身份证号：41062119880302XXXX
摘要：现代科学技术的发展，极大地促进了机械行业的发展。在各种机械设备中，轴承是最基础也是最重要的部件之一，在高速铁路、精密机床、农业机械等诸多领域都能看到轴承部件的身影。目前，轴承部件已被广泛应用于机械设备中，是机械运行的基础部件。在机械设备中，轴承部件的磨损通常比较大，容易发生故障，影响机械设备的正常运行。有研究数据表明，在机械运行的故障中，有80%都是由轴承故障引发的。因此，需要重视轴承部件的故障诊断和分析，提高轴承部件的故障诊断水平，方便后续的机械维修工作。
关键词：机械设备；轴承故障；诊断；分析
1 轴承故障诊断技术的发展历程
轴承故障的诊断技术，经历了一个长期的发展过程。在技术发展的初期阶段，实际上并没有对轴承故障诊断的有效手段，在很大程度上要依靠个人的经验。一般都是通过音棒接触到机械的轴承部位，通过音棒传导的声音来对轴承的故障进行判断。这种诊断方式有很大的不确定性，而且对个人的经验要求比较高。在该阶段，还出现了用听诊器对轴承的故障进行诊断，这种诊断方法相比音棒传导的方式，在一定程度上提高了故障诊断的成功率，但本质上仍然需要个人具备较为丰富的经验。随着技术的发展，用于轴承故障诊断的技术得到了很大的发展，开始出现了以运用冲击脉冲技术和共振解调诊断技术来诊断轴承的故障。发展到如今，出现了以微机为中心的轴承监视与故障诊断系统，在很大程度上提高了轴承故障诊断的效率与准确性。
2 轴承故障检测及其诊断技术分析
在实际的机械运行维护保养中，可将轴承部件的故障产生的原因总结为几下几点：(1)设计上的原因，在进行机械设计时，一些机械设备所选用的轴承部件不能与机械运行完全吻合，因此轴承在运行中极易出现错误和偏差；(2)轴承的润滑不佳，机械运行过程给轴承部件带来了较大的磨损；(3)轴承本身的质量不佳，机械加工的精度不足，导致轴承的精度无法满足机械运行的精度；(4)机械超载以及机械腐蚀的问题。
轴承是一种主要的轴承部件类型，目前大多数机械都使用了轴承部件，通常机械设备故障有很大一部分是由轴承发生故障引起的。数据研究显示，在齿轮箱发生的故障中，轴承部件的故障率大概在30%左右，因此对轴承的故障诊断十分重要。
当前，针对轴承的故障诊断技术有很多，比较常见的就是冲击脉冲诊断法（SPM法）。该技术可以通过脉冲对轴承部件的状态进行高效准确的判断，当轴承出现裂纹、疲劳剥落、磨损或者滚道内进入异物时，轴承的运行会展现出一种异常的状态，并会在运行中产生冲击，这种冲击就是对轴承故障进行诊断的重要依据。轴承的运行冲击一般表现为脉冲性振动，可以根据脉冲振动的强度来判断故障的特征和程度。轴承在正常运行中，还会产生很多低频信号，但由于轴承的材质不同，结构和转速也不同，所以在轴承的低频信号上会有很大的区别。一般来说，轴承运行的低频信号频率范围一般在20～20 000 Hz，通过记录不同型号轴承的频率，可以实现对轴承异常频率的故障判断，这是目前冲击脉冲诊断法（SPM法）得到广泛运用的主要原因。
3 滚动轴承故障诊断
3.1 基于模型驱动的滚动轴承故障诊断
基于模型驱动的滚动轴承故障诊断方法需要工作人员非常熟悉滚动轴承的运转原理和其物理层系统，通过了解故障诊断对象的数学模型，按照数学理论进行分析。这种方法一般通过设计一个残差信号发生器，当滚动轴承故障信号通过这个发生器时，会产生一个和理想状态下的滚动轴承所不同的残差信号。常用的方法有奇偶校验方程、状态观测法和状态估计法。
奇偶校验方程是在已知系统的准确模型下进行的一种诊断方法，该模型并不会随着时间的变化而变化。状态观测法和状态估计法与奇偶校验方程法有所不同，它们可以根据某些参数去调整状态变量。状态估计法是通过设备正常运转时的数据来构建状态模型，然后将实际数据与历史数据进行残差运算，再对设备进行状态估计。状态估计的方法有许多，例如卡尔曼滤波法和粒子滤波法。卡尔曼滤波算法由KALMAN提出，它被广泛应用在电气和航空航天等领域。崔玲丽等人将卡尔曼滤波应用在了滚动轴承的故障检测中，将滚动轴承振动数据分成故障冲击数据和正常数据，分别对这两种状态建立卡尔曼滤波器，实验结果证明该方法是有效的。相对于卡尔曼滤波法，粒子滤波法能够很好地过滤掉系统的噪音，较好地反映出状态信息和突发状况，且鲁棒性强。上述两种方法更适合有着状态变量和输出噪声较大等特点的系统。
3.2基于数据驱动的滚动轴承故障诊断
基于数据驱动的滚动轴承故障诊断方法通过对采集的滚动轴承振动数据进行故障特征分析，来匹配其故障类型。常见的基于数据驱动的滚动轴承故障诊断方法包括多元统计分析和基于机器学习的方法等。常用的多元统计分析方法包括灰色关联分析法、Fisher判别分析法和独立主元分析法等。杨超等人通过灰色关联度对滚动轴承整个寿命周期的不同阶段的信号数据进行分析，找到滚动轴承的状态异常变化，实验结果证明灰色关联度能够更早地发现滚动轴承故障。单添敏等人先是从滚动轴承振动数据中提取出特征参数，再通过Fisher判别分析法将高维度的特征空间实现低维度变换，然后采用距离作为判别指标来识别故障。张龙等人采用独立主元分析法处理滚动轴承振动冲击特征，得到重构分量，再对其进行包络分析，实验结果表明该方法能够有效减少噪音，提高故障诊断准确度。
近年来不少学者基于机器学习算法进行滚动轴承故障诊断研究。金燕等人为了解决人工神经网络容易造成局部最优解且过早收敛等问题，使用遗传算法来调整因子，大大提高了故障诊断准确率。蒙志强等人先在第一层神经网络中使用多尺度卷积核关联的方法来获得故障特征向量，再用三层卷积池化降维去噪，然后采用全局平均池化、全连接、Softmax分类器进行故障诊断。
4 故障诊断发展趋势
现代工业的生产规模越来越大，机械设备也随之升级换代。由于工业系统越来越复杂以及影响运行的因素越来越多，如果其中一台设备出现故障，将会导致连锁反应，轻则影响整个系统的正常运行，造成经济损失；重则可能导致事故，造成人员伤亡。对这些潜在的故障进行诊断和预测，是工业4.0时代需要解决的重要问题。
目前轴承故障诊断大多是通过各种数据采集装置采集轴承运行时的数据，利用数据挖掘的方法来进行故障诊断。随着采集的振动数据越来越多，从海量振动数据中进行信息挖掘的难度也越来越大。在工业大数据环境下，采用传统的串行算法进行轴承故障诊断时，诊断效率不高，随着分布式平台的出现，将串行算法在分布平台上实现并行化处理是一个不错的解决方法。
参考文献
[1] 张龙,胡俊锋,熊国良.基于MED和ICA的滚动轴承循环冲击故障特征增强.计算机集成制造系统,2017,23(02):333-339
[2] 金燕,刘少军,张建阁.基于遗传算法优化的人工神经网络下高速滚动轴承的疲劳可靠性.航空动力学报,2018,33(11):2748-2755
[3] 蒙志强,董绍江,潘雪娇,等.基于改进卷积神经网络的滚动轴承故障诊断.组合机床与自动化加工技术,2020(02):79-83
[4] 许立,张宇,汤武初,等.基于BP神经网络的圆锥滚子轴承故障诊断.组合机床与自动化加工技术,2016(11):105-107,111