序特征，輸入隨機(jī)森林模型。優(yōu)點：避免了傳統(tǒng)特征工程的繁瑣，同時利用傳統(tǒng)模型的“解釋性”（如隨機(jī)森林的特征重要性評估）。4.3多源數(shù)據(jù)融合+智能模型例如：融合振動信號（反映機(jī)械振動）、電流信號（反映電機(jī)負(fù)載）、溫度信號（反映熱狀態(tài)），輸入多模態(tài)CNN模型（如多通道CNN），提高診斷準(zhǔn)確性。應(yīng)用案例：在風(fēng)機(jī)軸承診斷中，融合振動與電流信號的模型準(zhǔn)確率比單一振動信號模型高15%以上。5新興技術(shù)與展望隨著工業(yè)4.0的推進(jìn)，以下新興技術(shù)為軸承故障診斷帶來了新的機(jī)遇：5.1數(shù)字孿生（DigitalTwin）數(shù)字孿生通過構(gòu)建軸承的虛擬模型（幾何模型、物理模型、行為模型），實時映射物理軸承的運(yùn)行狀態(tài)（如溫度、振動、應(yīng)力）。通過虛擬模型可：提前預(yù)測故障（如通過有限元分析模擬裂紋擴(kuò)展）；優(yōu)化維護(hù)策略（如根據(jù)虛擬模型的剩余壽命預(yù)測，制定預(yù)防性維護(hù)計劃）。挑戰(zhàn)：虛擬模型的準(zhǔn)確性依賴于物理軸承的參數(shù)（如材料屬性、潤滑狀態(tài)），需要大量的實驗數(shù)據(jù)校準(zhǔn)。邊緣計算將數(shù)據(jù)處理（如特征提取、模型推理）從云端遷移到設(shè)備端（如邊緣網(wǎng)關(guān)、傳感器節(jié)點），減少數(shù)據(jù)傳輸延遲，滿足實時監(jiān)測需求。例如：在軸承傳感器節(jié)點部署輕量化CNN模型（如MobileNet），實時識別故障；邊緣節(jié)點對數(shù)據(jù)進(jìn)行預(yù)處理（如去噪、降維），只傳輸關(guān)鍵特征到云端，減少帶寬占用。挑戰(zhàn)：邊緣設(shè)備的計算資源有限（如CPU、內(nèi)存），需要開發(fā)輕量化模型（如模型壓縮、剪枝）。5.3聯(lián)邦學(xué)習(xí)（FederatedLearning）聯(lián)邦學(xué)習(xí)通過“數(shù)據(jù)不出本地”的方式，聯(lián)合多個設(shè)備（如不同企業(yè)的軸承）訓(xùn)練模型，保護(hù)數(shù)據(jù)隱私。例如：各企業(yè)的軸承傳感器節(jié)點在本地訓(xùn)練模型，將模型參數(shù)上傳到云端，云端聚合參數(shù)得到全局模型，再將全局模型下發(fā)給各節(jié)點；聯(lián)邦學(xué)習(xí)可解決“數(shù)據(jù)孤島”問題（企業(yè)不愿意共享原始數(shù)據(jù)），提高模型的泛化能力。挑戰(zhàn)：聯(lián)邦學(xué)習(xí)的通信成本高（需要頻繁傳輸模型參數(shù)），對非獨(dú)立同分布（Non-IID）數(shù)據(jù)（如不同企業(yè)的軸承工況不同）適應(yīng)性差。6結(jié)論與建議機(jī)械軸承故障診斷技術(shù)經(jīng)歷了從“傳統(tǒng)信號處理”到“智能機(jī)器學(xué)習(xí)”的發(fā)展，混合診斷技術(shù)與新興技術(shù)（數(shù)字孿生、邊緣計算、聯(lián)邦學(xué)習(xí)）成為未來的發(fā)展方向。6.1結(jié)論傳統(tǒng)方法：適用于簡單工況、實時監(jiān)測，解釋性強(qiáng)，但對非平穩(wěn)信號與復(fù)雜故障處理效果差；智能方法：適用于復(fù)雜工況、大數(shù)據(jù)量，自動提取特征，但需要大量標(biāo)注數(shù)據(jù)，解釋性差；混合方法：結(jié)合傳統(tǒng)與智能方法的優(yōu)點，提高診斷準(zhǔn)確性與魯棒性；新興技術(shù)：解決了智能方法的“數(shù)據(jù)隱私”“實時性”“泛化能力”問題，為工業(yè)應(yīng)用提供了新的思路。6.2建議根據(jù)工況選擇方法：低速軸承選擇聲發(fā)射技術(shù)，高速軸承選擇振動頻域分析，封閉潤滑系統(tǒng)選擇油液分析；小樣本場景：采用遷移學(xué)習(xí)或傳統(tǒng)方法結(jié)合小樣本學(xué)習(xí)（如元學(xué)習(xí)）；實時監(jiān)測：采用邊緣計算與輕量化模型（如1D-CNN、MobileNet）；數(shù)據(jù)隱私：采用聯(lián)邦學(xué)習(xí)或差分隱私技術(shù)；解釋性需求：采用混合方法（如