2025《故障诊断技术研究的国内外文献综述》3000字.docxVIP

PAGE

PAGE5

故障诊断技术研究的国内外文献综述

1.1故障诊断技术国内外研究现状

历经了几十年的发展与研究，现如今故障诊断技术已经取得了突破性的进展，不仅在工业上得到了广泛的应用，并形成了一个特色突出的故障诊断专业和学科。滚动轴承作为旋转类机械的关键部件，其故障诊断的发展进程与整个机械故障诊断发展进程趋于一致。现如今，滚动轴承故障诊断的研究重点也是以振动信号分析为核心，并结合信号处理、人工智能等相关知识达到对滚动轴承故障位置、故障程度的精确识别。轴承的故障诊断与定位技术的发展大体上可分为三个阶段，具体如下：

（1）传统的振动信号分析方法

振动信号分析方法包含时域分析法、频域分析法和时频域分析法，不管是哪一种分析方法，其核心是对滚动轴承振动信号的故障特征参数进行提取，这也是后续获取故障诊断结果可靠性程度的决定性因素。

2013年，李玉庆[7]等为了对滚动轴承的滚动体损伤情况进行监测，采用均方根值来评估滚动体的磨损量，进而判断滚动体是处于正常状态或是轻微损伤或者重度损伤。2015年，吴璞[8]等为了实现对列车滚动轴承的故障诊断，提出了分段峭度值的概念，这种分析方法可以有效地抑制噪声，以实现对故障特征进行增强的目的。2017年，Andreas[9]等分析了经过窄频段滤波的滚动轴承振动信号的包络谱，提出了如何确定最优窄频段的一种方法，并且达到了很高的故障诊断准确率。

在时频分析理论中，应用最多的两种特征提取的理论分别是经验模态分解(EMD)和小波包理论。EMD算法不仅突破了傅里叶变换的局限性，还有着极强的自适应性和时频分辨率，然而，由于其本身所存在的端点效应和模态混叠现象较为普遍，很多学者则将经过改进的EMD算法应用到轴承的故障诊断上。

2017年，Guo[10]等提出了一种基于多目标优化的改进经验模态分解方法，并用于提取滚动轴承内外圈的故障特征，相对于其他改进的EMD方法，所提方法在抑制模态混叠效应时效果显著。2018年，Mohammad[11]等对经过EMD改进的集成经验模态分解(EEMD)算法进行了进一步改进，并结合信号去噪方法和高阶谱理论提出了一种故障诊断方法，该方法成功的提高了故障诊断的速度和准确率。

（2）基于机器学习的滚动轴承故障诊断方法

常用的传统机器学习算法包含了决策树、随机森林、K均值、朴素贝叶斯、逻辑回归、支持向量机和人工神经网络等算法。2013年，Amarnath[12]等采用机器学习的研究方法，实验模拟了不同故障类型的滚动轴承故障信号，并从信号中提取具有描述性的统计特征，利用决策树算法对特征进行降维来选择重要特征并对故障进行详细分类，获得了精度在95%以上的诊断准确率。

2016年，周建民[13]等为了研究滚动轴承性能退化趋势，将经验模态分解得到的本征模态函数的能量作为其特征向量，并建立了完整的逻辑回归模型，所建模型不仅能够很好地诊断出滚动轴承的早期故障，也能够较为准确地刻画轴承各个阶段的健康状况。

2017年，Manjeevan[14]等提出了一种基于振动信号分析的混合智能模型用作滚动轴承的故障诊断，该FMM-RF模型由最小-最大神经网络和随机森林模型所组成，模型测试了一个基准问题来评估其实用性，并将实际数据集的功率谱和样本熵对数据进行分类，研究结果表明，FMM-RF在滚动轴承故障分类中具有重要的应用价值。

2018年，路敦利[15]等设计了一种基于KNN和朴素贝叶斯的组合决策算法用于实现滚动轴承的故障识别，首先仍是采用了时频域的小波包能量作为信号的特征，经过一系列的处理后将预分类结果当做贝叶斯算法的输入以完成故障的分类。2018年，Yan[16]等提出了一种基于多域特征的优化的支持向量机模型，模型主要包括多域特征提取、特征选择和故障识别三个阶段，实现了滚动轴承多故障状态的识别。

（3）基于深度学习的滚动轴承故障诊断方法

近年来，随着人工智能技术的普及，深度学习算法作为实现人工智能技术的关键，也越来越受到重视，滚动轴承的故障诊断也正向着智能诊断的方向发展。因此，深度学习极有可能是解决未来人工智能难题的重要突破口。

2015年，YannLeCun，YoshuaBengio和GeoffreyHinton在《Nature》期刊中联合发表的综述性文章《DeepLearning》[17]，标志着深度学习已经是当今各领域的研究热点。深度学习是拥有着多个处理层的能够深层次挖掘数据内在复杂结构的大型神经网络，它是一种强大的特征学习的方法，通过对原始数据运用一些简单但非线性的数据处理方法，把原始数据转换为更加高层次的、强表征力的抽象表达。

DBN是深度学习领域较早提出的方法之一，并在故障诊断领域中的使用较为常见。Zhu等人[18]利用DBN构造了一种分层的诊断网络，提取了小波包能量特征作为网络的