第1章 绪论
高端制造产业是一个国家核心竞争力的重要标志，是战略性新兴产业的重要一环，是制造业价值链的高端环节，更是国际化战略竞争高地。制造业为国民经济产业提供必要的机电装备，间接地促进了全球经济快速平稳健康发展。为了国家经济的长远发展和人民生活水平的提升，我国面向2030年部署了一批重大科技项目和重大工程，把先进制造作为重要的五个方向之一[1]。
制造业是强国竞争核心战略的制高点和国民经济的主体，制造业的核心基础是机械装备，而机械装备的全生命周期管理可分为两个阶段：设计制造阶段和运行维护阶段。设计多样化的产品来满足国民经济不同层次需求是制造业永恒的主题，更是制造业推动社会前进的原动力。然而，随着机械装备的设计精密化和对尖端装备的苛刻运行要求，运行维护问题日益受到广泛的关注。
1.1 故障诊断与状态监测的发展概况
1967年，美国执行阿波罗登月计划时出现了一系列设备严重故障问题，之后，在美国宇航局的倡导下，由美国海军研究实验室主持成立了机械故障预防小组，在设备故障机理、监测诊断技术、可靠性评估和预测技术等方面展开研究工作。随后，故障诊断与预测技术在全世界范围内推广普及，英国、日本、瑞典、丹麦、法国等国家相继成立了各自的研究组织[2]。我国对故障诊断技术的研究始于20世纪70年代末，虽然起步较晚，但发展迅速。经过不懈的努力，机械设备健康监测与故障诊断技术在传统旋转机械中的应用已经取得了长足的进展，并取得了显著的效果。因此，坚持应用先进的状态监测技术和实施早期微弱故障诊断技术，不仅可以避免重大事故的发生，而且可以节约运行维护成本，产生巨大的经济效益。
机械设备的故障诊断和状态监测就是采用先进的传感和测试技术，获取机械设备运行状态信息；结合故障演化的机理和征兆信息，利用先进的信号分析方法提取动态信号中潜在的故障特征信息，判断设备是否发生故障；对故障进行溯源并分析故障发生的原因，进而识别设备的运行状态；评估设备的运行可靠性、预测设备或零部件的剩余寿命等，*终目的是保证设备的安全运行与科学维护，其本质是一个模式识别问题。
机械设备结构复杂，零部件众多，由于结构和运行工况的限制，传感器距离振源较远，因此振动测点采集到的信号往往是多部件振动的综合反应，加之复杂传递路径和强噪声干扰，使得反映设备运行状态的信息极其微弱。从强噪声多源干扰的振动测试信号中辨识设备的健康状态是机械故障诊断的核心[3]。信号处理和人工智能技术服务于诊断决策，其核心任务是确定设备或零部件的运行状况，判断设备或零部件是否发生故障以及确定故障源的位置。如图1.1所示，实现设备故障状态辨识与诊断决策制定采用的技术主要包括基于信号处理的故障特征提取技术和基于数据驱动的智能诊断技术。
图1.1 机械设备信号分析技术与故障状态识别
1.1.1 基于信号处理的故障特征提取技术
基于信号处理的故障特征提取技术*先通过故障机理推导出机械部件的故障动态响应特征，然后利用先进的信号处理方法从含有大量谐波噪声的振动测试信号中获取反映机械设备零部件故障状态的特征信息，从而进行早期故障的识别和确诊[4]。如何从机械信号中提取表征设备运行状态变化和异常的早期微弱特征是机械故障诊断的核心，也是后续故障模式分类、健康监测、可靠性评估以及寿命预测的基础和依据。针对这一需求和挑战，研究者进行了大量研究，提出小波分析技术、谱峭度技术、解调技术、频域滤波、自适应信号分解、稀疏优化分解等一系列现代信号分析方法。
1. 小波分析技术
小波理论的形成是数学家、物理学家和工程师多学科共同努力的结果。Grossmann等[5]*次提出小波的概念，并将它引入地震数据的分析中。随后，小波理论不断发展并日臻完善，其研究主要集中于两方面：一是小波基函数的构造；二是小波阈值准则的设定。
在小波基函数构造方面，以傅里叶变换为基础，可以使小波滤波器满足一定的频域特性，从而建立**小波变换的理论体系。随后，为弥补**小波不能根据实际工程应用灵活匹配待分析信号的问题，Sweldens[6]采用提升框架在时域中构造小波，进而提出第二代小波的概念。第二代小波具有结构化设计和自适应构造的优点，可以通过设计预测算子和更新算子的系数构造出符合待分析信号特征的小波基函数。然而，**小波变换和第二代小波变换都是单小波，只具有一个小波基函数，只能较好地匹配信号中同一类型的故障特征，难以提取不同类型的故障特征。由此诞生冗余度为2的小波紧框架，其中以多小波、双树复小波和调Q小波*具代表性。小波紧框架是小波理论的重要发展，它是指由两个或两个以上的函数作为尺度函数生成的小波，相应的多分辨分析也由函数向量生成。由于小波紧框架具有适当的冗余度和灵活的滤波器结构，冗余度为2的小波紧框架可以实现更加精细、灵活的时频划分，可以对**小波变换分析“盲区”进行更加深入的信息挖掘，增强对机械信号中微弱特征分析的能力，然而，它依然面临小波基函数的选择问题以及频带划分不当导致的特征能量多尺度泄漏问题。在工程问题的驱动下，自适应信号分析技术逐渐发展，诞生了一系列自适应小波构造方法，如经验小波变换、形态小波变换和贝叶斯小波变换等。
由于小波变换具有丰富的基函数和良好的时频局部化能力，在轴承、齿轮故障检测与诊断方面表现出*特的优势，并取得卓越的成就。Qin等[7]采用香农熵指标优化Morlet小波参数，并用*优的Morlet小波实现瞬态成分的提取。He等[8]利用多重分形熵指标构造自适应的多小波变换，用于旋转机械的多故障诊断。Pan等[9]提出一种基于改进的非局部均值降噪和改进经验小波变换的故障检测方法，实现了对炼钢厂轴承和齿轮的故障诊断。Khakipour等[10]基于形态小波构造理论和梯度算子提出形态梯度小波，实现了轴承故障的在线监测。Li等[11]构造特征频率比率指标，用于自适应选取与观测信号匹配的调Q小波参数，并用*优的调Q小波诊断轴承故障。Wang等[12]构造贝叶斯小波变换，通过贝叶斯推断理论优化小波变换的参数，实现了瞬态周期性冲击成分的辨识。
在小波阈值准则及阈值量化的设置方面，主要以噪声的统计特性为先验，建立基于噪声统计特性的噪声衰减策略，也称为小波降噪方法。Cai等[13]考虑小波分解后系数间的相关性，提出相邻系数小波降噪方法。在机械故障诊断的应用中，Li等[14]针对轴承故障诊断提出考虑小波尺度间相关性的第二代小波降噪方法。Yuan等[15]提出循环平移策略和多小波滑动窗局部阈值降噪方法，分别解决了平移不变消噪方法中*佳平移量选择问题和传统全局阈值降噪的过扼杀现象。张弦等[16]提出一种基于小波变换的进化阈值消噪方法，构造信号在各个小波分解尺度上硬阈值收缩均方误差的近似函数，利用粒子群优化方法搜寻与其*小值对应的*优阈值。Chen等[17]提出基于空间相邻系数分块阈值策略的*大重叠多小波降噪方法，并应用于除尘风机轴承的微弱故障检测。
上述方法对小波系数的衰减是全局的，且阈值的量化值建立在白噪声假设的基础上，因此在机械故障特征提取中仅适用于受白噪声干扰的单一成分信号的降噪。对于复杂的机械系统，其振动信号普遍是多成分的，由此诞生了基于故障敏感性指标的特征信息子带筛选机制，也称为小波滤波方法[18-20]。这类方法将小波变换后的小波系数进行*立的单支重构，然后依据故障特征的敏感性指标选取合适的子带信号进行故障的辨识。
2. 谱峭度技术
谱峭度技术是一种基于时频能量密度分布的自适应滤波技术，可以快速有效地定位敏感故障特征频带，克服了功率谱密度在非平稳信号分析上的不足，可以有效检测信号中的冲击特征信息。Antoni[21]开发了谱峭度快速算法——快速谱峭度图。谱峭度算法基于滤波信号的谱峭度值*大化原则自动选取*优的故障特征子带信号，这为谱峭度的工程实用化奠定了基础。谱峭度算法本质上是小波滤波方法的延伸，在某种程度上克服了小波滤波方法对于过渡频带特征分析不足的缺陷。该方法在工程应用中取得了较好的效果，但仍存在两方面的问题：①时频网格划分基于多采样滤波器，时频划分固定，无法自适应匹配多样化的特征信息；②敏感性指标为窄带滤波信号包络的峭度，对于离散冲击干扰较为敏感。
针对**谱峭度滤波器对时频网格划分不足的问题，很多研究者做了改进工作，如Lei等[22]和Wang等[23]分别用离散小波包变换、自适应多小波变换和近似解析小波紧框架来划分频带，将信号划分到更为全面的频率-尺度网格中，增强了谱峭度算法对冲击特征成分的匹配能力。针对**时域峭度对离散冲击较为敏感的问题，Barszcz等[24]基于Protrogram方法，提出利用包络谱信号的峭度为特征筛选指标，弥补了谱峭度方法在较低信噪比和较高故障特征频率条件下分析不足的缺陷。Tse等[25]提出Sparsogram方法，用信号的稀疏度指标代替**的谱峭度指标，并用于轴承故障的特征识别。快速谱峭度图的创始人Antoni[26]提出联合平方包络负熵和平方包络谱负熵的快速信息熵图。针对谱峭度算法无法有效分离两种以上冲击特征频带的问题，He等[27]将谱峭度技术和*小熵解卷技术相结合，实现真空泵轴承和叶片的多故障诊断。Wang等[28]将谱峭度技术和啮合共振技术相结合，利用快速谱峭度图和MRgram实现轴承和齿轮复合故障的分离与诊断。Wang等[29]综述了谱峭度技术的理论发展及其在旋转机械故障诊断中的应用并给出了未来的研究展望。
3. 解调技术
机械系统中轴承、齿轮等零部件发生裂纹、剥落、磨损等损伤时将产生脉冲激励力，从而激励出系统的固有振动，其动态响应信号表征为多分量的调幅调频信号。调制信号往往包含丰富的故障信息，因此解调分析是提取故障特征、诊断损伤部位的一种有效手段。针对单分量调幅调频信号的解调分析技术主要包括包络解调、能量算子解调、广义检波解调和循环平稳等。然而，机械系统结构复杂，故障信息往往具有多源耦合性，因此自适应的多分量解调技术得到了广泛的研究，主要包括经验模式分解(empirical mode decomposition， EMD)技术、局部均值分解(local mean decomposition， LMD)技术、总体平均经验模式分解(ensemble empirical mode decomposition， EEMD)技术和变分模式分解(variational mode decomposition， VMD)技术等。
Dragomiretskiy等[30]提出VMD算法，可以将不同中心频率的各模态估计出来，其本质是一组自适应的维纳滤波器组。相比于EMD算法和LMD算法，VMD算法采用非递归模式分解，弥补了递归模式分解噪声的包络线估计误差不断积累的缺陷，避免了端点效应。Li等[31]提出*立性导向的VMD算法，以近似完整重构为准则设置本征模式的个数，解决了模式个数不准确导致的信息丢失和过分解问题，实现高速机车轮对轴承的故障诊断。
1.1.2 基于数据驱动的智能诊断技术
智能诊断技术是近年来发展起来的一门新学科，其优越性在于综合了多个领域的专家经验，提高了诊断精度，在一定程度上摆脱了设备故障诊断中诊断决策与状态识别对人为因素和故障机理的过度依赖，可以实现传统的基于信号处理的故障特征提取技术无法实现的功能。人工智能诊断技术蓬勃发展，以支持向量机、神经网络和深度学习*具代表性。
1. 支持向量机
支持向量机以结构风险*小化为原则，通过求解一个二次约束优化问题来构造*优分类超平面，有效解决了小样本、非线性、高维数和局部极小值等传统难题。Shen等[32]提出将直推式支持向量机应用于齿轮箱故障的智能诊断，有效解决了训练样本不足或测试样本过多的问题。Zhang等[33]利用蚁群算法优化故障敏感特征集和支持向量机模型参数，提高了机车轴承的诊断精度。Zhong等[34]利用贝叶
展开
