《轴承故障诊断技术发展研究的国内外文献综述》3600字.docx

轴承故障诊断技术发展研究的国内外文献综述

机械设备故障诊断是一门工程技术学科，基本方法为信号处理方法及模式识

别，具有较强的理论性及一定的实践性[15]。

机械设备故障诊断相关的研究起步于上个世纪60年代，阿波罗计划由于机械设备故障原因频频失败，为此美国政府管理部门设置专业的机械故障预防小组[16]。随后，英国成立了机械维护中心，其以保证机械正常运转为中心来进行科学探究，并将结果运用到了诸多能源领域。英国公司对机械故障预防的关注，为企业生产带来一定的安全保障。上世纪70年代，日本高校、研究机构及部分企业开始致力于机械故障诊断的机理研究及应用研究。同时，欧洲诸多国家也成立故障诊断研究中心。如上世纪七十年代法国电力管理部门针对汽轮发电机组状态监测。现如今，随着“智能维护系统(IMS)中心”的成立，美国密歇根大学在故障领域大放异彩。法国贡皮埃捏技术大学在基于振动信号故障诊断领域也取得一定成果[17]。

与发达国家相比，我国在该领域发展起步较晚。最早源于上个世纪80年代的首届设备诊断技术大会。随着我国加大故障诊断领域的研究力度，与此相关的成果也大量出现，在实际应用中取得良好的效果[18]。清华学者在研究过程中具体分析了风机设备的故障诊断问题，且制定出与此相关的方案，在应用过程中取得良好效果。上海交大则设置国家级重点实验室进行故障诊断和检测相关研究。近些年来，我国在工程中开始广泛的应用故障诊断相关技术，在应用中取得良好的效果。如对环境恶劣条件下的振动信号采集后进行综合分析，而确定出设备故障相关情况；北京化工大学提出了机械故障自愈理论。

声发射技术[19，20]、温度检测法[21]、油屑检测法[22]和振动信号分析法[23~25]。为当前机械故障诊断领域主流方法。其中，振动信号分析法最为流行。但由于目前机械设备的一体化程度较高，导致零部件之间振动信号耦合严重。当轴承故障情况下对应的信号也出现明显变化，开始变得非平稳且非线性[26，27]。因此，对轴承进行故障诊断，从频率复杂的振动信号中提取目标信号是此方面的研究重点。为此，国内外众多学者提出若干方法，如傅里叶变换[28]，小波变换[29，30]，Wigner-Ville[31]，经验模态分解[32]等，但依旧具有许多难以弥补的缺陷。

近些年来，基于智能故障诊断方法的滚动轴承故障诊断也受到各界学者的关注。智能故障诊断方法能自动提取特征，这个特点是与传统基于振动信号分析方法的本质区别。滚动轴承智能诊断过程可选择不同的方法，在其中应用比例较高的如监督学习、半监督学习。其中，监督学习这一类别在其他领域发展较为成熟。其输入为带有标签的数据集，利用模型提取信号特征。将模型参数训练至最优后，将测试集输入模型，即可将测试信号进行模式识别。从数据集大小来说，相较于传统方法，智能诊断方法可处理海量数据，且结果更为准备，但美中不足之处在于模型自动提取的特征难以解释。机器学习在各个领域大放异彩，这也将滚动轴承的故障诊断向智能化推进[33]。

上世纪六十年代国外相关滚动轴承的运行状态检测研究开始起步，其后发现过程中各种高性能的检测技术和方法也被大量的提出，滚动轴承故障诊断性能水平不断提升，可很好的满足复杂条件下的应用要求。滚动轴承故障诊断技术在不断的发展演化基础上目前已经很成熟，其发展历程如下[34]。

第一阶段：基于信号变化的诊断方法。与此相关的研究起步于上世纪六十年代，当时Tallian[35]研究振动信号峰值与标准信号的差异情况，且据此来对这种故障进行检测分析。受到信号处理技术相关因素的制约，这种技术的诊断效率不过，不满足实际的应用要求。

第二阶段：基于频谱分析的诊断方法。其后的研究过程中Cooley为高效的对这种信号进行处理，而提出了快速傅里叶变换技术，在信号处理方面表现出很高的应用价值。也为故障诊断领域频谱分析技术的应用打下良好的基础[36]。原始振动数据中一般存在噪音干扰，这样在故障较小时不满足应用要求，检测结果的精确性低。

第三阶段：基于冲击脉冲的诊断方法。瑞典学者在针对滚动轴承表面损伤相关的脉冲信号研究时设计出一种脉冲计，这样可以高效的进行信号分析而确定出滚动轴承的故障[37]。这种方法的灵活性高，在滚动轴承的早期故障诊断方面一直被广泛的应用。

第四阶段：基于共振解调的诊断方法。上世纪七十年代D.R.Harting在研究过程中根据这方面的应用要求，而进行改进研发出一种“共振解调分析系统”[38]，根据实际的经验可知这种方法对轴承的早期轻微损伤可高效的决策，同时故障的部位也可基于包络分析方法确定出，有明显的优势。

第五阶段：基于计算机技术的诊断方法。上世纪九十年代开始，在电子技术的发展带动下，故障诊断系统的性能水平显著提高，可更好的满足复杂条件下的故障检测要求。国外很多公司相继开发出基于计算机信息