前言：一般来说，滚动轴承故障诊断方法分为两大类，分别是定性诊断和定量诊断。定性诊断指的是对故障是否存在以及故障位置，包括外圈故障、内圈故障和滚动体故障。而定量诊断则是对轴承故障的尺寸、大小和严重程度进行精准判断。
1.常用的滚动轴承故障定量诊断方法
1.1双冲击现象
通过对滚动轴承故障发出的信号中双冲击现象的分析，检测出双冲击时间间隔，在此基础上结合轴承尺寸与转速等数据对滚动轴承故障实现定量诊断。即是利用传感器组和数据收集设备收集原始信号，再通过信号处理技术对“双冲击成分”进行有效提取，确定时间间隔，做好特征提取，最后就是分析二者之间关系建立动力学模型实现对滚动轴承故障尺寸的量化[1]。
其中，需要注意的是信息处理技术在提取故障信号双冲击成分中的应用，大致分为振动信号和声发射信号两个方面。而动力学建模也会因为故障不同而发生变化，加上工程实际中，工况多种多样，利用双冲击现象进行滚动轴承故障定量诊断也会出现难题。这些也反映出双冲击现象虽然有着精准度高的优点，但是也有复杂多变的不足，且对工作人员的专业水平和工作经验有着较高要求。
1.2智能定量诊断方法
智能定量诊断方法是依靠大数据驱动实现的，随着人工智能技术的不断发展，这个方法在实际运用中也愈加成熟。
一是对故障类型的准确判断，通过对不同故障的原始振动信号进行样本收集，针对不同样本标签得到训练智能诊断模型，就可以让故障样本通过故障尺寸识别器分析，得出定量诊断结果。二是在实际工程中，工况复杂多样，故障类型无法判断，甚至无法确定是否存在故障，面对这一情况，一种基于双层支持向量机的定量诊断方法逐渐运用。这个方法第一层识别故障类型，第二层确定故障尺寸，即第一层开始前就对提取的故障特征信号进行分开构建，分别是训练集和测试集。两层都是先输入训练集得出故障类别识别器再输入测试集，得到最终诊断结果。三是为了提高工作效率，将对滚动轴承故障的定量与判断同时进行，这时候就需要一种基于多任务学习的深度网络。
这三种基于大数据驱动的滚动轴承故障的定量诊断方法，无论是故障类型的判断，还是分层或同时进行定性定量诊断，都是对智能诊断方法的延伸。
1.3冲击脉冲法
冲击脉冲法的工作原理是指在滚动轴承某部分发生故障时会产生冲击脉冲，而且，冲击脉冲强弱也就反映了故障的严重程度。根据这一方法，提取信号选择不同计算方法确定冲击速度值。一般是根据标准分贝值对滚动轴承的运行状态进行评估。但是，要注意的是，冲击脉冲法只能判断严重程度却无法得知故障类型，所以在实际应用中，要根据实际情况结合多种诊断方法。
2.滚动轴承故障定量诊断方法的具体应用
为了实现对滚动轴承故障准确的定量判断，基于变分模态分解（VMD）与卷积神经网络（CNN）相结合制定诊断方案。VMD原理的核心是构造与求解变分问题，不需要分析先验知识，便于含有故障信息和复杂噪声的信号信息获取。再对各模态分析信号特性剖分频带，实现自适应分解，提取相同的中心频率，而且具有可重构性和平滑滤波两个特征。而CNN是由输入层、卷积层、池化层、全连接层和输出层组成的，通过卷积层对输入数据进行卷积计算，而池化层就是降低卷积后的结构维度，然后进入全连接层，连接全连接层前后一层的神经元，最后进行整合输出数值。通过输出层得到的数值，就是滚动轴承对应的故障大小。
通过对滚动轴承故障不同尺寸的设计加工与实验，得出准确的实验数据之后，要先对这些数据进行VMD得出训练模式分量，再进行CNN训练。对此，要对两个方面进行分析完善，一是VMD参数选择，二是CNN网络构建。
VMD参数选择是对惩罚因子和分解个数的调整，然后分析分解出来的分量是否符合需求，提取需要的有用信息，这一措施的实现需要比较不同的惩罚因子和分解个数。也就是说，基于惩罚因子和分解个数分解出的模式，分解和计算包络谱的熵。因为滚动轴承故障时，故障表面会与其他元件接触发生撞击，产生对应的周期性脉冲冲击。所以，信号秩序越好，包络谱的熵值就越小。一般情况下，惩罚因子的取值范围是[100,200,...,800]，分解个数的取值范围则是[2,3,...,9]，组合成64组，对惩罚因子在不同情况下进行VMD分析后，得出最小包络熵值为9.4119，也就是说当惩罚因子为300，分解个数为3时，是所有组合中包络熵最小的组合。最后，通过对最优参数的分解得到对应的训练模式分量，作为后续处理数据。而对VMD分解时域图和频域图的分析得知，不同频段的分量会导致训练模式分量的频率不同[2]。
CNN网络构建是基于Alexnet修改后，通过对比不同卷积层与全连接层层数得到的。在以下实验中，结构设定为4个卷积层和池化层，3个全连接层，进行故障诊断。因为是对故障的量化诊断，所以去除了分类器，不对故障类型进行分类，直接利用全连接器得出的最后输出值对应故障尺寸估计值，而故障尺寸估计值是指数据输入后为先前分解得出的特征分量，再通过网络输入得出特征分量对应的故障尺寸估计值。其中，需要注意的是，对于卷积核大小、随机失活率要通过正交试验的方法做出进一步比较。正交试验一般是对滚动轴承的内外圈数据进行比较，按照实验参数设定神经网络，并进行神经网络训练，计算输出值与网络值的平均偏差，这一数值中的参数就是最优参数。平均偏差∑abs的计算方法是输出值 － 实际值）×（实际值 × 总数）－１，其中，abs是求出绝对值。平均偏差的大小也就说明了该参数学习能力强弱。
另外，关于内外圈故障也可以通过一些试验方案进行预测。内外圈故障预测都有两种预测方案，其中内圈故障预测中有一种是通过取两个轴承故障尺寸，一个是大于训练使用的故障尺寸，一个是小于训练使用到的故障尺寸，比较验证训练值范围之外的实际值能否预测出准确的故障尺寸。将训练数值输入神经网络，通过图表对比得出这个神经网络对于训练值来说学习能力较强。
对于冲击脉冲法来说，有基于EMD和SPM的滚动轴承定量诊断方法。就是利用包络解调技术，获取对应的包络谱幅值，根据这一幅值反映出来的滚动轴承运行状态，再结合冲击脉冲法（SPM）进行量化处理，确定滚动轴承的损伤程度。而EMD方法就是将任意非平稳信号分解成若干个基本模式分量（IMF）和一个残余分量，其中包含的IMF是指在满足2个条件的函数和信号，这两个条件一是指数据序列中，极值点数量和过0点数量必须相符或最多相差一个，二是值在任何一点上，信号的局部极大值和极小值的均值为0。通过试验分析研究可以确定，利用冲击脉冲法进行滚动轴承故障诊断时，冲击脉冲的强弱程度能够印证故障的损耗程度，而冲击出现的频率位置也对应着故障出现位置。也就是说，在进行故障诊断时，是先对轴承振动信号进行EMD分解，然后在此基础上得到的IMF采取包络解调技术进行包络解调，从而得到精准的冲击值，接着就可以利用SPM方法进行定量诊断，得出故障大小与位置。
结论：综上所述，有序开展滚动轴承的故障排查工作，可以有效降低安全事故的发生概率，为旋转机械设备工作效率提供保障。为进一步提升故障排除水平，相关软硬件升级、智能技术引进等方面也需要得到重视。
参考文献：
[1]雷兵,张龙.滚动轴承故障时序可拓智能诊断方法[J]. 机械设计与研究,2021,37(5):88-93,105.
[2] 周博,王瑶瑶.基于LCD-RQA的滚动轴承故障诊断与健康评估[J]. 轴承,2021(5):35-42.
