致謝31致謝32基于信號(hào)處理的滾動(dòng)軸承故障診斷研究的國(guó)內(nèi)外文獻(xiàn)綜述目錄TOC\o"1-3"\h\u6389基于信號(hào)處理的滾動(dòng)軸承故障診斷研究的國(guó)內(nèi)外文獻(xiàn)綜述 1162911.1滾動(dòng)軸承故障診斷的研究現(xiàn)狀 14251.2遞歸分析技術(shù)研究現(xiàn)狀 416214參考文獻(xiàn) 41.1滾動(dòng)軸承故障診斷的研究現(xiàn)狀 滾動(dòng)軸承的故障診斷的起源最早可以追溯到上世紀(jì)30年代，早期由于傳感檢測(cè)技術(shù)的落后，機(jī)械設(shè)備的故障診斷主要依靠專業(yè)人員的經(jīng)驗(yàn)，通過(guò)軸承運(yùn)轉(zhuǎn)的聲音、振動(dòng)的以人的主觀感受去推斷可能出現(xiàn)的故障。二十世紀(jì)六十年代，在美國(guó)宇航局（NASA）的提議下美國(guó)建立了專門的機(jī)械故障預(yù)防小組，率先開(kāi)始針對(duì)故障診斷的研究[13]，自此之后，歐洲等其他國(guó)家也開(kāi)始對(duì)故障診斷技術(shù)進(jìn)行了深入研究，隨著科學(xué)技術(shù)的不斷進(jìn)步以及計(jì)算機(jī)技術(shù)、傳感檢測(cè)技術(shù)的不斷革新，故障診斷技術(shù)呈現(xiàn)出多樣化，如今，故障診斷逐漸發(fā)展成為了一個(gè)匯集多領(lǐng)域的交叉學(xué)科。通過(guò)近年來(lái)的文獻(xiàn)分析，針對(duì)滾動(dòng)軸承故障診斷方法主要可以歸納為三類：基于信號(hào)處理與分析的故障診斷方法，基于模型的故障診斷方法，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法，以下將逐個(gè)詳細(xì)介紹其基本特點(diǎn)以及研究現(xiàn)狀。1.1.1基于信號(hào)處理與分析的故障診斷方法基于信號(hào)處理的故障診斷方法通過(guò)對(duì)振動(dòng)信號(hào)進(jìn)行分解、帶通濾波、降噪并結(jié)合時(shí)域分析、頻域分析以及時(shí)頻域分析等信號(hào)分析手段實(shí)現(xiàn)對(duì)滾動(dòng)軸承振動(dòng)信號(hào)的特征提取和故障判別。蔡艷平等[14]把經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)與譜峭度相結(jié)合，將信號(hào)分解為若干本征模函數(shù)(IntrinsicModeFunction，IMF)并利用譜峭度的濾波作用對(duì)故障分量進(jìn)行篩選，通過(guò)包絡(luò)分析成功提取到了軸承內(nèi)圈故障頻率；顏丙生[15]則利用經(jīng)驗(yàn)小波變換(EWT)通過(guò)階次分析實(shí)現(xiàn)了非平穩(wěn)工況下的軸承故障檢測(cè)；王曉龍等[16]通過(guò)變分模態(tài)分解(VMD)篩選出的故障分量并進(jìn)行1.5維譜分析，該方法有效提取到了滾動(dòng)軸承早期故障的微弱特征；RezaGolafshan[17]將振動(dòng)信號(hào)構(gòu)建hakel矩陣，并對(duì)其進(jìn)行奇異值分解(SVD)，通過(guò)分組重構(gòu)對(duì)原始信號(hào)降噪，該方法極大減弱了背景噪音的影響，在包絡(luò)解調(diào)譜中成功提取到了故障的特征頻率；A.SanthanaRaj[18]則是將未經(jīng)抽取的小波變換(UDWT)與經(jīng)驗(yàn)?zāi)B(tài)分解相結(jié)合，在降噪后的故障分量頻譜中成功觀察到了故障頻率，結(jié)果表明采用二者相結(jié)合的方法要優(yōu)于直接對(duì)信號(hào)進(jìn)行頻譜分析；LotfiSaidi[19]提出了一種基于譜峭度的平方包絡(luò)譜分析方法，通過(guò)短時(shí)傅里葉變換(STFT)確定濾波頻帶和中心頻率，有效的實(shí)現(xiàn)了故障類型的診斷。基于信號(hào)處理于分析的方法可以歸結(jié)為通過(guò)適當(dāng)手段對(duì)信號(hào)進(jìn)行測(cè)量與分析以提取到故障特征，并通過(guò)先驗(yàn)知識(shí)結(jié)合譜分析的方法實(shí)現(xiàn)故障判別。1.1.2基于模型的故障診斷方法 基于模型的故障診斷方法則是從被研究對(duì)象出發(fā)，構(gòu)建出該對(duì)象的動(dòng)力學(xué)模型，并利用模型的輸出與實(shí)際系統(tǒng)測(cè)量值的一致性程度來(lái)實(shí)現(xiàn)故障的檢測(cè)，該方法需要非常深入的了解被診斷對(duì)象的內(nèi)部機(jī)理，需要充分考慮各種參數(shù)影響，研究人員需要有較強(qiáng)的數(shù)學(xué)基礎(chǔ)。李昊澤等人[20]建立出了一種圓柱滾子軸承外圈局部故障的動(dòng)力學(xué)模型，該模型可以很好的指導(dǎo)時(shí)變激勵(lì)下滾子軸承的狀態(tài)評(píng)估。龍建[21]等對(duì)軸承單點(diǎn)損傷復(fù)合故障進(jìn)行了動(dòng)力學(xué)模型，該模型具有較好的動(dòng)力學(xué)反應(yīng)特性；L.Bizarre[22]等充分考慮了角接觸球軸承元件間的彈性流體動(dòng)力(EHD)潤(rùn)滑的影響，將EHD非線性降階模型應(yīng)用于5自由度角接觸球軸承的完整模型中，該模型可以實(shí)現(xiàn)油潤(rùn)滑下的角接觸球軸承的故障診斷和分析；YaminLi[23]等提出了一種滾道缺陷下的軸承模型并將其集成至主軸有限元模型中，模擬了不同缺陷下主軸系統(tǒng)的振動(dòng)響應(yīng)并對(duì)其分析，利用此模型可以對(duì)主軸的狀態(tài)檢測(cè)與故障診斷提供有力依據(jù)。GideonKogan等[24]基于經(jīng)典動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)方程利用非線性彈簧與阻尼器模擬了軸承元件之間的相互作用，建立了三維滾動(dòng)軸承的動(dòng)力學(xué)模型，該模型可以模擬各種機(jī)械故障。建立有效的、符合現(xiàn)實(shí)情況的滾動(dòng)軸承故障動(dòng)力學(xué)模型是基于模型的故障診斷方法的難點(diǎn)所在，不難看出，基于模型方法雖然能較精確的做出診斷。但是，該方法不具有普適性，對(duì)于不同類型、參數(shù)、運(yùn)行潤(rùn)滑條件、損傷部位以及損傷狀態(tài)下建立不同的模型有很大的差別。機(jī)電大數(shù)據(jù)時(shí)代的到來(lái)使得基于模型的故障診斷方法正在漸漸被其他高效，泛化性好的故障診斷方法所取代，然而基于模型的方法對(duì)我們了解軸承系統(tǒng)的動(dòng)力學(xué)特性以及故障機(jī)理仍然有著重大意義。1.1.3基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法 隨著信息技術(shù)與傳感檢測(cè)技術(shù)的飛速發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的軸承故障診斷方法逐漸成為主流。數(shù)據(jù)驅(qū)動(dòng)方法與基于模型的故障診斷方法相比，其最大的優(yōu)勢(shì)就是不需要對(duì)診斷對(duì)象建立準(zhǔn)確的動(dòng)力學(xué)模型，而是以數(shù)據(jù)作為故障推理的指導(dǎo)，輔以信號(hào)處理提取到的特征亦或是自動(dòng)進(jìn)行特征提取，自動(dòng)實(shí)現(xiàn)故障診斷?；跀?shù)據(jù)驅(qū)動(dòng)的方法與當(dāng)前工業(yè)現(xiàn)代化、智能化的發(fā)展趨勢(shì)相一致，因此廣大學(xué)者對(duì)此進(jìn)行了深入研究。 本文將基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法再細(xì)分為基于傳統(tǒng)機(jī)器學(xué)習(xí)故障診斷方法以及其由其衍生而出的基于深度學(xué)習(xí)的故障診斷方法兩類。 （1）基于傳統(tǒng)機(jī)器學(xué)習(xí)故障診斷方法在滾動(dòng)軸承故障診斷方面，基于傳統(tǒng)機(jī)器學(xué)習(xí)方法的故障診斷方法普遍是信號(hào)處理技術(shù)與機(jī)器學(xué)習(xí)的有機(jī)結(jié)合，通過(guò)對(duì)滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行一定的信號(hào)處理，以提取表征故障信息的特征，借助傳統(tǒng)機(jī)器學(xué)習(xí)算法，通過(guò)有監(jiān)督或者無(wú)監(jiān)督的對(duì)這些特征向量實(shí)現(xiàn)分類以達(dá)到故障診斷的目的。在這里，機(jī)器學(xué)習(xí)普遍扮演的是“特征分類器”的角色。ArjunKumarShah等[25]將振動(dòng)信號(hào)EMD分解，將得到分量的時(shí)域和頻域特征輸入至人工神經(jīng)網(wǎng)絡(luò)(ANN)中實(shí)現(xiàn)了故障的分類；JalelKhelil[26]使用粒子群優(yōu)化算法(PSO)對(duì)離散小波變換的關(guān)聯(lián)濾波器進(jìn)行優(yōu)化，在不同機(jī)器學(xué)習(xí)分類器下均有著令人滿意的故障判別準(zhǔn)確率；AidaKabla[27]對(duì)振動(dòng)信號(hào)進(jìn)行了EMD分解，對(duì)含有主要故障信息的IMF分量利用AR模型建模，將AR模型參數(shù)作為故障特征向量并利用支持向量機(jī)實(shí)現(xiàn)了故障的分類。周建民[28]等對(duì)軸承振動(dòng)信號(hào)的集成經(jīng)驗(yàn)?zāi)ＤB(tài)分解(EEMD)能量熵以及時(shí)域特征進(jìn)行提取并篩選，通過(guò)遺傳算法(GA)優(yōu)化的SVM實(shí)現(xiàn)了故障的精準(zhǔn)判別。章雅楠等[29]對(duì)Elman網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)，對(duì)故障信號(hào)進(jìn)行希爾伯特-黃變換(HHT)，將其包絡(luò)譜作為特征向量輸入以實(shí)現(xiàn)故障診斷，結(jié)果表明該方法的診斷的精度與效率與未改進(jìn)前相比有較大提升。在基于傳統(tǒng)機(jī)器學(xué)習(xí)的故障診斷方法里，特征提取的好壞以及機(jī)器學(xué)習(xí)模型的性能與故障診斷結(jié)果關(guān)系緊密，因此該方法的關(guān)鍵在于怎樣選取最能體現(xiàn)軸承故障的特征，以及如何獲取最佳性能的機(jī)器學(xué)習(xí)模型，在此基礎(chǔ)上把二者相結(jié)合以實(shí)現(xiàn)故障的準(zhǔn)確診斷，這兩點(diǎn)也是該方法的重點(diǎn)和難點(diǎn)。（2）基于深度學(xué)習(xí)的故障診斷方法 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的重要分支。相比大多機(jī)器學(xué)習(xí)模型的淺層結(jié)構(gòu)，深度學(xué)習(xí)模型普遍具有較深的網(wǎng)絡(luò)結(jié)構(gòu)，較深的網(wǎng)絡(luò)結(jié)構(gòu)賦予了深度學(xué)習(xí)網(wǎng)絡(luò)強(qiáng)大的表示學(xué)習(xí)能力[30]，使得深度學(xué)習(xí)模型不依賴于特征工程。但是，于此同時(shí)也帶來(lái)了巨大的計(jì)算開(kāi)銷。早期受限于計(jì)算機(jī)的算力，深度學(xué)習(xí)技術(shù)并沒(méi)有引起廣大學(xué)者的重視。隨著計(jì)算機(jī)科學(xué)的發(fā)展，GPU的計(jì)算性能相比幾十年前有了跨越性的提升，得益于此，深度學(xué)習(xí)技術(shù)得到了廣大學(xué)者的廣泛關(guān)注并在近十年得到了飛速發(fā)展。鑒于深度學(xué)習(xí)的諸多優(yōu)點(diǎn)，近年來(lái)有學(xué)者將深度學(xué)習(xí)技術(shù)引入到了軸承故障領(lǐng)域。SaufiSR[31]將Teager能量算子與稀疏自編碼器相結(jié)合提出了一種TKEO-DSAE的故障診斷模型，并對(duì)DSAE的網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，優(yōu)化后的模型在測(cè)試中達(dá)到了99.5%的診斷準(zhǔn)確率。ChoudharyAnurag[32]等對(duì)滾動(dòng)軸承5種故障狀態(tài)下的熱力圖像借助卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像特征自適應(yīng)的特征提取能力，實(shí)現(xiàn)了自動(dòng)識(shí)別分類；張偉[33]針對(duì)一維振動(dòng)信號(hào)的特點(diǎn)，設(shè)計(jì)出了一種端到端的WDCNN模型，該模型實(shí)現(xiàn)了復(fù)雜工況下故障的精準(zhǔn)診斷；史光宇[34]將軸承振動(dòng)的一維振動(dòng)信號(hào)順序采樣并重構(gòu)成二維灰度圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，有監(jiān)督的對(duì)軸承進(jìn)行智能故障診斷；YuL[35]通過(guò)堆疊的長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)可以自動(dòng)分層提取原始時(shí)間信號(hào)中固有的特征，對(duì)滾動(dòng)軸承診斷并取得了不錯(cuò)效果。鄧佳林[36]則將CNN模型改進(jìn)，提出了SECNN模型，通過(guò)自適應(yīng)調(diào)整模型提取的特征通道維權(quán)重，提升了故障診斷的準(zhǔn)確率。不同深度學(xué)習(xí)模型適用于不同的實(shí)際任務(wù)，在軸承故障領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)由于其優(yōu)秀的特征自適應(yīng)提取能力得到了廣泛的使用，因此本文也將結(jié)合遞歸分析技術(shù)，利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)軸承故障診斷。1.2遞歸分析技術(shù)研究現(xiàn)狀現(xiàn)實(shí)中很多信號(hào)都表現(xiàn)為非線性與非平穩(wěn)性，如腦電信號(hào)、肌電信號(hào)、軸承振動(dòng)信號(hào)等，然而傳統(tǒng)的時(shí)頻分析方法如傅里葉變換，小波變換等對(duì)信號(hào)進(jìn)行分析都基于一些假設(shè)，忽視了信號(hào)蘊(yùn)藏的系統(tǒng)的非線性與非平穩(wěn)性。因此，近年來(lái)，越來(lái)越多的學(xué)者開(kāi)始關(guān)注非線性、非平穩(wěn)信號(hào)的分析方法，遞歸分析是非線性時(shí)間序列分析的一個(gè)重要方法，主要包括遞歸圖法（Recurrenceplot，RP）以及遞歸量化分析（Recurrencequantificationanalysis，RQA），尤其適用于非線性和非平穩(wěn)時(shí)間序列的分析[37]。1980年亨利?龐加萊（HenriPoincaré）在對(duì)天體運(yùn)動(dòng)研究中發(fā)現(xiàn)了某些動(dòng)力學(xué)系統(tǒng)具有遞歸特性，提出了著名的龐加萊遞歸定理[38]。人們?cè)诖撕笱芯恐邪l(fā)現(xiàn)遞歸現(xiàn)象普遍的存在于自然界中，然而由于當(dāng)時(shí)缺乏完備的理論與工具對(duì)高維相空間進(jìn)行分析，致使遞歸分析的研究發(fā)展受限。為了描述高維相空間中的系統(tǒng)動(dòng)力學(xué)特性，Eckmann與Kamphorst等學(xué)者于1987年提出遞歸圖法，它提供了一種高維相空間的二維可視化方法，遞歸圖以圖像的方式直觀的顯示了系統(tǒng)的動(dòng)力學(xué)特性，使得人們可以根據(jù)遞歸圖中黑白遞歸點(diǎn)表現(xiàn)出的圖像特征定性的判斷系統(tǒng)狀態(tài)[39]。然而，針對(duì)遞歸圖的定性分析依賴人的經(jīng)驗(yàn)，為了量化遞歸圖中系統(tǒng)表現(xiàn)出的動(dòng)力學(xué)特性，Zbilut與Webber提出了遞歸量化分析理論[40]，對(duì)遞歸圖中的各類結(jié)構(gòu)特征如對(duì)角線、遞歸點(diǎn)數(shù)、水平豎直線等進(jìn)行統(tǒng)計(jì)計(jì)算，以數(shù)值形式反映了系統(tǒng)動(dòng)力學(xué)特性。在此后的幾十年里，隨著Marwan等學(xué)者不斷的推廣完善，遞歸量化分析不斷被完善。遞歸分析技術(shù)如今以被廣泛應(yīng)用于不同的學(xué)科與領(lǐng)域，Marwan等[41]利用遞歸圖實(shí)現(xiàn)了對(duì)心律不齊的檢測(cè)；Acharya[42]等針對(duì)腦電信號(hào)（ECG）提出了一種基于RQA的癲癇預(yù)測(cè)方法；Zhou和Zhang[43]將軸承振動(dòng)信號(hào)構(gòu)的RQA特征向量應(yīng)用于T2控制圖，實(shí)現(xiàn)了滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)；馮瑋等[44]對(duì)超聲信號(hào)遞歸分析實(shí)現(xiàn)了對(duì)金屬構(gòu)件的微裂紋缺陷檢測(cè)。張兵[45]等基于遞歸圖對(duì)隔板式內(nèi)循環(huán)流化床系統(tǒng)的循環(huán)狀態(tài)進(jìn)行分析，并實(shí)現(xiàn)了不同循環(huán)狀態(tài)的判別。張二華等[46]利用遞歸圖理論實(shí)現(xiàn)了橋梁信號(hào)的非平穩(wěn)檢測(cè)；Qian[47]由以上可以看出，遞歸分析技術(shù)在滾動(dòng)軸承故障診斷領(lǐng)域具有巨大潛力，因此本文將遞歸分析引入軸承故障診斷領(lǐng)域。參考文獻(xiàn)YiakopoulosCT，GrylliasKC，AntoniadisIA．RollingelementbearingfaultdetectioninindustrialenvironmentsbasedonaK-meansclusteringapproach[J]．ExpertSystemswithApplications，2011，38(3)：2888～2911.徐世明．基于HMM-SVM的軸承聲發(fā)射信號(hào)故障診斷方法研究[D]．[碩士學(xué)位論文]哈爾濱：哈爾濱工業(yè)大學(xué)，2020.RaiA，UpadhyaySH.Areviewonsignalprocessingtechniquesutilizedinthefaultdiagnosisofrollingelementbearings[J].TribologyInternational，2016：289～306.周濟(jì).智能是制造“中國(guó)制造2025”主攻方向[J].企業(yè)觀察家，2019，11：54～55.王江萍．機(jī)械設(shè)備故障診斷技術(shù)及應(yīng)用[M].北京：石油工業(yè)出版社，2017：１譚雯雯．基于神經(jīng)網(wǎng)絡(luò)的軸承故障診斷研究及其系統(tǒng)實(shí)現(xiàn)[D]．［碩士學(xué)位論文］．北京：北京化工大學(xué)．Farzin，Piltan，Jong-Myon，etal.BearingFaultDiagnosisbyaRobustHigher-OrderSuper-TwistingSlidingModeObserver.[J].Sensors(Basel,Switzerland),2018.張銳戈．滾動(dòng)軸承振動(dòng)信號(hào)非平穩(wěn)、非高斯分析及故障診斷研究[D]．[博士學(xué)位論文].西安：西安電子科技大學(xué),2014.BedarthaGoswami.ABriefIntroductiontoNonlinearTimeSeriesAnalysisandRecurrencePlots[J].Vibration2019，2(4)．黃業(yè)昌．基于深度學(xué)習(xí)的軸承故障狀態(tài)識(shí)別方法研究[D].[碩士學(xué)位論文]武漢：華中科技大學(xué)，2019．雷亞國(guó)，賈峰，孔德同，林京，邢賽博．大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)[J].機(jī)械工程學(xué)報(bào)，2018，54(05):94～104．劉亞.數(shù)據(jù)驅(qū)動(dòng)的滾動(dòng)軸承故障診斷與健康狀態(tài)評(píng)估[D].[碩士學(xué)位論文]山東大學(xué)，2019.黃昭毅．國(guó)內(nèi)外設(shè)備診斷技術(shù)現(xiàn)狀[J]．現(xiàn)代制造工程，1988(09)：40～42.蔡艷平，李艾華，石林鎖，等.基于EMD與譜峭度的滾動(dòng)軸承故障檢測(cè)改進(jìn)包絡(luò)譜分析[J].振動(dòng)與沖擊，2011，30(002)：167～172.顏丙生，聶士杰，湯寶平，等．基于階次分析和EWT的軸承故障診斷研究[J]．組合機(jī)床與自動(dòng)化加工技術(shù)，2018，000(007)：51～54．王曉龍，唐貴基．基于變分模態(tài)分解和1.5維譜的軸承早期故障診斷方法[J]．電力自動(dòng)化設(shè)備，2016，36(007)：125～130．GolafshanR，SanliturkKY．SVDandHankelmatrixbasedde-noisingapproachforballbearingfaultdetectionanditsassessmentusingartificialfaults[J]．MechanicalSystemsandSignalProcessing，2016．RajAS，MuraliN．MorletWaveletUDWTDenoisingandEMDbasedBearingFaultDiagnosis[J]Electronics，2013，17(1)：1～8．SaidiL，AliJB，BenbouzidM，etal．TheuseofSESKasatrendparameterforlocalizedbearingfaultdiagnosisininductionmachines[J]．IsaTrans，2016：436～447．李昊澤，賀雅，馮坤，江志農(nóng)，馮飛飛.考慮時(shí)變激勵(lì)的滾動(dòng)軸承局部故障動(dòng)力學(xué)建模[J/OL]．航空學(xué)報(bào)：1～12[2021-04-17]．龍建，王志剛，徐增丙．滾動(dòng)軸承故障動(dòng)力學(xué)建模及振動(dòng)響應(yīng)特性分析[J]．軸承，2018，000(012)：49～54.BizarreL，NonatoF，CavalcaKL.Formulationoffivedegreesoffreedomballbearingmodelaccountingforthenonlinearstiffnessanddampingofelastohydrodynamicpointcontacts[J].Mechanism&MachineTheory，2018，124：179～196．LiY，CaoH，ChenX.Modellingandvibrationanalysisofmachinetoolspindlesystemwithbearingdefects[J]．InternationalJournalofMechatronicsandManufacturingSystems，2015，8(1/2)：33～48．Kushnirsky，Alex,Bortman，etal．Towarda3Ddynamicmodelofafaultyduplexballbearing[J]．MechanicalSystems&SignalProcessing，2015．MalikH，YAshish，KumarSA．EMDandANNbasedintelligentmodelforbearingfaultdiagnosis[J]．JournalofIntelligentandFuzzySystems，2018，35：1～12．KhelilJ，KKhelil，RamdaniM，etal.DiscreteWav