轴承故障诊断专利申请分析

轴承故障诊断专利申请分析

朱天

国家知识产权局审协天津中心

摘要：本文对轴承故障诊断的专利技术进行分析和整理，介绍了该领域的申请数量发展趋势以及主要申请人的研发侧重等信息，重点从信号处理方法和特殊轴承诊断两个角度对轴承故障诊断领域的申请技术路线进行分析，便于专利审查员快速理解专利申请的技术方案，准确定位专利申请发明点，有效判断和定位对比文件，有效提高审查效率。

关键词：轴承；专利；故障诊断；故障识别；特征提取

一、引言

轴承在电力、石化、机械、航空航天等多个工业领域中广泛应用，是旋转机械系统中的核心组成部件，轴承的运行状态是否正常直接影响到机械设备的运行可靠性。开展轴承状态监测和故障诊断、预测方法的研究是保证机械设备运行安全稳定的基础，将目前先进的测试技术用于轴承的故障诊断研究中将具有重要的意义。

二、专利申请分析

在中国专利文摘数据库（CNABS）和世界专利文摘库（DWPI）中，采用该领域的分类号G01M13/04（轴承的测试）作为检索入口，以“故障、异常、诊断、识别”等关键词进行限定，筛选申请日从1955年1月1日至2017年12月31日的国内外专利申请。

经过检索发现，全球范围内关于轴承故障诊断的专利申请共计1550项，其中向中国专利局提交的国内申请为716项。自上世纪50年代到20世纪初，轴承故障诊断的专利申请数量较低，从2000年以后，专利申请量已有明显增多，而到了2008年后，专利申请量基本按照指数曲线的形势迅速增长，反映出轴承故障诊断相关技术正处于研究的热门阶段。

从申请的地域分布看，中国和日本为该领域最大的申请来源国。就该领域专利申请的主体看，国外申请的主体相对集中，其申请主体均为企业，而国内申请的主要来源为高校、企业、个人和科研单位，其中高校和企业为主要申请人来源，占比分别为62%和29%；个人及其它科研院所申请均较少，分别占比4%和3.6%。国外专利的重要申请人如日本精工株式会社（NSK）、日立株式会社（HITACHI）和日本NTN株式会社，而作为国内申请主要来源的高校申请人以北京工业大学为代表，申请量较多的还有潍坊学院、西安交通大学、哈尔滨理工大学等。

三、专利技术分析

轴承失效形式主要包括为磨损失效、疲劳失效、点蚀、断裂失效、胶合失效等。损伤类故障的原因是滚动体、内圈、外圈滚道和保持架表面点蚀、金属剥落或擦伤等。当轴承滚动元件通过损伤点时，会产生突变的周期性冲击脉冲力。

轴承故障诊断是获取、分析和处理能反映轴承状态的信号，进而达到识别轴承运行状态的目的。机械故障诊断方法主要包括：振动信号分析技术、温度分析技术、油液分析技术和声发射分析技术等方法。

信号处理技术是故障诊断的关键，在具体应用中，又有对应用于特殊场合的特种轴承进行在线检测的方法。本文分别从信号处理方法和特殊轴承诊断两个角度对轴承故障诊断的申请进行分析。

（一）信号处理方法

1、信号的时、频域分析

常用的信号分析方法分为时域分析、频域分析和时频域分析，在轴承的故障诊断中是最基础的分析方法。

日本精工株式会社在CN1926413A中公开的方法包括计算检测信号的包络线，通过FFT变换为频谱，通过对频谱进行移动平均化处理而进行平滑化，从而检测其峰值，由频谱的峰值来诊断异常。沈阳黎明航空专利申请CN1758042A，通过采集轴承振动频谱，同已有的轴承标准振动频谱进行对比，诊断方法简便。洛阳轴研科技股份有限公司在专利CN1825082A中公开了对轴承的振动进行时域分析、频域分析、时频域联合分析等多参数定量、定性分析，还可进行轴承异音、故障测试分析，以达到对轴承振动进行精密分析。

2、故障特征提取、分类与识别

特征提取是为了突出测量数据的代表性特征，从而实现故障准确诊断，是目前的专利申请的主要研究方向。

关于特征提取方法的改进，北京信息科技大学提出CN101799366A，利用欧氏距离判断两样本点，计算特征值和特征向量，根据亥维塞德函数确定拓扑维数，根据拓扑维数进行低维流形特征提取。昆明理工大学CN105043767A用AR模型对原始振动信号进行预白化处理，再根据信号的局部时变特性进行自适应的时频分解，使得原本较为复杂的信号变得易于有效提取双冲击特征。东南大学CN105181336A采用SVD得到振动信号特征向量与自相关矩阵维数值，平衡诊断环境适应性与实时性要求。

在数值变换方法上，北京工业大学提出CN102607845A，通过基于数据拟合的计算公式和提升算法构造出九种具有不同特性的小波，依次对振动信号作冗余提升小波变换，根据归一化范数值来确定九组分解结果中的最优者，能更有效地提取出滚动轴承的早期微弱故障特征信息。浙江工业大学CN105300692A进行Box-Cox变换转换成高斯分布以确定相关异常阈值范围。

在辨识方法上，辽宁大学在CN102788696A中提出了改进BP神经网络和模糊集理论，方法中灵活选取DI均值较大的四个参数作为BP神经网络输入层的特征参数进行状态识别。北京交通大学CN102778355A提出了基于EMD和PCA的滚动轴承状态辨识方法。东南大学CN104931263A使用K-means聚类方法改进的K-最近邻分类算法对已知故障类别的轴承信号的特征向量进行学习，提高了分类的准确性。北京航空航天大学在CN104792530A中提出了一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，采用基于多层神经网络的深度学习自主认知方法判断滚动轴承的故障类型。

（二）特殊轴承的故障诊断

对于低速轴承，新日本制铁株式会社CN101617207A提供一种对10rpm以下的超低速轴承的诊断方法，利用具有10KHz以下的集音功能的检测端对声音信号进行检测，通过频率分析求出频谱分布。中国特种设备检测研究院提出CN103175689A，通过获取无缺陷滚动轴承和待检测滚动轴承的声发射信号有效值电压，与预设的特征值比较。北京工业大学，CN101539472A对信号分别输入相互并联的各层随机共振系统进行随机共振处理和自相关处理，提取出故障信号微弱特征。

对于风力发电机中的轴承，NTN株式会社CN102713554A公开了风力发电装置中的轴承异常诊断系统。株式会社捷太格特CN103867565A中，传感器检测滚子的物理状态，传感器和处理部收纳于在轴承用滚子的轴中心设置的中心孔的内部。对于水轮发电机中的检测，哈尔滨电机厂有限责任公司CN102967462A将传感器安装于推力轴承镜板上，随镜板旋转输出油膜厚度、油膜压力、油膜温度等润滑参数数据，在CN103543014A中光电编码器以等角度输出脉冲信号，该信号对采集系统进行触发，可以对轴承润滑参数进行等角度实时采集。

对于列车、航空中轴承的检测，唐山轨道客车有限责任公司在CN103018046A中提供了一种高速动车组轴承故障监测方法，获取振动信号、列车噪声信号及列车速度进行频谱分析，生成监测信息。沈阳黎明航空发动机有限责任公司在CN204165751U中提出一种用于航空发动机轴承的采集装置，将加速度传感器安装于发动机测点处，将反光标记设于发动机风扇叶片上，光电转速传感器通过反光标记拾取发动机转速信号。

四、结束语

基于上述对轴承故障诊断领域的专利分析，预测在之后的申请人依然是以高校为主，专利申请方向将会集中在下述几个方面：

（1）传感器信号的分析处理方法。轴承故障诊断的基本流程是传感器感应轴承工作参数，对传感器信号进行处理分析，判断故障状态。国内高校的申请大部分依然会集中在算法研究中，例如故障特征提取方法的改进、故障类型辨识方法的改进。此外，由于故障诊断技术的逐渐成熟，进一步提高诊断精度的代价就是增加了诊断系统的复杂性，算法的实现对运算能力也有较高的要求，带来一定的成本压力，随着研究的不断深入，如何降低成本，开发出精度高、成本低的诊断系统也将会是研究重点。

（2）特殊轴承的故障诊断。对于应用于特殊场合的特种轴承，例如大型轴承、水轮机或风力发电设备中的轴承，由于这些轴承工作环境特殊，相对于常规故障检测系统，在传感器的设计以及传感器的安装上有其特别之处，这些申请主要会集中在相应领域的科研机构中。

（3）轴承故障模拟实验台。从理论研究到实际应用之间还需要验证，如何准确的构建轴承实际工作条件、负载状况，模拟轴承故障，对理论研究进行验证，也会是众多高校在轴承故障诊断研究中一个重点，因此在故障模拟实验台方向上将会有专利申请潜力。