《滚动轴承故障定量诊断方法综述》由朱良玉、崔倩文、陶林、胡超凡、何水龙（桂林电子科技大学 机电工程学院）撰写，发表于《轴承》2023年第2期。本文系统梳理了滚动轴承故障定量诊断领域的研究进展，将现有方法归纳为三大类，并深入分析其原理、应用及未来发展方向。

论文主题与背景

滚动轴承是旋转机械的核心部件，其故障占机械设备故障的30%（文献[1]）。传统故障诊断多关注定性分析（判断故障是否存在及位置），而定量诊断（评估故障尺寸及损伤程度）对设备寿命预测和维护策略制定更具工程价值。我国《机械工程学科发展战略报告》《中国制造2025》等均将故障诊断技术列为重点研究方向（文献[4-6]）。

三大定量诊断方法的核心观点

1. 基于双冲击特征与动力学建模的方法

原理：滚动体通过轴承剥落区时会产生“双冲击现象”（double shock phenomenon），即进入剥落区时的阶跃响应和退出时的脉冲响应（文献[10]）。通过提取双冲击时间间隔（冲击脉冲时间间隔，shock pulse time interval）并结合轴承几何参数与转速，可建立动力学模型量化故障尺寸。
研究进展：
- 信号处理技术：谱峭度（spectral kurtosis）、最小熵解卷积（minimum entropy deconvolution, MED）、Morlet小波等用于分离阶跃与脉冲响应（文献[12-14]）。声发射信号（acoustic emission, AE）因对早期故障更敏感，逐渐成为研究热点（文献[35-36]）。
- 动力学模型：外圈故障尺寸计算如式(2)（文献[42-43]），内圈因旋转效应需考虑时变载荷（文献[49]）。模型假设（如赫兹接触理论，Hertzian contact theory）影响精度，近年研究逐步引入时变刚度、润滑条件等（文献[53-55]）。
优缺点：可精确计算故障尺寸，但对信号处理与建模经验要求高。

2. 大数据驱动的智能定量诊断方法

原理：基于“多分类或回归”思想，将不同故障尺寸样本标记后训练智能模型（如支持向量回归机SVR、卷积神经网络CNN），实现故障尺寸预测（图4）。
研究进展：
- 已知故障类型：SVR（文献[67]）、CNN（文献[77]）等通过时频图或振动图像纹理特征（如平滑伪维格纳-威利分布，SPWVD）提取信息。
- 未知故障类型：分层网络（如双层SVR、深度置信网络DBN）先定性再定量（文献[85-88]）。多任务学习（如残差网络）可同步完成两类诊断（文献[93-94]）。
优缺点：自动化程度高，但需大量历史数据且精度受限。

3. 冲击脉冲法（Shock Pulse Method, SPM）

原理：通过标准分贝值（dB）评估冲击脉冲强度，划分故障严重程度区间（文献[102]）。需结合包络解调（envelope demodulation）判断故障类型（文献[107]）。
优缺点：操作简便但仅能粗略评估状态，依赖特定硬件（文献[104]）。

未来研究方向

1. 智能化信号处理：减少对专家经验的依赖。
   
2. 精细化动力学建模：减少假设条件（如考虑离心力、润滑效应）。
   
3. 迁移学习（transfer learning）：解决实际数据不足问题，避免“负迁移”。
   
4. SPM的软硬件国产化：打破国外技术垄断。
   

论文价值与亮点

• 系统性综述：首次将定量诊断方法分为三类，明晰各类适用场景与技术瓶颈。
  
• 工程导向：强调动力学模型贴近实际工况的重要性，提出迁移学习等解决方案。
  
• 技术前瞻性：指出智能化、多方法融合及新技术应用是未来趋势。
  

支持性论据与文献

• 双冲击现象的机理验证（文献[10,13,42]）；
  
• 智能方法的对比实验（如SVR优于ANN，文献[67]）；
  
• SPM的工业应用案例（文献[107-108]）。
  

本文为滚动轴承故障定量诊断提供了理论框架与技术路线，对学术研究与工程实践均具指导意义。