机械故障诊断研究、先进故障诊断方法、故障特征的一些问题讨论

wolf

写在开始的一段话：PS1: 记得才写知乎的时候还是博士一年级，没想到一下就四年过去了，已经到了博士毕业的时候了。“光阴似箭、日月如梭”，一切都过的如此之快。
PS2: 大家一直很疑惑，这三年我都干什么去了，为什么一直没有更新知乎。本着“坦白从宽、抗拒从严”的原则，我给大家“招”了吧。

• 2017.6～2018.12，负责一个机器视觉产品的产学研转换。系统方案设计、算法设计、软件设计、现场调试和交付都要负责，这对于一个“青葱学生”而言，还是很有挑战的。这个时期花了很多时间去适应“企业文化”并学习“产品研发”的知识，所以一直就没有时间和精力继续写作。可能有些在校的同学还不太理解“企业文化”和“学校文化”、纯“科研和论文”与真“产品研发”的区别，不过这些在大家毕业后进入工作岗位，应该会有所体会。
  
• 2018.12～2019.6，负责另一个机器视觉产品的开发已经建设设备智能运维平台。工作内容吧，这里就不细说了。
  
• 2019.6～2020.11, 专心在学校搞了一年理论上的科研，主要工作就是写论文，因为毕业有要求（虽然国家现在已经明确要破除“唯论文论”，清华大学已经取消了博士毕业小论文的要求）。
  
• 2020.12～至今，写好大论文，跑路了。
  

博士四年送走了至少四届毕业班的同学（博士师兄姐、硕士师弟妹），真的很感慨。
PS3：下面是博士前三年开发的相关产品的部分功能展示（实际上产品的功能非常多，不方便完全展示），如有感兴趣或有相关需求可联系aresmiki@163.com（这是一个硬广告，可略过）。

轨道交通接触网检测系统部分功能
https://www.zhihu.com/video/1401506940019634176

轨道交通轨道廓形几何检测系统
https://www.zhihu.com/video/1401507510319185920



接触网设施关键结构缺陷识别

OK，上面闲话太多，基本解释了这三年在干什么。总的来说，博士期间完全的纵向研究和横向研究一半一半吧，没有花4年蹲在办公室写论文。不过，对于现在即将读博的同学来讲，还是“功利一点”好，多花时间写论文，因为随着“扩招运动”的开展，“内卷”已经到了博士。这部分话题相对比较敏感，这里就不多做讨论了，想和我了解的，可以私信。
——————————————————————————————————————————
                                                          开始正题吧！！！！！
——————————————————————————————————————————
好了，进入主题吧，今天要聊什么呢？这么久没上知乎，很多同学都问我诸多关于“故障诊断”的问题。实际上，我在知乎平台上回复了几个相关问题，都得到了大家的点赞（谢谢大家  ）。下面是相关问题的链接。

• 机械故障诊断及寿命预测中，通俗的讲特征提取是什么意思？
  
• 求问信号特征提取matlab编程？
  
• 小波分析这种信号处理方法是不是过时了 ，对于含有噪声的非平稳声信号，目前最流行的处理方法是什么？
  

实际上，这些问题都是设备故障诊断常见的问题。事实上，知乎上有许多同行和同学都在私信我说：（1）故障诊断是不是很好写文章？（2）现在最先进的用于故障诊断的信号分析方法是什么？（3）故障诊断中什么特征最好？（4）做故障诊断有“钱”图吗，好找工作吗？（5）传统故障诊断是否会被基于深度学习的智能诊断技术淘汰？当然，这只是我总结的几个问的比较多的问题。鉴于此，今天我想集中来讨论下这几个问题，不过先声明几点：

• 本人也是这个研究领域的小学生，观点仅仅是自己总结的观点，难免片面和过于主观，希望大家谅解。所以全文仅仅是“讨论”。。。
  
• 下面部分讨论的内容，希望大家不要对号入座，切勿人生攻击（跪谢大家。。。 ）。
  

先讨论第一个问题：
Q1: 故障诊断是不是很好写文章？
首先，不得不说故障诊断方向的文章越来越多，特别是最近几年相关方向的刊文量越来越大，特别是国内研究人员发表了很多相关的研究。由于刊文量大以及“撰写容易”，所以很多人觉得这方面很容易，确实很多研究生人员因此评上了职称，许多学生因此毕业了。



Web of Science 中与“旋转机械故障”或“轴承故障”主题相关的研究记录数的变化情况

不过，仅从研究的角度来讲，这方面“真正有贡献”的研究还是相对匮乏。由于故障诊断是一门和信号处理关系密切的学科，因此很多研究者实际上是将“故障诊断”当作“信号处理在做”，这类研究典型的命名方式为“改进的XXXXXX信号分析方法及其在故障诊断中的运用”。实际上研究者的写作“技巧”是“跟踪最新的信号分析技术（TSP、SP等信号处理期刊），然后平行地用到了故障诊断中”，“不断改进某些信号处理方法的缺陷。然后运用到故障诊断中”，“结合两种及其以上的信号分析技术，运用到故障诊断中”等等。这些研究基本都有一个共同的特点，那就是涉及到的“信号处理方法”都有开发的源码包。因为没有源码包的方法很难被平行运用到故障诊断中，也很难被改进。正是有了源码，多数研究者不需要知道算法内部是如何运作的，只需要在外部修改下算法的输入参数或是用一些参数优化手段，设计出改进方法、优化的方法、提升的方法，以达到“创新”的目的。实际上，这也是大部分研究者认为故障诊断比较容易发文章，以及发文量较大的原因。事实上一个算法的源码包类似于动力学建模软件里的一个基础模块。有了源码写文章就如同用商用建模软件建模一样。

比如，要完成一个质量弹簧谐振系统的建模，在建模软件中只需要倒入质量块模型、弹簧模型、设置好相关参数和约束，软件就可以自动模拟出系统的动力学行为。这里你不需要了解牛顿力学、弹簧的力学性质。这种通过成熟模块的叠加进行建模非常方便，但是问题在于很难有创新。因为不理解内在机制，又是用成熟软件建的模型，所以直接这样做研究很难发文。
信号分析和故障诊断领域由于没有成熟的这种模块化的分析软件，因此简单的算法模块叠加不会让人觉得工作量很低。这也就是为什么会看到故障诊断领域很多（方法）组合式的研究。试想某一天出现了一个非常知名且集成很多算法的分析软件，而我们仅仅是在这个软件中简单的组合多个分析方法进行研究，这样研究的创新点是不是就显得不一样呢。

这也就给很多人留下了故障诊断的文章非常容易发，找一个新的分析方法源码、对数据分析一下，就能写文章的一个错觉。部分研究者在并不知道算法的内在理论和算法，也“构造”出了一篇相关的文章，因此留下了“容易发文”的印象。由于近年来确实出现了很多这样的文章，这个现象确实也存在。而许多优秀方法，却没提供源码的方法，很少被人使用与研究。这也提醒了我们，如果想要你的方法得到更多的使用，还是提供下源码比较好。不然，很少有人使用你的方法，即使你的方法很好。因为，你算法的实现成本太高，这阻挡了部分想使用你方法的研究者。因此，某一天你发现一个引用量或是发文量很高的方法，不一定是它很好，很有可能它很容易被大部分人理解，且提供了源码（这里并不是说都是如此，仅仅是部分的案例）。

Cell子刊主编：文章被编辑拒稿，主要是这4大原因
Cell新晋材料学杂志Matter，在2020年1月份的时候刊登了杂志社编辑和主编撰写的文章，讲述了四种不接收的文章类型。主要分4种研究类型，如下图。

• The substitution（替代性研究）“我们推出了一道全新的菜肴，我们用鸸鹋蛋替代了原来的鸵鸟蛋”。
  
• The incremental（增量研究）“我做了一个热狗并进行了改进，比如在原来热狗的基础上，再加一条香肠”。
  
• The ‘‘A + B = A + B’（加法类的文章）“看！我把鱿鱼放在了土豆泥上面，我给他命名为鱿鱼土豆泥”。
  
• TheSuper Niche（超级小众的文章）“这道菜非常棒，是用瑞典母鸡Roberta的第三个女儿做成的”。
  

故障诊断研究中，一般的小青椒、博士的论文基本都集中前三种类型。这也可能是故障诊断领域内文章容易写的原因。因此这个问题的结论就是，故障诊断的论文确实好发，但是是否真的对研究领域有促进或是具备真正的创新只有研究者自己才有体会。当然，面对毕业压力，写写前3类文章未尝不可，毕竟毕业是一件大事。
Q2: 现在最先进的用于故障诊断的信号分析方法是什么？
回答这个问题，首先要定义一个范围。我们探讨的是最先进的故障诊断方法还是先进的信号分析方法。实际上我在小波分析这种信号处理方法是不是过时了 ，对于含有噪声的非平稳声信号，目前最流行的处理方法是什么？中列举了很多信号分析方法，如小波、EMD、EWT、LMD、SWT、VMD等等方法。特别是EWT和VMD方法也是近6、7年左右发表的方法，现在被很多研究者拿来做故障诊断，相关的发文量非常高，我们能看到很多改进方法的研究成果。这些方法的某一个参数选择可能已经创造出了10几种优化设置的方案。这些方法已经被大量改造和使用，然而要讨论他们是不是最先进的故障诊断方法，这是有待探讨的。由于这类型文章的题目大都以“基于XXX方法的故障诊断”命名，因此许多想进行故障诊断方法研究的同学花费了很多时间寻找先进的信号分析方法，而忽略了最终目的“故障诊断”。故障诊断方法和信号分析方法本身有交集，但是更多的还是差异性。我们并不能简单的把某些新的信号分析方法直接“套用”到故障诊断中，从而构造出“基于一种新的信号分析技术的故障诊断方法”的论文。
在研究中，我们需要尽量关注于目标而不是其中的过程。故障诊断的目标是挖掘信号中的故障特征，如果一个信号分析方法本身设计并不是为了这个特殊的挖掘任务而开发，那么显然这个方法也就不适用于这样的任务。这里举一个例子：
EMD（经验模态分解）被大量改进并用在了轴承故障诊断中，到今天为止依然有大量“改进EMD方法及其在轴承故障诊断中的运用”的论文被发表。EMD方法设计的目的是获得信号中的多个IMF（固有模态函数）。固有模态函数的定义如下：

⑴函数在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个；
⑵在任意时刻点，局部最大值的包络（上包络线）和局部最小值的包络（下包络线） 平均必须为零。

该定义对应的信号形状如下：


然而，轴承故障（单点缺陷）的信号的形状如下：



Rolling element bearing diagnostics—A tutorial中轴承故障的信号

真实情况下，轴承故障并不满足IMF的定义。由于EMD并不是为了分解轴承故障信号而设计的方法，因此无论如何改进EMD方法，它都不适合用于故障诊断。本质问题是EMD没有抓住轴承故障信号的特征设计方法，因此这种方法的效果天然就是有缺陷的。肯定同学会问那为什么有的时候EMD也能实现故障诊断呢？我的回答是“轴承故障信号存在IMF信号，换句话说故障信号中可以分解出一些IMF信号，这些信号携带了部分故障信息，因此EMD在某些情况下也达到了故障诊断的目的”。但是这显然没有完全挖掘出所有的故障信息，这也就是很多EMD方法诊断结果很微弱、需要人工筛选结果、或合并多个IMF的原因。总的来说EMD做故障诊断最大的局限就是它本身就不是为了做故障诊断而开发的方法。所以该方法“时灵时不灵”。目前有许多EMD方法的改进方法，他们设计的目标都是为了获得更好的IMF，但是更好的IMF和故障信号有什么关系呢？因此，并不否定改进EMD方法的工作，只是如果是做故障诊断，这种改进就显得“牛头不对马嘴”了。事实上看一篇文章是否是有意义的创新，就是看他是否解决核心问题。至于EWT和VMD而言，同样可以按照这个逻辑去分析，这些方法分解的目标是否和故障信号相同。如果不同，无论如何改进方法，其原理上就不能实现最优的诊断结果。
转到故障诊断方法的探讨上来。说到故障诊断，就不得不提到两个人Antoni和Randall。他们都担任过国际期刊Mechanical Systems and Signal Processing的主编，他们是机械故障诊断分析的先驱和专家。他们的研究非常具有代表性，下图是对他们研究成果的分析：



Antoni和Randall等人的研究热力图

我们可以发现他们的研究主要集中于谱峭度、快速谱峭度、循环平稳分析、谱相干和相关分析、盲滤波方法上，这些方法在他们的高被引文章《Rolling element bearing diagnostics—A tutorial》都有总结。我们可以发现他们的研究很少出现我们熟悉的EMD、EWT、VMD这些关键词。他们研究的这些方法都集中于“峭度”和“循环平稳性”这两个特征的分析。由于故障信号两大特征“脉冲性”和“重复性”能通过“峭度”和“循环平稳性”描述，因此他们设计的方法非常具有目的性（就是为探测故障信号而设计的，并不像EMD一样为探测IMF信号而设计）。事实上目前小样本故障诊断方法都集中于“脉冲性”和“重复性”两大特征进行研究。
McDonald（MCKD和MOMEDA的开发者）在其硕士论文《Vibration Signal-Based Fault Detection for Rotating Machines》中总结了流行的故障探测方法的分类。如果排除基于智能诊断的Fault Indication和研究较少的Model-Based Methods方法外，研究最广泛的就是Filtering Methods和Spectral Analysis Methods。事实上这里面有大量Antoni和Randall的研究。因此要问最先进的故障诊断方法什么，我认为应该主要关注Antoni和Randall的工作。他们的工作都是非常基础性的研究，非常值得阅读和学习。当然有其他非常好的研究团队贡献了很好的研究工作，但是大部分都尊从Antoni和Randall的研究路线。如有例外，希望大家指正，我希望学习到新的理论（前提是新的故障诊断方法而不是新的信号分析方法，智能诊断除外）。



McDonald总结的故障诊断方法分类

重要PS：关于故障诊断方法的总结和分析，我在一次讨论会上做过相关的报告，我会将相关的PPT上传。
2021-周五-PPT.pdf
13M
· 百度网盘


PPT对故障诊断核心任务和需要解决的核心问题进行了总结。同时提供了我在这个方向上的一些研究源码，欢迎大家使用。
Q3: 故障诊断中什么特征最好？
关于特征的讨论，我之前在问题机械故障诊断及寿命预测中，通俗的讲特征提取是什么意思？和求问信号特征提取matlab编程？中提到了很多特征。关于特征的描述可以查看相关的回答。今天在这里，我想引用机械特征分析先驱 Simon Braun教授对特征分析的定义来回答这个问题：

“机械特征分析”—机械设备异常状态导致的振动特征能很容易地同健康状态下的参考特征区分开来。
•BRAUN S. The Signature Analysis of Sonic Bearing Vibrations[J]. Sonics and Ultrasonics, IEEE Transactions on, 1980, 27: 317–327.
•BRAUN S, Mechanical signature analysis: theory and applications[M]. Academic press, 1986.

就如同我们想要在众多水果中找到苹果 ，我们需要知道苹果是什么样的，如红色、圆的、甜的等描述定义了苹果。只有知道苹果的特征才能找到并区分苹果。故障诊断也一样，要找到故障信号，就需要知道故障信号是怎样的，这就是为什么要构造故障信号特征，因为区分信号的方法就是分析它的特征。不同的视角能设计出不同的故障特征，但是一个好的特征一定要具备广泛的适用性，例如红色特征的适用范围可能就无法覆盖所有苹果的描述。一个好的特征要具备唯一性，例如红色特征可能就无法区分红苹果 和红樱桃 。根据Antoni等人的研究可以发现，目前故障诊断特征主要还是从“脉冲性”和“重复性”上进行描述。至于什么故障特征最好，我想是“能区分故障与轴承状态、能跟踪故障演化、具备单调性的无量纲指标”最好。当然这个结论非常主观，但是却是我目前经验性的总结。关于特征指标的设计可以参考文献《A statistical methodology for the design of condition indicators》。
Q4: 做故障诊断有“钱”图吗，好找工作吗？
对于硕士而言，学习故障诊断锻炼的是编码能力和理解信号分析知识，因此去企业里做软件和部分算法设计岗是合适的。软件设计的岗位相对较多且工资较高，算法岗位工资也非常高。
对于博士而言，除高校外，有非常多的企业已经有故障诊断的研究岗位，随着智能制造、工业大数据、智能运维的发展，许多制造企业都面临着相关转型。故障诊断技术目前在工业界越来越受到重视，相关的企业越来越多，其中不乏大型国企和上市公司。不过为了防止广告嫌疑，这里不列举具体名称。至于“钱”图，还是看研究能力。
总的来说，好不好找工作，还是依赖于个人。
Q5: 传统故障诊断是否会被基于深度学习的智能诊断技术淘汰？
目前为止还不会。深度学习依赖于数据。而工业大数据的特点是正常样本多、故障样本少，有标签的样本少，无标签样本多。因此基于机理和专家经验的传统故障诊断的发展依然十分活跃，目前为止最有用且在工业界广泛使用的诊断技术还是传统故障诊断技术。
下图统计了机械设备故障频率和停机时间的关系以及不同设备故障采用的维修策略。安装监测设备的部件一般都是故障频次非常低但是故障影响巨大的部件。由于这些部件故障频次非常小，因此大部分测量数据都是正常数据，收集到的故障数据非常少。深度学习技术显然在这样的数据样本条件下很难达到优越的性能。因此短期内小样本故障诊断技术依然会在工业界存在与使用。



机械设备故障频率和停机时间的关系



不同机械设备故障采用的维修策略

后记

故障诊断还有很多亟待解决的问题，因此存在诸多研究机会。同时，故障诊断技术是设备智能运维管理的核心技术，具有重要的研究意义。
最后我们在故障诊断技术研究方面的一些新的研究代码分享如下，祝大家能在这方面做出新的研究。大家都顺利毕业。。。。。。
Matlab Exchange：
Github：
大家常问的一些常规统计指标的代码如下：
最后的PS：经常有人问写论文和做产品研发的区别是什么？论文的方法在实际工程中运用的方法的区别？这个问题，我想当文章看多了也就明白了。。。。。。。总的来说写论文和开发产品“差距巨大”。

原文地址：https://zhuanlan.zhihu.com/p/392038297