浅谈故障诊断与寿命预测

1、故障诊断与寿命预测方法的分类

本人也是轴承的故障诊断开始的，浅显地给出本人关于当前故障诊断与寿命预测方法的分类（有更好的分类欢迎留言、评论），如下图所示：

故障预测与健康管理英文全称为Prognostics and Health Management，简写为PHM。

在我看来，经典故障诊断研究、故障模式识别研究和剩余使用寿命（RUL）预测研究三者可能使用的方法存在相同之处，但是三者的落脚点不同。它们的对应关系如下图：

经典故障诊断研究→提取故障特征频率

故障模式识别研究→判别信号的故障模式

剩余寿命预测研究→预测不同时刻的RUL

2、经典的故障诊断研究

经典的故障诊断研究主要是利用信号处理方法（时域、频域和时频域），如经验模态分解（EMD）、变分模态分解(VMD)、小波变换、包络谱分析、谱峭度(SK)等方法，进行一系列的信号降噪、提取故障特征研究，最后落脚到提取出对应的故障特征频率，也叫做缺陷频率。

此外，以峭度值大小进行故障诊断方法更为经典，但是目前研究不多，可能工程中应用较多，这些方法也不能被忽略。

3、故障模式识别研究

故障模式识别研究，又称为智能故障诊断研究，它主要是利用人工智能技术（机器学习和深度学习），如支持向量机、KNN、决策树、卷积神经网络、长短时记忆网络、门控循环单元等方法，进行特征提取和故障模式识别研究，最后落脚到这个输入数据的故障模式是什么，在轴承里面是内圈故障?外圈故障？保持架故障？滚动体故障？正常？

目前，智能故障诊断研究一般都会提供一个判别准确率的矩阵，也叫做混淆矩阵，如下图所示，表示真实标签和预测标签的分布。

举个例子，输入一系列的猫、狗的图片，利用人工智能技术，要能自动地判别不同图片的标签是猫还是狗。

4、剩余使用寿命预测研究

​区别与前两者，剩余寿命（remaining useful life, RUL）预测研究更关注关键部件的全寿命运行监测过程，它利用深度神经网络（卷积神经网络、长短时记忆网络、门控循环单元）或者随机过程（维纳过程、伽马过程、威布尔分布，参数估计）方法，最后落脚到预测轴承当前时刻的RUL值，在轴承的研究中就是当前时刻轴承距离完全失效时的时间？5min?10min?（这里5分钟和10分钟是在轴承加速退化试验中的时间分辨率，实际工程中往往应该是5天、10天等）

目前，剩余寿命预测研究一般都会提供一个RUL预测曲线，如下图所示，表示真实RUL与预测RUL的关系。补充一句，真实的RUL是一条斜的直线，只有有了完整的全寿命数据，真实的RUL才能被得知。

后续相关新手案例（matlab代码），将为统一免费公布，欢迎关注！

关注公众号“故障诊断与寿命预测工具箱”，每天进步一点点。