制造过程故障诊断技术(旋转机械故障诊断的各种应用，使用振动信号进行状态监测的DL算法)

文/编辑丨匠人科普在阅读之前，麻烦您点一下“关注”，方便您进行讨论和分享、增加阅读体验，感谢您的支持。

●—《前言》—●

振动测量和监测在应用中是必不可少的，对于诊断工业机械故障也至关重要，因为它们提供了有关旋转设备状况的信息，所以振动被认为是预测性维修最有效的方法，因为它用于诊断瞬时故障和定期维修。

本文综述记录了基于振动的状态监测的数据驱动和最近发表的深度学习技术。经过全面审查，选择了59项研究进行综合，然后系统地讨论了选定的研究，为研究人员提供了基于振动信号的深度学习故障诊断方法的深入见解。此外，还对未来的研究方向进行了一些评论，包括基于图的神经网络、基于物理的ML和基于变压器卷积网络的故障诊断方法。

●—《介绍》—●

状态监测已经成为成功的工业和制造系统的一个重要方面。各种状况监测方法，如基于声学和声发射的技术已经很普遍。然而，除其他外，振动分析被认为是预测性维护最有效的方法，因为它可以用于排除瞬时故障和定期维护。

根据经验，早期故障诊断在现代工业中非常重要，因为它与降低维护成本、增加机器运行时间以及防止巨大经济损失和毁灭性事故密切相关。

对于在不同速度条件下工作的机器，可以通过使用速度信号对非平稳振动信号进行预处理，从而可以容易地将预处理的信号用于诊断。因此，这意味着速度信号的变化对于有效的故障诊断非常关键。

获取旋转机械的转速信号是一项具有挑战性的任务。迄今为止，获得转速的主要方法有两种：1.放置额外的速度传感器以立即估计速度，2.使用振动水平传感器（例如加速度计）从振动信号中收集速度。

大多数最先进的故障诊断技术都集中在后者上，因为不需要额外的速度传感器，并且通常可以获得令人满意的结果。通过测量传感器的振动水平，可以对齿轮和轴承等不同类型的机械部件进行检查和分析。

相比之下，工程师们经常发现前者具有挑战性，因为由于操作条件有限，放置额外的速度传感器几乎不切实际。此外，如果可能的话，在机器状态监测和维护的成本方面也是经济的。

分析振动信号涉及从设备获取原始信号数据，并指定严重依赖于缺陷的关键特性的过程。在过去的几年里，人们研究了从振动测量中获得速度信号的各种技术，其中绝大多数依赖于时频（TF）表示技术。

TF表示的典型例子是短时傅立叶变换（STFT）和小波变换。基于TF的技术已经被广泛使用，并且被认为对于速度提取是有效的。其他方法包括带通滤波和相位解调、Teager-Kaiser能量算子和卡尔曼滤波器。

有许多速度估算器，然而仍有一些改进需要解决。速度估计器面临的主要挑战是影响谐波结构的操作变化和突然的速度波动。此外，需要手动选择合适的模型参数来分析振动信号。

这种情况将使该过程劳动密集型，因为具有高维特征的大量数据正在逐渐增加。在状态监测中，最常见的方法是检查每个速度传感器的测量值，并设置最小和最大阈值。如果该值在范围内，则机器是健康的，否则机器是不健康的。这种静态极限测量可能会导致无法可靠判断的复杂设备。

机器学习（ML）技术已被用于旋转机械的健康状态诊断。故障诊断技术是模式识别理论的机械扩展，旨在解决工程系统和操作设备中的状态分类问题的说法，故障检测、问题隔离和故障识别是故障诊断系统必须执行的三项任务。

故障诊断系统可用于评估机器在使用时的状态，并实时检测任何故障。信息特征表示通常使用先进的信号处理技术提取，从而能够准确区分故障的位置。这种特征提取与分类方法相结合，以构建所有机器参数之间关系的数学表示。

分类算法考虑了已经测量的经验数据，从这些数据中学习这种关系，并对新的测量数据进行分类，以支持旋转机械的早期诊断系统。分类技术包括各种统计方法、神经网络和模糊逻辑，以及过去几年的深度学习（DL）。

●—《研究目的和贡献》—●

在过去的几年里，DL作为ML的一个子领域，已成为应用于宽阵列应用的领先智能技术。基于DL的技术，如深度神经网络（DNN），已经被开发出来，可以在没有人为干预的情况下自动从巨大的原始数据中提取深度模式。

本文重点记录了使用振动数据进行状态监测的DL技术的概述，讨论了最近发表的一些研究，为研究人员和从业者提供了对基于DL的状态监测方法现状的深入了解。有两个主要贡献：

（1）提供关于DL技术如何被采用以及目前被用于基于振动信号的机器故障诊断的文件；

（2）提出一个基准，在该基准上，来自所选研究的DL模型表现更好。

根据正在解决的问题和本研究的目标确定研究问题，如下所示。

（a）RQ1型：与DL在基于振动的故障诊断技术中的应用相关的先前工作的每年分布情况和出版地点是什么？

（b）RQ2型：哪些类型的DL技术发展得最快？

（c）RQ3型：关于当前研究的挑战和局限性，未来的研究方向是什么？

●—《旋转机械振动信号分析》—●

除了润滑油分析，旋转设备的振动分析和监测也是现代工业的关键活动。振动测量通常在线进行，提供有关机器当前状况的诊断信息的实时来源。该信息与其他参数相结合，有助于振动数据的诊断解释。

一个常见的基于振动的状态监测系统，由连接在机器每个轴承上的几个加速度计组成。还需要额外的传感器来允许对来自不同传感器的信号进行相关分析。图中显示了安装在实验室规模水泵上的一些传感器，而松动的螺母通常用于开发可能与故障有关的机械特征。

值得注意的是，导致旋转机械高振动水平的故障示例包括轴承错位、轴承和齿轮损坏、轴弯曲和共振。

大多数机器部件都会产生特定的振动信号，从而使它们能够被其他部件识别，包括区分故障和健康状况，对振动信号的基本理解将诊断故障并控制机械振动。为了从信号中获取相关信息，需要对其进行分析。

信号实质上携带特征（例如信息），这些特征可以是恒定的或在指定的周期内变化。此外，它们可以分为两种基本类型：（1）平稳的，这意味着它们的统计特征不存在方差；（2）非平稳的，其中时域统计特征随时间变化。

平稳信号可以在时域或频域中进行分析。从旋转机械获得的原始信号通常在时域中，表示在一段时间内获得的时间索引数据点（例如，加速度、速度和背景噪声）的集合。时域故障诊断可分为两大类：

（a）目视检查

它是通过将测得的振动信号与正常条件下，机器先前测得振动信号进行比较来执行的。然而，这种类型的检查被认为对于旋转机器的状态监测是不可靠的，原因有几个：

（1）波形信号之间的差异并不总是清晰可见，（2）处理了大量振动信号和一些背景噪声，以及（3）非常希望早期检测故障，从而使得这样的手动检查不可行。

（b）基于特征的检查

它是通过计算原始振动信号的特定特征来完成的。各种技术包括统计函数（例如，均方根振幅、峰值振幅、平均振幅、方差和标准差）和高级技术（例如，时间同步平均、自回归移动平均和基于滤波器的方法）。

机械状态监测通常使用频率（例如，频谱）域分析，因为它提供了机械特征以及基于频率特性发现信息的能力。由于机器中的故障或缺陷而导致的动力学的可能变化可以被认为是信号幅度的相应变化。

如前所述，旋转机器在时域中产生各种振动信号。因此，为了获得频域中的振动信号，通常使用傅立叶分析来执行这些信号，傅立叶分析可分为三种类型：傅立叶级数、连续傅立叶变换和离散傅立叶变换。

通常已知将信号变换到频域依赖于频率分量不随时间变化的假设（例如，信号是静止的）。因此，更具体地说，频域中的傅立叶变换不能提供时间分布信息。

旋转机械通常会产生平稳信号，但由于速度摆动（例如，速度随时间波动），可能会产生非平稳信号。到目前为止，时频域已被用于非平稳信号，这在机器故障发生时很普遍。已经建立了几种时频信号分析方法，如小波变换、希尔伯特-黄变换和短时傅立叶变换。

DNN（以下简称DL）于2010年诞生，标志着自20世纪90年代以来一直由ML技术主导的学习范式取得了重大突破。更重要的是，DNN和ML形成了人工智能（AI），指的是机器在没有明确编程的情况下模仿人类智能的能力。

DL使用特征学习而不是手工制作的特征工程来执行任务，在特征学习、模型构建和模型训练方面，它比浅层ML算法具有独特的特性。此外，DL包括数十个甚至数百个层表示，这些层表示主要通过称为神经网络的模型学习。

神经网络是一种学习算法，其中利用许多神经元和激活函数来产生输入样本的非线性变换。ML算法在特征提取器的帮助下学习输入数据X的特征。提取的特征用于训练分类器Fθ（.）相比之下，DL算法不需要手工制作的特征表示。

●—《未来的研究方向》—●

DL算法在利用振动信号的故障诊断方法中的应用。尽管当今深度学习的发展令人大开眼界，但仍存在一些挑战和限制，其中一些如下所述，包含工作环境波动的噪声信号可以从实际工业应用中获得。

因此，确定当前的深度学习算法在这种噪声数据下能否表现良好仍然具有挑战性。与应用于其他应用领域的深度学习技术一样，不平衡的数据集可能至关重要。获得的机器健康数据绝大多数是在正常或健康的情况下，直接影响故障诊断模型的训练过程。

●—《文献》—●

【1】Cardona-MoralesO（2014）《船舶传动系统应用中非平稳振动信号状态监测的非线性模型》

【2】VanMerri?nboerB（2014）《使用rnn编码器-解码器学习用于统计机器翻译的短语表示》

【3】DziedziechK（2018）《一种在高度非平稳条件下从振动信号中恢复速度的新方法》

【4】GoodfellowI（2016）《Nips2016教程：生成对抗网络》

【5】GrezmakJ（2019）《用于齿轮箱故障诊断的可解释卷积神经网络》

【6】GuptaP（2017）《非科学受众》