综述 | 旋转机械复合故障诊断的现状、挑战与机遇(上）
本期给大家推荐一篇关于旋转机械复合故障诊断的综述文章，该综述详细介绍了复合故障诊断方法的相关背景，包括相关定义和一种新的分类方法。然后，作者基于过去几十年的相关出版物，对复合故障诊断的最新应用进行了综述。最后，总结了实现复合故障诊断在故障诊断领域中的挑战和机遇，并给出了本综述的结论。论文链接：通过点击本文左下角的阅读原文进行在线阅读及下载。论文基本信息论文题目：Compound Fault Diagnosis for Rotating Machinery: State-of-the-Art, Challenges, and Opportunities论文期刊：Journal of Dynamics, Monitoring and Diagnostics论文日期：2023论文链接:https://doi.org/10.37965/jdmd.2023.152作者：Ruyi Huang1,2；Jingyan Xia2,3；Bin Zhang3；Zhuyun Chen2,3；Weihua Li2,3机构：1. Shien-Ming Wu School of Intelligent Engineering, South China University of Technology；2. PazhouLab；3. School of Mechanical and Automotive Engineering, South China University of Technology通讯作者邮箱:Weihua Li (e-mail:whlee@scut.edu.cn)目录1 摘要2 引言3 CFD的背景3.1 与CFD相关的定义3.2 CFD方法的分类4 CFD在旋转机械中的应用4.1 基于失效机理的CFD方法的应用4.2 基于信号处理的CFD方法的应用（注：本篇综述文章篇幅过长，先为大家分享前半部分，后续再分享后半部分内容）4.3 基于人工智能的CFD方法的应用5 未来的挑战与机遇5.1 复杂机械系统复合故障失效机理建模5.2 信号处理算法的改进5.3 智能CFD模型的可解释性5.4 更加智能的CFD方法6 结论7 致谢1 摘要复合故障作为导致旋转机械非预期停机的主要故障，大大增加了故障诊断的难度。为了解决复合故障诊断( CFD ，compound fault diagnosis)的现实难题，近年来，来自工业界和学术界的研究人员和工程师们已经取得了许多重大突破。不可否认，许多著名的研究人员对故障诊断进行了系统的研究。然而，先前的综述文章更多关注单个或独立故障的故障诊断，导致CFD仍然缺乏全面的调研。因此，为了满足上述要求，有必要对旋转机械复合故障的故障诊断方法或算法进行深入的综述，并揭示潜在的挑战与机遇，这将引导和激励读者致力于提升故障诊断技术的有效性和实用性。具体来说，实现复合故障识别的方式，详细介绍了CFD方法的相关背景，包括相关定义和一种新的分类方法。然后，基于过去几十年的相关出版物，对CFD的最新应用进行了综述。最后，总结了实现CFD在故障诊断中的挑战和机遇，并给出了本综述的结论。我们相信，这篇综述文章可以从不同的方面为潜在的读者和经验丰富的研究人员提供一个系统的CFD指南。关键词：故障诊断，复合故障，信号处理，人工智能，旋转机械2 引言现代机械是由上百个甚至上千个部件组成的复杂系统，这些部件为了完成目标任务而协同工作，它们之间形成了复杂的关系，并相互影响。同时，由于工作环境恶劣、操作不当、机器长期运转等原因，关键零部件容易发生损坏或失效。这样，复合故障成为实际工程中发生的大多数故障，具有高度不确定性和不易预测性。复合故障也称为多重故障，是导致机器意外停机的主要原因，进而造成经济损失甚至惨痛的代价。故障诊断技术作为预测性维护的重要组成部分，已成为许多工业应用中保证机械设备高效、稳定、安全运行的重要工具，不仅保障了人们的财产和生命安全，而且对现代制造业的转型升级具有重要的战略意义。作为最常见的类型之一的旋转机械，它是一个特别成熟的故障诊断领域。然而，旋转机械的复合故障大大增加了故障诊断的难度。实现复合故障诊断(Compound Fault Diagnosis，CFD)的难点主要来自于以下三个方面：复合故障通常发生在几个关键组件内，它们之间存在相关性和相互作用；复合故障与其对应的单一故障之间的关系是强相关的，而不仅仅是线性叠加关系；复合故障发生和演化的机理难以从因果关系的角度揭示或归纳为一般规律。尽管存在上述诸多困难，但近年来工业界和学术界的研究人员和工程师在CFD方面取得了许多重大突破。因此，有必要根据相关出版物对CFD进行全面的调研。许多有声望的研究人员对故障诊断进行了系统的调查，这些调查提供了许多有价值的内容，包括对当前故障诊断领域的现状进行全面的批判性回顾，深入了解故障诊断领域的挑战、局限性和研究方向等。例如，Li等人系统地综述了基于深度迁移学习( Deep Transfer Learning，DTL )技术的工业设备智能故障诊断( Intelligent Fault Diagnosis，IFD )方法，将IFD的工业场景归纳为四类，并对其相应的应用进行了详细的综述[3]。Zhao等人对基于无监督DTL的IFD进行了全面的调研，建立了一个开源代码框架[4]。Zhang等总结了针对小数据和不平衡数据的IFD问题的文献，指出了需要进一步研究的挑战和方向[5]。类似的综述文章，从不同的角度综述了故障诊断的相关文献，包括算法[6、7 ]，组件[8]，PHM[9]等，在这里可以被找到，但无法深入列举。然而，上述综述性文章均未考虑以下两个方面的问题：以往的综述性文章更多关注具有多个信号或独立故障的故障诊断。由于复合故障是导致机器非预期停机的主要故障，因此对CFD的全面调查仍然缺乏，这在工业场景中更具有实际意义。从这些过去的综述性文章中可以发现，在故障诊断中，特别是CFD中的实际挑战和新出现的机会尚不清楚。主要的关注点在工业应用中，系统的指导原则或适当的方向对于开发针对特定诊断问题的有效解决方案是至关重要的。为了满足上述要求，本综述的主要目的是对旋转机械复合故障的故障诊断方法或算法进行深入的综述，并揭示潜在的挑战或机遇，以指导和激励读者致力于更有效、更实际地推广故障诊断技术。具体来说，本文的主要贡献在于，为了方便研究人员对CFD领域的最新技术进行了系统回顾，并详细分析和介绍了可能推进故障诊断领域的核心挑战、潜在机会和未来方向。在第3节中介绍了CFD的背景，并根据实现复合故障识别的方式详细介绍了CFD方法的相关定义和一种新的分类方法。第4节基于近十年的相关文献，总结了CFD的应用现状。第5节总结并讨论了与实施CFD相关的核心挑战和开放问题。第6部分对已经结束的调查进行了总结。 3 CFD的背景本部分简要介绍与CFD相关的基本定义，并将CFD方法分为三类，为新手或经验丰富的研究人员提供了坚实的背景，便于在后续章节中讨论CFD的最新应用。 3.1 与CFD相关的定义事实上，复合故障并没有一个统一的定义来描述什么是复合故障，因为它在同一机器的不同部件中有着不同的表现形式，更不用说在不同的机器中了。以旋转机械为例，复合故障的主要表现形式包括但不限于以下3种：同一部件同时发生多个故障。例如，内圈故障和外圈故障同时发生，以及多个缺陷出现在外圈或内圈。同一子系统的多个部件依次或同时发生损伤。例如，轴承故障和齿轮故障同时发生在变速箱中。机器的多个子系统依次或同时损坏。例如，发动机故障和变速器故障同时发生在复杂系统中。(a)轴承内外圈故障 (b)轴承和齿轮故障的齿轮箱(c)具有不同故障的复杂系统图1 复合故障实例图1展示了上述复合故障的实例，以帮助读者更好地理解它。除表现形式外，复合故障术语还被称为“多重故障”、“复合故障”、“混合故障”和“组合故障”。这样的现象可能间接说明了复合故障的高度复杂性。考虑到术语在出版物中的使用频率，在这项调查中，使用“复合故障”来表示上述术语。此外，基于上述解释，为了方便起见，我们将复合故障定义为“由同时发生在一台机器上的两个或多个单一故障组合而成的新故障”。无论复合故障的表现形式和术语有多么不同，从已发表的文献中可以总结出一些共同的特征：复合故障可以看成是多个单一故障非线性耦合在一起形成的不同但相关的模式。因此，复合故障与其对应的单一故障两者之间的关系是相关的，但不是简单的线性累加；复合故障中耦合的不同模式相互影响，具有时空相关性和相互作用，导致其特征比单一故障更为复杂。此外，故障类型、大小和位置是能够直接影响复合故障耦合结果的敏感因素和偏差；基于复杂机械复合故障的物理机理难以建立精确的数学或动力学模型，因为复合故障发生和演化的机理难以从因果关系的角度进行理论解释或归纳为一般的物理规律。注意到这些共同的特征，可以启发研究人员开发有效的解决方案来实现对复合故障的诊断。CFD是通过对监测数据进行分析，识别故障类型，区分各个故障的位置甚至判断故障的大小，从而确定或推断机械发生了哪些（通常不止一个故障）故障的过程。与常规故障诊断主要关注单一故障发生时的情况相比，CFD可以被视为更复杂的诊断任务，它处理的是多个故障同时发生且相互耦合的更实际的情况。对复合故障进行故障诊断的一般方法应考虑以下3个主要问题：复合故障是否发生；复合故障中耦合了哪些故障；如何分离这些故障。“是否发生复合故障”要求在何种情况下实施CFD。在某些情况下，当仅发生单一故障时是不需要CFD的，强制使用CFD甚至会增加错误预测的风险。目前关于CFD的大多数出版物通过隐式地假设复合故障已经发生来关注后面两个问题。“复合故障中耦合了哪些故障”是指探讨CFD最重要的问题，即究竟是哪些故障耦合在一起形成了复合故障。然而，在实际应用中，由于没有事先已知的先验信息，很难直接求解这样的问题。正如前文所述，复合故障与其对应的单一故障是相关性的但不是线性叠加的。因此，需要开发一种有效的解决方案，能够从复合故障的监测数据中分离出单一故障的判别特征。“如何分离这些故障”规定了CFD方法的形式。通过与每个实体相关联的单独的关键特征，例如形状和颜色，可以轻松地识别重叠实体。同样，通过判断相应单一故障的典型特征是否存在，可以将复合故障识别并分离为多个单一故障，也称为解耦。对“如何分离这些缺陷”问题的不同解决方案为总结CFD方法的分类提供了适当的原则，这在下面的章节中详细介绍。 3.2 CFD方法的分类尽管CFD已经引起了学术界和工业界越来越多的关注，但是很难达到的对于如何总结CFD方法的分类，这已形成了绝对的共识。例如，Zhang等对CFD方法和相关算法进行了分类，认为这些方法一般分为3类：基于分析模型的方法、基于定性知识的方法和基于数据驱动的方法[10]。然而，这种分类法提供的关于复合故障如何识别或解耦的信息很少，不能很好地总结已发表的文献。这里，根据如何解决如何分离这些错误的问题，为CFD方法的分类提出了一个精心设计的分类法。为了方便起见，图2说明了所提出的分类方法，表明CFD方法可以分为三组：基于失效机理的CFD；基于信号处理的CFD；基于人工智能的CFD。图2 CFD方法的分类研究基于故障机理的CFD是指试图找到导致复合故障的根本原因，并解释是什么、为什么和如何发生的方法，它可以帮助我们完全理解复合故障的机理，从而提出有效的维修策略，以消除导致机械停机的复合故障。实现这一目标的一般方法是利用动力学建模、有限元或模态分析等技术建立机器的精确数学或动力学模型。基于失效机理的CFD可以为揭示真实征兆和复合失效背后的物理规律提供坚实的理论基础。基于信号处理的CFD是指利用先进的信号处理技术，从监测的复合故障信号中提取与机器不同健康状态相关的故障相关信息的方法，这使得专家可以轻松地确定哪些故障耦合到复合故障中。文献中已经发表了一系列针对CFD的信号处理算法。这些方法的本质是通过将复合故障信号进行转换，使工程师或专家可以直接从后处理信号中捕获具有判别性和故障相关性的特征，从而实现复合故障的分离；因此，可以将复合故障解耦为多个单故障。基于人工智能的CFD是指利用机器学习算法，如浅层神经网络、深度学习、迁移学习等，开发端到端的诊断模型，对复合故障进行识别或解耦的智能CFD方法。这些方法的本质来源于人工智能算法从工业数据中捕获复合故障的模式或知识的能力。基于人工智能的CFD方法 正在发展成为两种趋势：一种是成熟的研究方法，另一种是新兴的研究方法。研究较成熟的方法是将复合故障作为其他单一故障的独立模式进行故障分类，而新兴的研究方法是通过输出相应的多个标签，将复合故障智能解耦为多个单一故障。值得注意的是，尽管过去的工作（如混合方法）可能存在一些不属于所提出的分类法的例外，但过去的CFD方法可以很好地遵循这样的分类法进行分类，并且以前的工作可以在这样的框架内进行明确的讨论。 4 CFD在旋转机械中的应用在过去的几十年里，CFD技术引起了学者和工程师的极大关注，他们在许多应用中取得了革命性的突破。一般来说，这些技术或应用的范围可能是多方面的，但它们可以分为上一节介绍的三类。在这一部分中，总结了每类CFD方法的一般步骤，可以描述如何实现故障诊断，为帮助读者抓住不同方法的本质提供了方便的指导。此后，系统地总结和讨论了利用相应的CFD方法来处理故障诊断实际应用中遇到的问题的历史出版物，从不同方面为CFD提供了一个成熟的概述。 4.1 基于失效机理的CFD方法的应用基于失效机理的CFD方法旨在探索和揭示失效机理与所建立的系统模型参数之间的关联规律，可以帮助人们找到导致复合故障的根本原因及其演化过程，可以为CFD方法提供理论认识。基于失效机理的CFD方法的一般流程如图3所示。首先，建立系统模型对目标机进行仿真，重点关注关键部件，其它因素可简化。建立系统模型的方法通常包括三类，即数学模型、物理模型和动力学模型。然后，利用所建立的系统模型，对正常工况和复合故障工况等不同健康状态下的系统响应进行了仿真。在此过程中，基于产生的振动信号或阶次谱，可以通过系统响应分析开发CFD方法，并通过对比实验和仿真结果来验证系统模型。 图3 基于失效机理的CFD方法的一般流程 基于失效机理的CFD方法应用实例包括具有复合故障的滚动轴承[11-14]、具有多重故障的齿轮系统[15-17]和轴承齿轮相互作用系统[18、19]。具体来说，Patel等人建立了一个动力学模型来研究深沟球轴承的振动响应，利用理论和实验结果研究了内圈和外圈表面的单个和多个缺陷[11]。为了进一步研究同一构件上的多个缺陷，Patel等人分析了时域和频域的振动，其中缺陷的数量在频谱中没有反映，但可以在时域分析中发现[12]。同样，Zhang等人建立了复合故障的滚动轴承4自由度动力学模型，分析了滚道和滚动体上复合故障的振动特性。基于实验验证[13]，揭示了复合故障振动响应与三种不同工况之间的关系。此外，为了揭示单一故障与复合故障的相关性，Yuan等利用轴承实际运动学和赫兹接触理论分别建立了内、外圈单一故障的轴承—转子动力学模型，进而建立了内、外圈复合故障的滚动轴承6自由度振动模型，并得出了Lempel - Ziv复杂度测度可以作为识别轴承单一和复合故障的定量判据的结论[14]。除轴承复合故障外，Ma等针对含局部故障的齿轮系统构建了4自由度动力学模型，并利用含轮齿裂纹和剥落故障的动力学模型探究其失效机理[15]。为了探究直齿圆柱齿轮中的多齿裂纹，Yang等基于动力学建模研究了3种多齿裂纹场景的啮合刚度和振动响应，并提出了一种裂纹诱导脉冲的方法来检测和定位多齿裂纹场景[16]。Xue等人建立了一个20自由度的集中参数模型来分析行星齿轮的系统响应，将不同部件上的齿轮缺陷引入到有限元模型中，以产生故障振动信号；因此，通过振动响应分析[17]研究了行星齿轮系统的失效机理。考虑到更复杂的系统，Sawalhi等人结合齿形联轴器动力学模型对齿轮和轴承之间的相互作用进行了仿真研究，其中在齿轮相互作用[18、19]的场景下讨论了滚动轴承的内、外圈故障。文献中的实验结果表明，上述方法已被证明是旋转机械CFD的有效工具，可为故障诊断和健康管理提供直观的理论依据。基于建模和机理分析的CFD在揭示故障产生机理、故障模式及其表现形式之间的本质关联规律、诊断结果的可解释性等方面具有较强的理论支撑。然而，由于机械设备在结构、材料、功能、环境等因素上的复杂性，要对这样一个复杂的系统建立准确有效的机理模型是非常困难的，而基于失效机理的CFD方法的性能取决于目标对象的复杂程度。这些因素可能会阻碍基于失效机理的CFD方法在实际工业中的应用。4.2 基于信号处理的CFD方法的应用基于信号处理的CFD方法旨在通过从复合故障信号中提取或分离出相应单一故障的独特特征来识别复合故障，这有助于工程师或专家从包含判别性和故障相关特征的后处理信号中直观地将复合故障解耦为多个单一故障。基于信号处理的CFD方法的一般流程如图4所示。图4 基于信号处理的CFD方法的一般流程通常，复合故障信号首先从目标旋转机械中捕获，其中包含与机械健康状态相关的有用信息。然而，当存在多个故障时，各个故障的特征会以复杂的方式耦合在一起，导致难以从监测信号中提取出具有判别性的特征。为了解决这类问题，利用信号分解、信号反卷积、盲信号处理( BSP )和稀疏表示等先进的信号处理算法，将复合故障信号转化为多个部分，每个部分可以表示复合故障中耦合的单个故障。因此，可以通过观察或比较后处理信号来检测和分离复合故障。根据所使用的精确信号处理算法，将基于信号处理的CFD方法的应用分为以下4类：基于信号分解的方法；基于信号反卷积的方法；基于BSP的方法；基于稀疏表示的方法。编辑：赵学功校核：李正平、陈凯歌、赵栓栓、曹希铭、白亮、陈少华该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除点击左下角阅读原文，即可在线阅读论文。来源：故障诊断与python学习
