旋转机械故障诊断研究方法进展
摘要：对旋转机械故障诊断的研究及应用现状进行了总结和分析，对传统故障诊断方法和智能故障诊断方法进行了简单叙述，探讨了智能故障诊断存在的问题，对旋转机械故障诊断的研究进行了展望。
关键词：深度学习；旋转机械；故障诊断；神经网络；
0前言
现代工业生产已经朝着高速化、系统化和自动化发展，使机械生产系统的规模逐渐增大，机械结构及控制部分越来越复杂化[1]，对机械传动设备的要求越来越高，不仅要求机械传动设备能够传递较大的功率和载荷，且传动系统本身必须具备较好的可靠性[2]，所以对传动系统发生故障的前兆必须进行准确的诊断。如何在复杂的传动系统中提取出有效的故障信号，就成为一个重要的有待解决的问题[3]。对于旋转机械设备，其面临的主要的故障有不平衡、轴承不对中、松动、齿轮部件的断裂磨损等[4]，而这些故障可以采用基于知识的方法、基于解析模型的方法和基于信号处理的方法进行诊断[5]。但是一般传统的故障诊断方法难以适应目前故障信息量愈加庞大且随着技术的革新快速增长的境况。文献[6]指出传统的故障提取方法对一些简单信号有效，但对于一些复杂信号，在内外多激励干扰情况下，传统故障特征提取方法难以提取到有效的早期故障特征。文献[7]指出数据规模呈井喷式增长，数据种类日渐丰富，数据结构愈加复杂，在浩瀚的大数据洪流中淘出“真金白银”，已成为世界各国的共识，智能故障诊断有望成为大数据下机械装备数据处理与故障诊断的一把利器。所以在现实的驱动下，不得不探寻智能故障诊断方法，而深度学习的概念早在年就被HINTON和SALAKHUTDINOV[8]提出，其核心的BP算法最早由Werbos于年提出，被用来训练人工神经网络，随着计算能力的提升尤其是GPU加速计算的实现，为解决不同类型的问题，越来越丰富的网络模型相继被提出，模型深度也在逐渐加深[4]。目前深度学习被概括为卷积神经网络、深度置信网络、堆叠自动编码网络、递归神经网络四种典型模型[9]，另外还有生成式对抗网络[4]。在旋转机械故障诊断过程中相关学者、研究人员越来越倾向于对后者探索与应用。所以本文对旋转机械故障诊断的研究及应用现状进行了总结和分析，对传统故障诊断方法和智能故障诊断方法进行了简单叙述，探讨了智能故障诊断存在的问题，对旋转机械故障诊断的研究进行了展望。
1故障诊断的研究现状
1.1传统故障诊断方法的研究
针对旋转机械中的齿轮箱故障诊断，其关键在于信号故障特征提取和故障模式的分类识别[10]，在齿轮箱运转过程中，故障信号与内外界噪声糅杂在一起，为此相关学者、研究人员提出了一系列方法来有效提取故障信号并对其分类识别。何群等[11]针对在齿轮箱故障特征难以被有效提取的问题，提出了使用基于信号共振稀疏分解和最大相关峭度解卷积的故障诊断方法，实现了谐波信号和冲击信号的分离和对周期性脉冲的增强提取，能够有效提取振动信号被谐波和噪声淹没的微弱周期性冲击成分。包文杰等[12]在针对行星齿轮箱的故障诊断中，提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法，该方法对原始信号进行基于路径优化自适应短时傅里叶变换，之后对故障数据重新进行角度采样从而得到角度域信号，然后对角度域信号做阶次分析得到振动信号的阶次图进行识别故障。张立智等[13]采用经验模态分解原始信号，构造时域与频域空间状态矩阵后对其进行奇异值分解对故障信号进行提取，然后利用深度卷积网络进行故障分类，实现对有效故障信号的提取与识别。邢海波等[14]在经验模态分解的基础上采用一种改进局部均值分解算法对原始信号进行处理，之后选取各乘积函数分量中最大的峭度值分量作为后续包络谱识别的信号，实现对故障模式的识别，解决了齿轮箱微弱故障特征难以提取的境况。相比于经验模态分解和传统的局部均值分解，变分模态分解方法具有对噪声信号更好的鲁棒性及较小的端点效应，能克服模态混叠，得到更佳的信号分解效果[15]。李宏坤等[16]使用参数优化的变分模态分解，能得到更佳的分解结果，利用循环自相关谱的循环频率域切片提取信号较弱的故障特征周期成份，使用能量算子解调算法得到切片的瞬时幅值成分，克服模态混叠，实现故障提取与识别。上述故障特征提取方法一般都需要掌握大量的信号处理知识和丰富的专家诊断经验，同时其单一故障特征提取和单一分类器故障分类识别模式，在大数据环境下面对浩瀚的数据有效且快速提取出故障信号显得力不从心。
1.2多样性特征提取以及深度学习在故障诊断中的研究
机械大数据的大容量、低密度、多样性、时效性特性促使故障诊断亟需在现有基础上做出转变，并带来前所未有的机遇[7]。针对大数据时代故障诊断的特点相关学者、研究人员充分利用深度学习网络进行故障特征的提取与识别。金棋等[6]在行星齿轮箱振动信号噪声干扰大，单一分类器泛化能力不强的问题，提出基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法，有效提高故障诊断精度与稳定性，具有较强的泛化能力。岳帅旭等[17]针对实际工况条件下很难或无法获取大量带标签数据的问题，提出机械设备故障的深度对抗迁移诊断方法MAAN，该方法在一定条件下可以有效解决数据集缺少标签的难题，可以实现机械故障诊断的智能诊断。贾彦杰等[18]提出一种基于一维卷积神经网络的智能诊断方法，适用于一维振动信号，且具有准确率高、时间成本低、不受测不准原理限制等优点，并且该模型将特征提取和智能诊断两个阶段合并到一个模型中，简化故障诊断过程，提高了设备监测的效率。王登峰等[19]为了获取原始振动信号与故障模式之间的非线性映射关系，提出了一种基于堆叠式自动编码器与深度Q网络相结合的深度强化学习旋转机械故障诊断方法，该方法在保证了诊断精度与可靠性的前提下，大大减少了对故障诊断的先验知识和专家经验的依赖，有效地实现了旋转机械端到端的故障诊断。齐爱玲等[20]针对传统的滚动轴承故障识别方法效果较差，对专家经验依赖较高的问题，提出一种基于融合特征的双通道CNN滚动轴承故障识别方法，该方法对不同种类的滚动轴承故障的识别均能做出准确的判断，识别准确率高。刘红军等[21]将一维时序振动信号通过格拉姆角差场转化为二维图像，提取了图像特征，并输入了改进后的CNN模型，通过Adam小批量优化法进行了迭代训练，达到了理想的检测精度，该诊断方法在特征提取方面更快速、准确，充分展现了CNN模型的非线性表达能力。胡晓依等[22]针对传统智能诊断方法过分依赖于信号处理和专家经验提取故障特征以及模型泛化能力差的问题，基于深度学习理论，提出将卷积神经网络算法结合SVM分类器搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型，该方法具有较高识别准确率，并且模型有较强泛化能力和强化学习能力。童靳于等[23]为了提升深度自编码网络的特征挖掘能力和自适应地选取网络超参数，提出了一种增强深度自编码网络，该方法具有更强的特征提取能力与稳定性。李巍华等[24]为了解决不同的特征提取方法所得到的特征不同问题，提出利用DBN可以从低层逐步学习到高层抽样的特点，直接从原始数据出发，对轴承故障进行识别，无需进行特征提取，减少了人为参与因素，增强了故障诊断的智能性。
综上所述大部分故障诊断方法都具有融合与改进的特性，单一的深度学习网络对故障提取与识别表现能力差，但是经过融合互补，可以有效实现对故障的诊断，今后可以探究各类诊断方法相融合的模式来增强对故障的提取与识别能力，同时以上故障诊断方法虽然实现了故障提取与识别，但在大数据时代，故障愈发表现为耦合性、不确定性和并发性，所以还要不断优化网络模型，进行多层次融合诊断，提高在复杂工况下的综合故障诊断能力。
笔者认为传统故障诊断方法没有与深度学习融合，单纯对信号进行数学处理，可处理低频有限样本数，且依赖先验知识和专家经验，工作量大，故障识别速度慢、效率低，而智能故障诊断方法是基于深度学习的故障诊断，可处理大数据故障信息，可通过训练，实现智能故障识别，处理数据量大，故障识别速度快、效率高。
2故障诊断方法
广义上讲，故障诊断包括三个环节，分别是信号获取、特征提取、故障识别与预测。
2.1传统故障诊断方法[7]
在信号获取上可以是振动信号、声场信号、声发射信号、转速信号、载荷信号、电流信号、热感成像等等。
在特征提取上可以在时域、频域和时频域提取，时域上可以采取轴心轨迹、统计特征、混沌与熵等方法；频域上可以采取傅里叶变换、全息谱技术、高阶谱分析等方法；时频域可以采取短时傅里叶变换、小波分析、经验模式分解等方法。
在故障识别上可以采取专家系统、聚类算法、神经网络、K最近邻算法等方法。
在故障识别上可以采取隐马尔科夫模型、高斯过程回归、支持向量机、相关向量机等方法。
2.2智能故障诊断方法[4,9,25]
近年来深度学习逐渐成为大数据处理的新型工具，由于其强大的学习能力，能够通过大量的数据来发现数据之间的联系，找到引发质变的量变现象，同时通过这些海量数据不断训练学习，将有价值的信息保留下来，最后能够从大量的非标签数据中自动提取相应的特征表达分类。
目前深度学习模型常见的有卷积神经网络CNN、深度置信网络DBN、堆叠自动编码网络SAE、递归神经网络ＲNN以及生成式对抗网络GAN等等。
卷积神经网络CNN：一个传统的CNN模型由一个输入层，两组交替出现的卷积层和池化层，以及全连接层组成，现在已经是图片和视频识别领域应用最为广泛的方法，且在故障诊断领域也有大量的应用[13,20-22]。
深度置信网络DBN：DBN由若干个受限玻尔兹曼机RestrictedBoltzmannMachine，RBM和Softmax回归层组成，DBN是根据生物神经网络的研究及浅层神经网络发展而来，是贝叶斯概率生成模型的一种特殊形式，DBN对输入数据采用多个多层感知器以非线性运算方式做分布式表征处理，这种数据处理方式在少量样本集的情况下，也能够挖掘数据集的核心特征，进而完成对量测数据的高级特征提取与表达。
自编码器AE：自编码器通过逐层学习深度的网络然后对整个网络进行参数调优，解决了容易陷入局部最小值的问题，自编码器是一种无监督的学习算法，由编码器和解码器组成,其原理是数据经过编码器进行压缩后再通过解码器解压恢复，通过不断训练从而减少输入输出之间的损失，最终实现特征的抽取和数据的降维。
自编码器可分为降噪自编码器DAE、稀疏自编码器SAE、卷积自编码器CAE、变分自编码器VAE等。
递归神经网络RNN：RNN是一类处理序列数据的深度学习网络，在自然语言处理中应用较多，与其他神经网络不同，RNN网络在层间的神经元也建立连接。
生成式对抗网络GAN：GAN作为非监督深度学习的代表，创造性地提出了生成器和判别器，可以明显提高样本生成质量和故障分类能力。
3智能故障诊断存在的问题[9,25]
智能故障诊断依赖于深度学习，而深度学习在故障诊断中主要集中在特征提取、分类器、降噪滤波、系统参数辨识等方面，其中状态特征提取尤其活跃。针对深度学习在复杂环境下诊断效果不佳，未来要解决新的故障类型识别、特征提取与故障机理映射、复杂性故障诊断、模型层数和模型参数优化、混合深度学习与传统故障诊断模型、训练样本多源不统一且海量、训练速度等问题。
对于新的故障类型，在新型工业的快速发展中，被诊断的对象日趋复杂，获取有效以及准确的故障类型也将会越来越困难，新的故障类型无法预料。新的故障类型识别目前深度学习在故障诊断中还存在着局限性。大量学者把深度学习应用在机器的故障诊断中，都需要已知机器故障的类型，再通过深度学习进行数据类型识别。
对于特征提取与故障机理映射，如何将深度学习与现有欠故障机理相结合,解决复杂工业系统故障的“相关性”问题,实现系统运行状态特征的有效提取是一个极具挑战性的问题。
对于复杂性故障诊断，复合故障和系统故障由于多因素耦合和传递路径复杂,往往导致单一信号处理方法难以有效溯源故障成因,而目前针对此复杂性故障有效的解决方案就是增加传感器,力求通过增加监测手段实现该类复杂性故障的检测与诊断。
对于故障诊断模型的参数优化调整，模型层数和模型参数深度学习对机器进行故障诊断时，在不同的领域诊断，其模型特征是搭建的取模型中需要对模型层数、节点参数等信息进行调整，通过大量的尝试与测试来获得最佳的模型层数和模型参数，目前还没有确定的方法。一个可行思路是从最大化特征获得有效数据信息，设立目标精度以达到有监督的模型训练方法。虽然深度学习算法有利于解决复杂工业系统故障的“大数据”特性,但对于优化学习模型参数的研究报道很少，这无疑是一大阻碍。因此，在模型构建过程中模型参数的动态优化调整也将是其发展的一大挑战。
对于混合深度学习与传统故障诊断模型，如何针对不同模型特点,取长补短、优势互补,实现不同模型相互融合与协同,对复杂工业系统故障诊断工作而言是非常关键的。
对于训练样本多源不统一且海量，如何将深度学习与现有训练数据相结合,构建易于训练,可自适应协调多源海量数据也是一个值得研究的方向。
对于训练速度，深度学习模型的训练速度远比线性模型慢,且受制于训练数据集，而模型规模、训练速度与训练精度之间需要做出权衡是未来深度学习的研究趋势。在搭建的网络模型中需要确保一定的模型规模，也要考虑模型的训练速度，提升模型训练速度是深度学习永恒的追求之一。
4旋转机械故障诊断研究展望
针对旋转机械故障诊断，在未来要适应在复合故障环境下，面对可能会是未知的，不确定性的新故障以及存在欠故障的问题下，实现对有效故障信息的提取与识别。要实现以上前提下的故障诊断，必然会产生大量的原始信号采集数据，而深度学习对处理海量数据有一定的优势，且具有自适应学习能力，所以未来的旋转机械故障诊断势必要与深度学习相融合，并且不断改进，进化，以此来适应更复杂系统的的综合性故障诊断。虽然深度学习可以实现对海量数据的处理，但是面对深度学习网络中故障诊断模型存在的参数优化调整没有具体的方法以及深度学习模型的训练速度受限于训练数据集的问题，未来需要注重研究参数优化调整方案，以及探索改进的或者新型深度学习模型使其在有限样本数据集的前提下，提高训练速度，并推进在必需训练数据集的条件下，快速准确的实现旋转机械故障的诊断。
参考文献
苏乃权,熊建斌,张清华,等.旋转机械故障诊断研究方法综述[J].机床与液压,,46(7):-.余建青,臧观建,谢世坤,等.旋转机械故障诊断中的信号处理技术综述[J].机床与液压,,39(24):-.陈玉东,施颂椒,翁正新.动态系统的故障诊断方法综述[J].化工自动化及仪表,,(3):1-14.吴春志,冯辅周,吴守军,等.深度学习在旋转机械设备故障诊断中的应用研究综述[J].噪声与振动控制,,39(5):1-7.周东华,王桂增.第五讲故障诊断技术综述[J].化工自动化及仪表,,(1):60-64.金棋,王友仁,王俊.基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法[J].中国机械工程,,30(2):-.雷亚国,贾峰,孔德同,等.大数据下机械智能故障诊断的机遇与挑战[J].机械工程学报,,54(5):94-.HINTONGE,SALAKHUTDINOVRR.Reducingthedi-mensionalityofdatawithneuralnetworks[J].Science，，():－．李春林,熊建斌,苏乃权,等.深度学习在故障诊断中的应用综述[J].机床与液压,,48(13):-.李梦瑶,周强,于忠清.基于KPCA和优化ELM的齿轮箱故障诊断[J].组合机床与自动化加工技术,,(4):87-90,95.何群,郭源耕,王霄,等.基于信号共振稀疏分解和最大相关峭度解卷积的齿轮箱故障诊断[J].中国机械工程,,28(13):-.包文杰,涂晓彤,李富才,等.参数化的短时傅里叶变换及齿轮箱故障诊断[J].振动.测试与诊断,,40(2):-,.张立智,徐卫晓,井陆阳,等.基于EMD-SVD和CNN的旋转机械故障诊断[J].振动.测试与诊断,,40(6):-0,.邢海波,陈悦,李敬豪.基于改进LMD算法的齿轮箱故障诊断研究[J].机械传动,,44(12):55-60.WANGY,MARKERTR,XIANGJ,etal.Researchonvariationalmodede