【故障诊断】用于轴承故障诊断的候选故障频率优化克改进包络频谱研究（Matlab代码实现）

欢迎来到本博客❤️❤️博主优势博客内容尽量做到思维缜密逻辑清晰为了方便读者。⛳️座右铭行百里者半于九十。1 概述该文讲解一种基于候选故障频率优化克IESCFFOgram的改进包络频谱的特征自适应方法用于从频谱相干性SCoh中识别信息 频谱频段以进行轴承故障诊断。在新方法中根据SCoh的局部特征自动识别候选故障频率CFF而不是标称故障特性频率FCF 并进一步用于指导信息频段的选择。 这种新方法完全摆脱了对FCF或稀疏性指标的依赖可以通过 挖掘隐藏在SCoh平面中的故障信息自适应地生成诊断IES。 因此所提出的IESCFFOgram适用于在没有准确FCF的情况下滚动轴承的故障识别。还提供用于估计光谱相关性或光谱相干性的快速算法。用于检测和分析循环平稳信号。用于轴承故障诊断的候选故障频率优化与改进包络频谱研究一、轴承故障诊断的基本原理与核心挑战故障机理与特征频率轴承故障通常表现为滚动体、保持架、外环或内环的局部损伤产生周期性冲击信号。这些冲击在振动信号中表现为特征频率如BPFO、BPFI、FTF、BSF及其谐波并伴随边频调制现象。理论故障频率可通过几何参数滚动体数量、接触角等计算但实际应用中因制造误差、负载变化等因素需在理论值附近搜索近似值。包络频谱的作用与局限性包络分析通过提取调制信号的低频成分如Hilbert变换分离故障特征频率与高频共振成分是故障诊断的核心工具。但传统包络频谱存在以下问题对噪声敏感强背景噪声下故障频率可能被淹没依赖先验知识选择解调频带人工干预成本高复杂工况如变速、多故障耦合下分辨率不足。候选故障频率CFFs的意义CFFs是基于经验或统计确定的可能故障频率范围用于缩小诊断目标范围。优化CFFs可减少误检率提高诊断效率。二、候选故障频率的优化方法基于统计分析的优化故障数据库驱动通过历史数据统计不同类型故障的实际特征频率分布动态调整CFFs范围。例如内圈故障频率BPFI在理论值±10%范围内波动的概率达90%。混合特征融合结合时域指标峰度、脉冲因子与频域指标谐波能量比构建加权评分模型筛选CFFs。基于信号处理的优化谱相干性SCoh分析在频谱频率f与循环频率α的二维平面上SCoh值高的区域指示潜在故障频率。通过局部极大值检测和能量比量化自适应生成CFFs摆脱对标称故障频率FCF的依赖。循环平稳性检测利用二阶循环自相关函数识别周期性冲击提取具有显著循环平稳特性的频率作为CFFs。智能优化算法IESCFFOgram方法通过1/3二叉树滤波器组分割频带计算各窄带中CFFs的能量占比选择最大能量比对应的频带生成诊断谱。该方法在低信噪比SNR0 dB下仍能有效提取故障特征。梯度驱动优化结合可微分短时傅里叶变换STFT通过自动微分技术优化窗口长度平衡时频分辨率以提升CFFs识别精度。三、包络频谱的改进技术基于谱相干性SCoh的增强方法改进增强包络谱IEES利用光谱基尼指数SGI筛选富含故障信息的频带积分生成高信噪比包络谱。实验表明IEES在SNR-5 dB时仍可清晰识别BPFI谐波。加权联合提升包络谱WCIES通过多窄带包络谱的加权融合整合分散的故障信息避免单一频带选择偏差。该方法在高铁轴箱轴承诊断中成功提取微弱故障特征。时频分析与自适应解调小波包-AR模型联合去噪先通过自回归模型去除离散干扰如齿轮啮合频率再利用小波包分解选择最优解调频带。韩国航空航天大学数据集验证显示该方法使故障特征幅值提升3倍。改进经验模态分解EEMD结合Hilbert变换和模态分量筛选解决传统EMD的模态混叠问题提升内圈故障诊断准确性。深度学习驱动的包络优化多尺度卷积神经网络MS-CNN使用不同尺寸卷积核提取多尺度包络特征融合后输入分类网络实现端到端故障识别准确率达98.7%。孪生网络小样本诊断在标记数据有限时通过改进孪生胶囊网络Siamese Capsule Network学习包络谱的相似性诊断准确率较传统方法提升15%。四、联合优化技术的实际应用案例案例1风电齿轮箱轴承故障诊断基于IESCFFOgram信号预处理采集振动信号后使用快速SC算法计算SCoh平面识别候选故障频率如BPFO≈72 Hz。频带优化通过1/3二叉树滤波器组分割频谱计算各窄带能量比选择中心频率2.4 kHz、带宽400 Hz的频带生成IES。结果验证IES中BPFO及其3次谐波清晰可见幅值较传统包络谱提升2.5倍成功诊断外圈剥落故障。案例2高铁轴箱轴承早期损伤检测基于WCIES多传感器融合同步采集振动与声发射信号通过时域同步平均抑制轨道冲击噪声。联合优化解调利用谱相干性确定CFFs如BSF≈128 Hz结合加权包络谱提取微弱调制成分检测到0.2 mm的滚动体划痕。在线监测系统集成将该方法嵌入车载监测终端实现故障预警响应时间10 ms。五、研究前沿与未来方向复合故障诊断针对多故障耦合问题采用三维几何特征稀疏成分分析TGF-SCA分离故障源结合IESFOgram优化频带选择。强电磁干扰EMI环境下的诊断基于改进包络谱阿尔法最大化准则IESAM在EMI噪声中提取轴承故障特征已在直升机主齿轮箱测试中验证有效性。数字孪生与迁移学习构建轴承物理模型与运行数据的数字映射通过域适应迁移学习如Wasserstein距离引导表示学习实现实验室数据到工业场景的泛化诊断。边缘计算与轻量化模型开发基于龙舞算法Dragon Dance Algorithm的轻量级诊断模型在嵌入式设备如STM32H7上实现实时处理功耗降低40%。六、总结候选故障频率优化与包络频谱改进是提升轴承故障诊断可靠性的关键技术。通过SCoh平面分析、智能频带选择和深度学习增强新一代方法如IESCFFOgram、WCIES显著提升了复杂工况下的诊断精度。未来研究需进一步解决复合故障分离、极端环境适应性问题并推动算法在工业现场的落地应用。2 运行结果部分代码%% Load Simlated Inner race fault signalload(SimInner);Sigplot SimInner;%% Basic parametersFs 12800*2; % Sampling FrequencyN 1*Fs ; % Sampling Lengtht 0 : 1/Fs : (N-1)/Fs ; % Timef_m 142 ; % Bearing fault charatersitic fraquencyf_shaft 26;%% Plot the raw signal components and the frequency spectrum of the mixed signal% Frequency spectrum of the mixed siganlnfft 2*ceil(length(Sigplot(:,5))/2); Freraw Fs*(0:nfft/2-1)/nfft;env Sigplot(:,5);% env abs(hilbert(Sigplot(:,5)));Han hanning(length(env)); Han Han(:);EnvSpec abs(fft(((env-mean(env)).^1).*Han,nfft));EnvSpec EnvSpec./max(EnvSpec);EnvSpec(nfft/21:end) [];% Figurefigure(1)subplotnum_1 3;subplotnum_2 2;leftleave 0.067;upleave 0.005;downleave 0.082;step_1 (1-0-upleave)/subplotnum_1;step_2 1/subplotnum_2;plotheight step_1*0.70;plotwidth step_2*0.83;str {(a),(b),(c),(d),(e),(f)};set (gcf,unit,centimeters,Position,[12 15 14 8.5], color,w); % 脥录脝卢脦禄脰脙 麓贸脨隆for i 1 : subplotnum_1for j 1 : subplotnum_2if (i-1)*2j 6plotx t;ploty Sigplot( : , (i-1)*2j );elseplotx Freraw/1000;ploty EnvSpec*0.3;endsubplot(subplotnum_1,subplotnum_2, (i-1)*subplotnum_2j)plot( plotx , ploty, b ); % ylabel(Amplitude);set(gca,unit,normalized,Position,[leftleave(j-1)*step_2 downleave(subplotnum_1-i)*step_1 plotwidth*1 plotheight*1]);figure_FontSize 7; set(gca,Fontsize,figure_FontSize,Fontname,Times New Roman);if (i-1)*2j 1set(gca,ytick,[-1 0 1]); set(gca,ylim,[-1 1]);yt 1;ys 0;elseif (i-1)*2j 2set(gca,ytick,[-2 :2: 2]); set(gca,ylim,[-2 2]);yt 2;ys 0;elseif (i-1)*2j 3set(gca,ytick,[-0.8 0.4 1.6]); set(gca,ylim,[-0.8 1.6]);yt 1.6;ys 0.4;elseif (i-1)*2j 4set(gca,ytick,[-3 0 3]); set(gca,ylim,[-3 3]);yt 3; ys 0;elseif (i-1)*2j 5set(gca,ytick,[-4 0 4]); set(gca,ylim,[-4 4]);yt 4; ys 0;elseif (i-1)*2j 6set(gca,ytick,[0 :0.1 : 0.3]); set(gca,ylim,[0 0.3]);yt 0.3; ys 0.15;endif (i-1)*2j 6set(gca,xtick,[0: 0.2: 1]); set(gca,xlim,[0 1]);xlabel(Time [s]);ylabel(Amplitude,Position,[-0.10*1 ys]);xt -0.15*1;elseset(gca,xtick,[0: 1: Fs/2/1000]); set(gca,xlim,[0 Fs/2/1000]);xlabel(Frequency [kHz]);ylabel(Amplitude,Position,[-0.10*Fs/2/1000 ys]);xt -0.15*Fs/2/1000;endtext(xt,yt,str{(i-1)*2j},Fontname,Times New Roman,FontSize,8,FontWeight,bold)3参考文献部分理论来源于网络如有侵权请联系删除。[1]Yao Cheng, Shengbo Wang, Bingyan Chen, Guiming Mei, Weihua Zhang, Han Peng, Guangrong Tian, An Improved Envelope Spectrum via Candidate Fault Frequency Optimization-gram for Bearing Fault Diagnosis, Journal of Sound and Vibration,Elsevier, 2022.[2]徐秀芳,徐丹妍,徐森,郭乃瑄,许贺洋.一种结合谱聚类与关联规则的轴承故障诊断方法[J].计算机测量与控制,2023,31(01):51-58.DOI:10.16526/j.cnki.11-4762/tp.2023.01.008.4 Matlab代码实现