來源（yuán）：軸承（chéng）雜誌社

對於滾動軸承故障診斷，國（guó）內外很（hěn）多學者開展了各種研究，提出了很多的方（fāng）法。20世紀60年代中期，隨著（zhe）信號分析理論的發展，信號處理方法開始創新。尤其是在快（kuài）速傅裏葉變換fast Fourier transform，FFT)出現之後，開始（shǐ）使用各種常用頻譜分析儀（yí）來診斷軸承故障（zhàng）。之後（hòu），衝擊脈衝（故障類型識別、抗幹擾能力、穩定性較（jiào）差）、共振解調（診斷效率低）等技術方法不斷（duàn）湧現。隨著計算（suàn）機與互聯網技術的快速發展，信息處理（lǐ）與人工智能技術的應用，使得軸承故障診斷的智能（néng）性變為可（kě）能。雖然傳統監測儀器和離線監測技術等仍在廣泛（fàn）應用，但計算機輔助的在線（xiàn）監測網絡化模式，因其智能化與高效率，將是未來的趨勢。

下麵介紹一些還有學者在不斷研究的故障（zhàng）診斷方法。

1、小波變換（wavelet transform，WT）：由於短（duǎn）時傅裏葉變換在（zài）處理（lǐ）快速信號的不足，因此需要對窗口（kǒu）不（bú）能隨頻率變換而改變的問題進行突破，而小波變換實現了這點。小波變換是一種小波伸縮與平移的方法，通過研究變窗（chuāng）函數，形成了一種多分辨率分（fèn）析的小波構造方法，廣泛應用於信號提取、去噪和壓縮。

2、經驗模態分解(Empirical Mode Decomposition，EMD)：是能夠更具信（xìn）號本身進行自適應的處（chù）理方法，非常適用（yòng）於滾動軸承的非線（xiàn）性非平穩（wěn）故障信號的分析處理。為進一（yī）步解決（jué）EMD中存在的模態（tài）混疊（dié）等問題，N.E.Huang進一步提出了集成經驗模態分解（Ensemble Empirical Mode Decomposition, EEMD）方法。

3、模糊聚類：收集大量的機器各種運行狀態下的數據集，與當前數據進行對比診斷，計算出和曆史狀態哪類更相似，把他們聚為一類，進行模式識別，診斷故（gù）障類型。

4、粗（cū）糙（cāo）集：是一種通過對原始數據進行分析，發現其中所（suǒ）包含的規律，從而實現分（fèn）析與化簡的目的。

5、專家係統：所謂的專家係統本質上是一個智能程序。通過程序來對人類決策方式進行模擬，讓專家係統仿佛具備人類推理與（yǔ）決策的能力。要想（xiǎng）實現這一點需要對現有知識及經（jīng）驗進行（háng）融（róng）合，並運（yùn）用人工智能等各種（zhǒng）技術。

6、多源信息融合：因為對滾動軸承診斷的手段非常多，而每種方法都各有優勢（shì），因此，將不同的監測（cè）方法得到的數據（jù）進行融合，能對設備（bèi）健康狀況做（zuò）出更加全麵，更加準確的（de）診斷，這即為多源信息融合的主要思想。

7、人工神經網絡：一（yī）般需要結合傳統的時頻域分析方法，對它（tā）們所提供的特征集進行學習，從而達到對故障診斷的目的。

8、大數據：隨著監測設備組規模的增加，每台設備所需的測量點數量增加，每（měi）個測量點（diǎn）的采樣頻率都很高。從服務開始到壽命結束的數（shù）據收（shōu）集時間（jiān）很長，導致（zhì）機械（xiè）設備故（gù）障診斷領域也進入了“大數據”時代。越（yuè）來越多的數據，反應了軸承在各個狀態下的（de）情況，傳統方法已很難對這樣大的數據量進行處理，研究基於大數據處理在故障診斷中的應用也成為必然（rán）。

9、深度學習：深度學習在許多領域的成功應用使其顯示出其他方法無可（kě）比擬的優勢，也提出了滾動軸承（chéng）故障診斷的新思路，目前也是研究熱（rè）點。

隨著對設備檢測要求越來越多越來越高，非常需要（yào）有（yǒu）一套完整的（de）、好用的、智能的、可靠的、係統的解決方案。故障預測（cè）與健康管理技術(Prognostics and Health Management，PHM)係統的出現，不論是在學（xué）術界還是在（zài）工業界，都有很多人在關注。PHM是將各種監測數據經過一係列處理，包括降噪、特征提（tí）取、健康狀況評估及剩餘壽命預測的一整（zhěng）套（tào）完善的係統。對於滾動（dòng）軸承的健（jiàn）康管理係統來說，其包括對原（yuán）始數據預處理、特征值選擇與提取、故障（zhàng）模式（shì）識別、性能退化評估、性（xìng）能趨勢預測和提供維修決策（cè）等步驟。滾動軸承的PHM基本流（liú）程和常用方法見下圖。

滾動軸承健康管理流程及常（cháng）用方法

參考文獻：

1.聶海燕.滾動軸承故障診斷綜述[J].內燃機與配件，2019：:19-150.

2.陳強強，戴邵武，戴洪德，聶子健.滾動（dòng）軸承（chéng）故障診斷方法綜述[J].儀（yí）表（biǎo）技術，2019（9）：1-4.

3.王（wáng）海龍.數控機（jī）床滾動軸（zhóu）承健（jiàn）康狀況監測係（xì）統設計與實現（xiàn）[D].中國（guó）科學院沈陽計算技術研（yán）究（jiū）所，2019.

4.梁競之.滾動（dòng）軸承的故障監測與狀態管理係統研究[D].哈爾濱工業大學，2019.