基于时频分析的变转速轴承故障诊断结题报告

基于时频分析的变转速轴承故障诊断结题报告一、研究背景与问题提出在工业生产领域，旋转机械作为核心动力设备，其运行状态直接关系到生产效率与系统稳定性。轴承作为旋转机械中支撑轴系运转的关键部件，承担着传递载荷、减少摩擦的重要作用。据统计，旋转机械中约30%的故障源于轴承失效，而变转速工况下的轴承故障诊断更是当前行业面临的技术难题。变转速工况广泛存在于风力发电机组、盾构机、数控机床等设备中。与恒定转速工况不同，变转速下轴承的运行状态具有非平稳、时变特性：转速的波动会导致轴承故障特征频率随时间变化，传统的基于平稳信号假设的傅里叶变换等频域分析方法，无法有效捕捉时变的故障特征，容易出现特征淹没、诊断准确率低等问题。此外，工业现场的强噪声干扰、多部件耦合振动等因素，进一步增加了变转速轴承故障诊断的难度。因此，开发适用于变转速工况的轴承故障诊断方法，对于保障旋转机械安全运行、降低维护成本具有重要的现实意义。二、时频分析理论基础时频分析方法是一种能够同时在时间域和频率域对信号进行分析的技术，其核心思想是通过构建时间-频率二维分布，直观展示信号频率成分随时间的变化规律，为非平稳信号的特征提取提供有效手段。本研究主要围绕以下几种典型时频分析方法展开理论研究与应用验证：（一）短时傅里叶变换（STFT）短时傅里叶变换通过在信号上滑动一个固定长度的窗函数，对每个窗内的信号进行傅里叶变换，从而得到信号在不同时间点的局部频谱。其数学表达式为：$$STFT(t,f)=\int_{-\infty}^{\infty}x(\tau)w(\tau-t)e^{-j2\pif\tau}d\tau$$其中，$x(\tau)$为原始信号，$w(\tau-t)$为窗函数，$t$为时间变量，$f$为频率变量。STFT的优点是原理简单、计算效率高，能够在一定程度上反映信号的时频特性。然而，由于窗函数的长度固定，STFT存在时间分辨率与频率分辨率的trade-off问题：窗长过短时，时间分辨率高但频率分辨率低，难以分辨频率接近的信号成分；窗长过长时，频率分辨率高但时间分辨率低，无法准确捕捉信号的瞬时变化。（二）小波变换（WT）小波变换是一种基于多分辨率分析的时频分析方法，通过将信号与不同尺度的小波基函数进行卷积，实现对信号的多尺度分解。其连续小波变换表达式为：$$WT(a,b)=\frac{1}{\sqrt{|a|}}\int_{-\infty}^{\infty}x(t)\psi^(\frac{t-b}{a})dt$$其中，$a$为尺度因子，用于控制小波基函数的伸缩，$b$为平移因子，用于控制小波基函数的平移，$\psi^$为小波基函数的共轭函数。小波变换能够根据信号的特性自适应调整时间分辨率与频率分辨率：在高频区域，小波基函数的尺度较小，时间分辨率高，可准确捕捉信号的瞬时突变；在低频区域，小波基函数的尺度较大，频率分辨率高，可清晰分辨低频信号成分。然而，小波变换的时频分辨率受限于小波基函数的选择，且不同小波基函数对不同类型信号的适应性存在差异，需要根据具体应用场景进行优化选择。（三）希尔伯特-黄变换（HHT）希尔伯特-黄变换由经验模态分解（EMD）和希尔伯特谱分析两部分组成。首先，通过EMD将原始信号分解为若干个本征模态函数（IMF），每个IMF满足以下两个条件：（1）信号的极值点数目与过零点数目相等或相差不超过1；（2）在任意时刻，信号的上包络线与下包络线的均值为零。然后，对每个IMF进行希尔伯特变换，得到其瞬时频率和瞬时幅值，进而构建希尔伯特谱，直观展示信号的时频能量分布。HHT的优点是无需预先设定基函数，能够自适应处理非平稳、非线性信号，尤其适用于处理具有突变特性的故障振动信号。但EMD分解过程中可能出现模态混叠问题，即不同尺度的信号成分被分解到同一个IMF中，影响后续的特征提取与诊断结果。（四）同步挤压小波变换（SWT）同步挤压小波变换是在小波变换的基础上发展而来的一种时频分析方法，其核心思想是通过对小波变换的时频系数进行重新分配（同步挤压操作），将能量集中到信号的真实瞬时频率附近，从而提高时频表示的聚集性和可读性。同步挤压操作的数学表达式为：$$T(f,t)=\int_{a:\omega(a,t)=f}\frac{WT(a,t)}{a\sqrt{|a|}}da$$其中，$\omega(a,t)$为小波变换的瞬时频率。SWT既保留了小波变换多分辨率分析的优点，又有效解决了小波变换时频分布分散的问题，能够更清晰地展示信号的时频特征，为故障特征提取提供更准确的依据。三、变转速轴承故障特征提取方法基于时频分析理论，本研究针对变转速轴承故障信号的非平稳特性，提出了一系列故障特征提取方法，旨在从强噪声、多耦合的振动信号中准确提取与故障类型相关的特征信息。（一）基于阶比跟踪的时频特征对齐变转速下轴承的故障特征频率与转速成正比，因此可以通过阶比跟踪技术将非平稳的振动信号转换为角域平稳信号，消除转速波动对故障特征提取的影响。阶比跟踪的关键是获取准确的转速信号，本研究采用光电编码器采集转轴的转速脉冲信号，通过计算相邻脉冲的时间间隔得到瞬时转速，进而对振动信号进行重采样，将时间域的振动信号转换为角度域的信号。在角度域中，轴承的故障特征频率表现为恒定的阶次，便于后续的时频分析与特征提取。（二）改进HHT的故障特征提取针对传统HHT存在的模态混叠问题，本研究提出一种基于集合经验模态分解（EEMD）和小波阈值去噪的改进HHT方法。首先，通过EEMD在原始信号中添加多次白噪声，利用白噪声的统计特性抑制模态混叠，得到更纯净的IMF分量；然后，对每个IMF分量进行小波阈值去噪，去除工业现场的强噪声干扰；最后，对去噪后的IMF分量进行希尔伯特谱分析，提取故障特征频率对应的瞬时幅值和瞬时频率作为故障特征向量。实验结果表明，改进后的HHT方法能够有效减少模态混叠现象，提高故障特征的辨识度。（三）基于SWT的时频熵特征提取同步挤压小波变换的时频分布具有良好的聚集性，能够清晰展示故障信号的时频能量分布。本研究利用SWT对变转速轴承振动信号进行时频分析，得到高聚集性的时频矩阵，然后计算时频矩阵的熵值作为故障特征。时频熵能够反映信号时频分布的复杂程度，不同故障类型下轴承振动信号的时频熵存在显著差异：正常轴承的时频分布较为均匀，时频熵值较大；故障轴承的时频能量集中在故障特征频率附近，时频熵值较小。通过提取时频熵特征，可实现对轴承故障类型的有效区分。四、故障诊断模型构建在提取变转速轴承故障特征的基础上，本研究构建了基于机器学习的故障诊断模型，实现对轴承故障类型的智能识别。（一）特征选择与降维通过时频分析方法提取的故障特征向量通常具有较高的维度，其中可能包含冗余信息和噪声，不仅会增加诊断模型的计算复杂度，还可能降低模型的泛化能力。因此，需要对特征向量进行选择与降维处理。本研究采用ReliefF算法进行特征选择，该算法能够根据特征对不同类别样本的区分能力赋予权重，筛选出权重较高的关键特征；然后，利用主成分分析（PCA）对筛选后的特征进行降维，将高维特征向量映射到低维空间，在保留主要特征信息的同时，减少特征维度。（二）支持向量机（SVM）诊断模型支持向量机是一种基于统计学习理论的机器学习方法，其核心思想是通过寻找最优分类超平面，实现不同类别样本的有效区分。本研究采用径向基函数（RBF）作为SVM的核函数，通过网格搜索和交叉验证方法优化SVM的惩罚参数$C$和核函数参数$\gamma$，提高模型的分类准确率。实验结果表明，经过特征选择与降维处理后，SVM模型对变转速轴承故障的诊断准确率可达95%以上，具有良好的泛化能力。（三）深度学习诊断模型为进一步提高故障诊断的准确率和自动化程度，本研究构建了基于卷积神经网络（CNN）的深度学习诊断模型。首先，将时频分析得到的时频矩阵作为CNN的输入，利用CNN的卷积层和池化层自动提取时频矩阵中的深层特征；然后，通过全连接层将提取的特征映射到故障类别空间，实现故障类型的分类。与传统机器学习模型相比，CNN能够自动从原始时频数据中提取特征，无需人工进行特征工程，减少了人为因素的干扰。实验结果显示，CNN模型在复杂工况下的故障诊断性能优于SVM模型，诊断准确率可达98%以上。五、实验验证与结果分析为验证所提出的变转速轴承故障诊断方法的有效性，本研究搭建了变转速轴承故障实验平台，并开展了一系列对比实验。（一）实验平台搭建实验平台主要由驱动电机、转轴、轴承座、加载装置、光电编码器和振动传感器组成。驱动电机通过变频器实现转速的连续调节，转速范围为0-3000r/min；加载装置通过液压系统对轴承施加径向载荷，模拟实际工况下的载荷变化；光电编码器安装在转轴末端，用于采集转速脉冲信号；振动传感器采用压电式加速度传感器，安装在轴承座的垂直方向和水平方向，采集轴承的振动信号，采样频率为20kHz。实验中选用的轴承型号为6205深沟球轴承，通过电火花加工技术在轴承的内圈、外圈和滚动体上制造不同类型的故障，故障尺寸为0.2mm、0.4mm和0.6mm，模拟不同严重程度的故障。（二）实验方案设计实验分为恒定转速实验和变转速实验两部分：恒定转速实验：设置电机转速为1000r/min、1500r/min、2000r/min，分别采集正常轴承、内圈故障轴承、外圈故障轴承和滚动体故障轴承的振动信号，每个工况下采集10组数据，每组数据长度为10240个采样点。恒定转速实验主要用于验证时频分析方法在平稳信号下的特征提取能力，以及诊断模型的基本分类性能。变转速实验：设置电机转速从1000r/min线性增加到2000r/min，再线性降低到1000r/min，形成一个转速循环，采集不同故障类型轴承的振动信号，每个故障类型下采集10组数据。变转速实验用于验证所提出的诊断方法在非平稳工况下的适应性和诊断准确率。（三）实验结果分析时频分析结果：对变转速下的轴承振动信号分别进行STFT、WT、HHT和SWT分析，结果显示：STFT的时频分布较为分散，故障特征频率被噪声淹没，难以准确识别；WT的时频分布具有一定的聚集性，但仍存在部分能量分散现象；传统HHT的EMD分解出现了模态混叠，不同尺度的信号成分被分解到同一个IMF中；改进后的HHT方法有效抑制了模态混叠，IMF分量的物理意义更明确；SWT的时频分布聚集性最好，故障特征频率对应的能量集中在一条清晰的曲线上，能够直观展示故障特征随转速的变化规律。诊断准确率对比：分别采用基于SVM和CNN的诊断模型对变转速轴承故障进行诊断，并与传统的基于傅里叶变换的诊断方法进行对比。实验结果表明，传统傅里叶变换方法的诊断准确率仅为72%左右，无法有效处理变转速下的非平稳信号；基于改进HHT和SVM的诊断方法准确率可达95.3%；基于SWT和CNN的诊断方法准确率最高，达到98.7%，充分证明了所提出的时频分析方法与深度学习模型相结合的故障诊断方法的有效性。抗噪声性能分析：为验证诊断方法的抗噪声性能，在原始振动信号中添加不同信噪比的高斯白噪声，对比不同诊断方法的准确率变化。结果显示，当信噪比为-5dB时，传统傅里叶变换方法的诊断准确率下降至50%以下，而基于SWT和CNN的诊断方法仍能保持90%以上的准确率，表明该方法具有较强的抗噪声干扰能力。六、工程应用案例为进一步验证所提出的变转速轴承故障诊断方法在工业现场的实用性，本研究将其应用于某风力发电机组的轴承故障诊断中。（一）风力发电机组轴承故障现状该风力发电机组的额定功率为2MW，主轴轴承采用双列调心滚子轴承，运行过程中转速随风速变化在10-20r/min之间波动。近年来，该机组多次出现主轴轴承故障，导致停机维修，给企业带来了较大的经济损失。由于风力发电机组运行环境恶劣，存在强风干扰、齿轮箱耦合振动等因素，传统的故障诊断方法难以准确识别轴承的早期故障。（二）诊断方法应用在风力发电机组的主轴轴承座上安装振动传感器和转速传感器，实时采集轴承的振动信号和转速信号。利用阶比跟踪技术将时间域的振动信号转换为角度域信号，然后采用SWT对角度域信号进行时频分析，提取时频熵特征作为故障特征向量，输入到已训练好的CNN诊断模型中进行故障诊断。（三）应用效果通过连续三个月的在线监测与诊断，成功识别出主轴轴承的早期内圈故障，诊断结果与后续拆机检查结果一致。企业根据诊断结果及时对轴承进行了更换，避免了故障进一步扩大导致的机组停机，减少了维修成本约50万元。应用案例表明，所提出的变转速轴承故障诊断方法能够有效应用于工业现场，为风力发电机组等变转速旋转机械的轴承故障诊断提供了可靠的技术支持。七、研究成果与创新点（一）主要研究成果系统研究了变转速轴承故障信号的非平稳特性，分析了传统频域分析方法在变转速工况下的局限性，明确了时频分析方法在变转速轴承故障诊断中的应用优势。提出了基于改进HHT和SWT的变转速轴承故障特征提取方法，有效解决了传统时频分析方法存在的模态混叠、时频分布分散等问题，提高了故障特征的辨识度。构建了基于SVM和CNN的变转速轴承故障诊断模型，实现了对变转速轴承故障类型的准确识别，其中基于SWT和CNN的诊断模型准确率可达98.7%。搭建了变转速轴承故障实验平台，开展了大量实验验证，证明了所提出的故障诊断方法的有效性和抗噪声性能，并成功应用于风力发电机组轴承故障诊断工程实践中。（二）创新点提出了一种基于EEMD和小波阈值去噪的改进HHT方法，有效抑制了EMD分解过程中的模态混叠问题，提高了时频分析的准确性。将同步挤压小波变换与深度学习相结合，利用SWT的高聚集性时频分布作为CNN的输入，实现了故障特征的自动提取与智能诊断，显著提高了变转速工况下的故障诊断准确率。开发了一套适用于工业现场的变转速轴承故障在线监测与诊断系统，实现了从信号采集、时频分析、特征提取到故障诊断的