滾動軸承性能退化趨勢預測綜述

陳國瑞

摘要：滾動軸承作為旋轉機械的重要零部件之一，其在工業中占有重要的地位，其可靠性直接影響設備能否安全、穩定運行。文章首先闡述了滾動軸承性能退化趨勢預測的研究意義;接著梳理了滾動軸承性能退化趨勢預測中關鍵難點性能退化指標構建對故障特征提取、降維和融合方法，然后進行了有效的性能退化趨勢預測模型分類。最后，對滾動軸承性能退化趨勢預測內容進行了總結。

Abstract： As one of the important parts of rotating machinery， rolling bearing plays an important role in industry， and its reliability directly affects the safe and stable operation of equipment. Firstly， the research significance of rolling bearing performance degradation trend prediction is expounded. Then， the key and difficult points in performance degradation trend prediction of rolling bearings were summarized， including performance degradation index construction， fault feature extraction， reduction and fusion methods， and then the effective performance degradation trend prediction model classification was carried out. Finally， the prediction content of rolling bearing performance degradation trend is summarized.

關鍵詞：滾動軸承;性能退化指標;性能退化趨勢預測模型;深度學習

Key words： rolling bearing;performance degradation index;performance degradation trend prediction model;deep learning

中圖分類號：TH133.33 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-957X（2022）03-0208-03

0 ?引言

隨著社會進步和科技的發展，機械裝備正在朝著智能化、復雜化、高效化方向發展，飛行器、車輛、航空發動機等機械裝備在國民經濟起著重要的作用。在實際工程應用中，機械裝備運行中條件復雜，長期運行的機械設備會出現損壞，在工程應用中，機械設備一旦發生故障，輕則影響生產造成經濟損失，重則導致人員出現生命危險，對社會造成一定的負面影響。因此，如何保證機械設備長期安全穩定運行是當前迫切要解決的難題。滾動軸承作為關鍵的旋轉機械零部件，其性能狀態直接影響著機械設備能否長期安全可靠的運行[1]。滾動軸承運轉是將軸與軸座之間的滑動摩擦變為滾動摩擦，一般由外圈、內圈、滾動體、保持架組成，其失效形式主要有疲勞剝落、磨損、塑性變形、銹蝕與電蝕、裂紋與斷裂、膠合、保持架損壞等。據研究報道，在使用滾動軸承的旋轉機械中，大約有30%的機械故障是由滾動軸承出現故障引起[2]。國內外出現由于滾動軸承失效造成嚴重事故和經濟損失。滾動軸承性能退化趨勢能及時反映軸承的運行情況，避免因滾動軸承損壞造成停機或重大安全事故，因此對滾動軸承進行性能退化趨勢預測顯得尤為重要，如果能對滾動軸承性能退化趨勢進行預測，可以減少維修費用;同時，可以避免因設備損壞導致重大損失，因此對滾動軸承性能退化趨勢進行預測十分必要。深度學習憑借深度學習屬于端到端的學習，數據輸入進去就可以得到結果，方便快捷，不用手工設計規則，可以盡可能的優化損失函數去學習規則，盡可能的挖掘數據潛在特征。并且通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。深度學習在圖像識別、語音識別、故障診斷、壽命預測方面應用比較廣泛，且取得了突出的成果[3]。將深度學習方法用于滾動軸承性能退化趨勢預測取得了不錯的成果，為滾動軸承性能退化趨勢預測提供了有益借鑒。

1 ?國內外研究現狀

目前，目前基于滾動軸承性能退化趨勢預測主要分為基于物理模型的預測與基于數據驅動預測。在物理模型方面，包括貝葉斯模型、隨機過程模型等，但基于物理模型方法依賴于專家經驗知識。隨著全壽命數據體量與標記數據數量限制泛化性能較差，基于深度學習的預測方法成為主流。滾動軸承性能退化趨勢預測關鍵難點：①構建滾動軸承性能退化指標;②建立滾動軸承性能退化趨勢預測模型。

1.1 性能退化指標研究現狀

隨著軸承運行工況復雜度的增加，對其退化過程建立準確的物理模型變得愈加復雜，而基于數據驅動方法受益于傳感器技術發展，可獲得大量監測數據，因此數據驅動故障預測方法逐漸成為主流。其中，構建能夠及時有效反映機械設備性能退化狀態的健康指標是故障預測的重要問題。目前，健康指標構建方法可分為間接健康指標法和直接健康指標法兩類。間接法構建健康指標過程中，由于原始數據無法直接作為健康指標，需要先進行有效的特征提取、特征篩選、特征融合，通過多種特征結合共同表征軸承的健康狀態。針對滾動軸承性能退化指標建立的問題，國內外學者眾多研究了多種方法，主要有以下：

1.1.1 傳統信號分析方法構建性能退化指標

時域分析是以時間為自變量對振動信號進行描述，并計算其反映滾動軸承運行狀態的特征量。通常由時域特征、頻域特征、信息熵、時頻域特征等。時域特征包括均方根值、峭度、偏斜度、峰峰值、最大值等;頻域特征包括重心頻率、均方頻率等;信息熵包括小波包能量熵、奇異值譜熵、幅值譜熵等。該方法是建立性能退化指標最經典的方法。利用時域特征均方根值和峭度作為滾動軸承性能退化指標，來表征滾動軸承性能退化整體運行狀況。但是由于滾動軸承振動信號的復雜性，時域特征是把軸承非平穩信號當作平穩信號來處理。所以單獨的時域特征分析并不能全面表征滾動軸承的整個性能退化過程。頻域分析是利用傅立葉變換分解從時域信號中獲得反映滾動軸承退化特征的頻率。Soualhi首先將原始信號進行分段，然后計算每段的時域峰-峰值和頻域頻譜最大值的比率，采用比率的均方根值和每段信號的標準差之比作為運行監測指標。時頻域分析方法是將信號的時域和頻域信息相結合起來分析的一種方法，可以很好的處理具有非線性、非平穩的滾動軸承振動信號。陳法法等[4]使用將集合經驗模態分解分解與信息熵結合提取集合經驗模態分解能量熵作為性能退化指標。上述性能退化指標雖然能很好的反映出軸承的性能退化趨勢，但是時頻域方法存在單調性差，對早期故障不敏感。

1.1.2 特征融合方法構建性能退化指標

特征融合方法構建性能退化指標過程中，由于原始數據無法直接作為健康指標，需要先進行有效的特征提取、特征篩選、特征融合，通過多種特征結合共同表征軸承的健康狀態。孟文俊等[5]使用主成分分析進行對高維特征集的特征融合，選取主成分分析第一主成分作為軸承性能退化指標。上述方法是針對線性特征問題，而不能解決非線性特征的問題。針對上述方法的不足，王奉濤等[6]使用核主成分分析方法對特征進行降維融合，首先篩選時域、頻域等多于特征，然后利用核主成分分析方法進行特征融合，最后選取融合后一維特征作為滾動軸承性能退化指標。但是基于核的方法面臨著核函數選取的問題，在實際應用中，核函數選擇是通過人工選取存在人工經驗干擾。肖婷等[7]使用局部保持投影對時域和小波包能量熵進行特征融合，選取局部保持投影第一主分量作為滾動軸承性能退化指標。Mori使用等距特征映射算法對特征進行融合，提取等距特征映射第一主分量作為滾動軸承性能性能退化指標。除了流形學習可以處理非線性特征的問題，不少學者使用其它方法解決非線性的問題，柏林等[8]使用支持向量數據對特征進行特征融合;但是支持向量數據受輸入核函數參數影響較大，使用自組織神經網絡對多域特征進行特征融合，但是自組織神經網絡缺乏標準處理圖結構和形狀。王鵬等[9]等使用自編碼器對所提取特征進行無監督特征融合，以構建滾動軸承性能退化指標。上述方法構建性能退化指標的做法均采用特征提取-特征融合方法以獲得滾動軸承性能退化指標，以上方法由特征工程（特征提取，特征融合、特征降維）方法，其優點是通過信號分析能夠較好解釋滾動軸承性能退化指標的實際運行狀態，缺點是在構建軸承性能退化指標時需要大量依賴人工經驗知識篩選傳統時域特征、頻域特征、時頻域特征。提取退化特征仍需依賴大量專家經驗以及傳統的信號處理方法;多數特征提取模型的訓練采用有監督方式，這種方式需要人工構建數據之間的標簽，而標簽的選擇需依賴人工設計與參與，例如，滾動軸承的壽命標簽，需要進行軸承剩余壽命標簽計算，費時且沒有一致標準;為了得到綜合的單調性能退化指標曲線，往往需要針對具體預測的問題，然后再采用多種特征融合及依賴人工選擇時域、頻域、時頻域等多域特征，并且間接構建性能退化指標方法需依靠人工專家經驗以及傳統的信號處理方法;以上方法構建的性能退化指標只適用某一類滾動軸承性能退化過程，不具有通用性，泛化性較差。

1.1.3 深度學習方法構建性能退化指標

近年來，深度學習方法依賴于其具有強大特征自提取能力與非線性函數表征能力，為直接構建軸承健康指標提供了思路。深度學習建立指標是通過深度學習方法對原始振動信號自學習建立性能退化指標，其中由無監督和有監督構建性能退化指標。深度學習方法包括卷積神經網絡、自編碼器、循環神經網絡、深度置信網絡。卷積神經網絡由卷積層、池化層、全連接層構成，卷積層通過卷積核對原始特征進行卷積操作，池化層使用最大池化方式進行池化。卷積層：卷積神經網絡的網絡結構核心，通過局部感知和權值共享，實現了對數據的降維處理，并且能夠自動提取原始數據的特征。池化層也稱為下采樣層或者采樣層，通過對輸入數據各個維度進行空間的采樣，可以進一步降低數據的規模，并且對輸入數據有局部線性轉換的不變性，增強網絡的泛化能力。全連接層經過前面的卷積層和池化層處理后，一方面，輸入數據的維度已經下降至直接采用前饋神經網絡來處理;另一方面，全連接層的輸入特征是經過反復提煉的結果。Guo[10]提出一種基于卷積神經網絡機械設備性能退化指標構建方法，將原始振動加速度信號作為卷積神經網絡的輸入進行訓練，利用訓練好的網絡構建測試軸承性能退化指標。以上基于深度學習方法能夠有效的反映設備性能退化狀態，但是未在網絡訓練階段考慮健康指標的單調性，因此健康指標的性能有待提高。孫世巖提出融合處理一維時間序列數據和二維圖像數據的多輸入混合深度學習網絡健康因子構建模型，但是上述方法把原始數據轉換為二維圖像作為網絡的輸入，增加了網絡的計算復雜度。研究者可從原始振動時域信號出發，利用深度學習特征自提取優勢，深度挖掘時域信號特征，保留最大信號特征，自適應提取原始信號特征，以構建能夠表征軸承退化趨勢的性能退化指標。

1.2 性能退化趨勢預測模型研究現狀

滾動軸承性能退化指標建立后，另一個關鍵問題是建立可靠并且能夠準確預測軸承性能退化趨勢的預測模型。滾動軸承的性能退化趨勢預測是利用軸承的歷史時間序列數據，建立一個合適準確的模型，對滾動軸承未來的退化狀態進行預測的一個過程[11]。近年來，研究者提出了很多性能退化趨勢預測模型，可總結為以下：

1.2.1 傳統性能退化趨勢預測模型

人工神經網絡是上世紀提出的一種模擬生物神經網絡結構和功能的信息處理系統。它優于時間序列分析法，通過中間的隱含層設計，可以近似任何精度的任意函數，特別適用于高精度要求的非線性模型的構造。由于機械設備的振動信號具有非線性和不穩定性，神經網絡預測方法非常適合于機械設備的趨勢預測。人工神經網絡是最傳統的神經網絡，其通常由輸入層、隱藏層、輸出層構成。在模型訓練過程中，人工神經網絡神經網絡作為反向傳播的經典算法在神經網絡中十分重要。將人工神經網絡與非線性時間序列法相結合，構建了變速箱故障預測模型，可以預測變速箱的故障趨勢，并通過實驗驗證了該方法的有效性。但是人工神經網絡具有龐大的訓練參數，導致訓練時間相較長的缺點。支持向量機是Cortes & Vapnik在1995年正式提出，是統計學習理論的一種實現方法，它較好地實現了結構風險最小化思想[12]。但是支持向量機核函數必須滿足 Mercer 條件。為應對支持向量機訓練速度慢、存儲量大的難題，學者們引入了最小二乘支持向量機將求解二次規劃問題轉化為求解高維空間線性最小二乘問題，簡化了計算過程，提高了訓練速度。但是最小二乘支持向量機模型本身并不具備記憶功能，并不能具備挖掘時間序列數據之間的時序特殊的信息關系。

1.2.2 深度學習預測模型

深度學習當前已成功應用性能退化趨勢上。例如以下學者使用深度學習方法在滾動軸承進行性能退化趨勢預測，Guo等[10]使用循環神經網絡模型對滾動軸承剩余使用壽命進行預測。深度學習中循環神經網絡及其變體時間序列預測模型通過引入了定向循環，能夠處理時間序列輸入之間前后關聯的問題，可以彌補傳統機器學習模型不具備記憶特性的缺點。但是普通循環神經網絡在解決長時間序列問題時，存在梯度消失和梯度爆炸問題。Zhang等[13]使用長短期記憶網絡對網絡預測滾動軸承性能退化趨勢。但是長短期記憶網絡具有訓練復雜，網絡參數較多的問題。門機制雖有效地克服了梯度消失，但是過多的門機制會增加網絡的復雜性。門控循環單元使用更新門和輸出門代替長短期記憶網絡的輸入門、遺忘門、輸出門，解決了訓練復雜、網絡參數較多的問題。門控循環單元模型由更新門和重置門組成，門控循環單元神經網絡與長短期記憶神經網絡都是對循環神經網絡的改進，在保證循環神經網絡在時間序列預測方面的優勢的同時解決循環神經網絡中容易出現的梯度問題，門控循環單元神經網絡和長短期記憶神經網絡都只能考慮預測點過去時刻的信息而無法考慮未來時刻的狀態，使得預測精度無法進一步提高。鄭小霞等[14]使用門控循環單元對滾動軸承性能退化趨勢進行預測。以上方法通過對循環神經網絡進行改進，取得了一定的效果。然而，滾動軸承性能衰退過程實際上是一個在時間上具有前后關系的連續變化過程，雙向門控循環單元在原來單向門控循環單元上增加了一個反向利用未來的信息。雙向門控循環單元通過前向和反向傳遞得出最后的結果。前向過程為傳統的單向門控循環單元神經網絡，后向過程是與前向過程相對應的相反方向的預測過程，后向預測過程可以考慮預測點后面時刻的數據對當前隱含層的影響，而預測結果的隱藏層由前向和后向兩個隱藏層共同決定，故雙向門控循環單元神經網絡結合了預測點過去和未來的隱藏層狀態，從而在預測過程中可以進一步提高準確性。其利用前后之間序列關系十分重要，值得研究者關注。

2 ?展望與結論

目前，大多數實驗數據都是在實驗室試驗臺中獲取，實際工程中，必然會存在大量噪聲干擾軸承原始振動信號數據，如何解決噪聲下健康指標構建的問題十分關鍵。研究不同參數優化方法原理，探究不同參數優化方法對深度學習預測模型參數優化問題十分重要。如何進行數據分布差異大導致不同工況下滾動軸承性能退化趨勢預測不準確問題亟待解決。文中對滾動軸承性能退化趨勢預測所涉及的主要模塊如特征提取、降維和融合以及性能退化指標的構建進行了詳細的闡述，最后對滾動軸承性能退化趨勢預測模型進行了總結?；谏疃葘W習的方法優勢在于實時反映被測對象的動態特征，研究深度學習在滾動軸承特征提取的運用，探究循環神經網絡預測模型在滾動軸承性能退化趨勢預測的運用。探究滾動軸承振動信號統計特征退化趨勢的演變規律，為滾動軸承性能退化趨勢預測奠定理論基礎，并且深度學習可以相對容易地根據被測對象實時更新模型參數，從而達到較為精準的性能退化跟蹤。

參考文獻：

[1]尤明懿.基于狀態監測數據的產品壽命預測與預測維護規劃方法研究[D].上海交通大學，2012.

[2]李興林，張仰平，曹茂來，等.滾動軸承故障監測診斷技術應用進展[J].工程與試驗，2009，49（004）：1-5.

[3]尹寶才，王文通，王立春.深度學習研究綜述[J].北京工業大學學報，2015，41（01）：48-59.

[4]陳法法，楊勇，馬婧華，等.信息熵與優化LS-SVM的軸承性能退化模糊?；A測[J].儀器儀表學報，2016，37（04）：779-787.

[5]孟文俊，張四聰，淡紫嫣，等.滾動軸承壽命動態預測新方法[J].振動.測試與診斷，2019，039（003）：652-658.

[6]王奉濤，陳旭濤，柳晨曦，李宏坤，韓清凱，朱泓.基于KPCA和WPHM的滾動軸承可靠性評估與壽命預測[J].振動.測試與診斷，2017，37（03）：476-483，626.

[7]肖婷，湯寶平，秦毅，等.基于流形學習和最小二乘支持向量機的滾動軸承退化趨勢預測[J].振動與沖擊，2015，34（09）：149-153.

[8]柏林，閆康，劉小峰.面向軸承壽命預測的特征評估與模型優化[J].振動.測試與診斷，2020，040（002）：361-366.

[9]王鵬，鄧蕾，湯寶平，韓延.基于自編碼器和門限循環單元神經網絡的滾動軸承退化趨勢預測[J].振動與沖擊，2020，39（17）：106-111，133.

[10]Guo L ， Li N ， Jia F ， et al. A recurrent neural network based health indicator for remaining useful life prediction of bearings[J]. Neurocomputing， 2017， 240（May31）：98-109.

[11]Zhang B， Zhang S ， Li W . Bearing performance degradation assessment using long short-term memory recurrent network[J]. Computers in Industry， 2019， 106：14-29.

[12]陳昌，湯寶平，呂中亮.基于威布爾分布及最小二乘支持向量機的滾動軸承退化趨勢預測[J].振動與沖擊，2014，33（20）：52-56.

[13]于重重，寧亞倩，秦勇，等.基于T-SNE樣本熵和TCN的滾動軸承狀態退化趨勢預測[J].儀器儀表學報，2019，40（08）：39-46.

[14]鄭小霞，錢軼群，王帥.基于優選小波包與馬氏距離的滾動軸承性能退化GRU預測[J].振動與沖擊，2020，39（17）：39-46.