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、项目背景与研究意义旋转机械作为现代工业体系中的核心动力与传动装置，其运行状态的稳定性直接决定整条生产线或整套装备的安全性与经济性。轴承作为旋转机械中最常见也最易发生故障的薄弱环节，长期承受交变载荷、摩擦磨损与热应力耦合作用，其失效往往具有渐变性、隐蔽性和突发性共存的特征。据统计，旋转机械故障中约有30%至40%与轴承损伤直接相关，因此实现对轴承早期故障的精准识别与诊断，对保障设备安全运行、降低维护成本具有重要的工程价值。然而，实际工业场景中的旋转机械大量运行于变转速工况之下，例如风力发电机组受风速波动影响、矿山提升机随负载变化调整速度、车辆传动系统随路况和驾驶操作持续变速等。传统基于恒定转速假设的轴承故障诊断方法在变转速条件下暴露出明显的技术瓶颈：其一，转速波动导致故障特征频率随之迁移，频谱分析中出现"频率模糊"现象，难以锁定特征谱线；其二，振动信号不再满足平稳性假设，基于傅里叶变换的经典谱分析无法有效揭示信号频谱随时间演化的瞬态规律；其三，载荷波动引起振动传递路径的非线性变化，进一步增加了特征提取的不确定性。时频分析方法作为处理非平稳信号的有力工具，能够同时在时间域和频率域上刻画信号的能量分布与瞬时特征，为变转速轴承故障诊断提供了新的技术路径。近年来，短时傅里叶变换、小波变换、Wigner-Ville分布、希尔伯特-黄变换以及同步压缩变换等方法在机械故障诊断领域得到了广泛研究与应用。然而，各类时频分析方法在时频分辨率的矛盾权衡、交叉干扰项的抑制、计算效率以及参数自适应选择等方面仍存在不足，如何在变转速复杂工况下实现高精度的轴承故障特征提取与智能诊断，仍是一个亟待深入研究的课题。二、研究目标与主要内容本项目围绕变转速工况下滚动轴承故障诊断的核心难题，以时频分析为技术主线，确立了以下研究目标：建立变转速条件下轴承振动信号的时频表征模型，提出适用于转速大幅波动与强背景噪声环境下的时频特征增强方法；发展基于同步压缩与阶次分析融合的故障特征提取算法，消除转速变化引起的频率模糊效应；构建结合时频图像智能识别与深度学习的故障分类框架，最终形成一套从信号预处理、特征提取到故障模式识别的完整技术方案，并通过仿真数据与实验数据双重验证其有效性与工程适用性。具体研究内容涵盖以下四个方面：第一，变转速轴承振动信号的时频表征与特性分析。系统研究短时傅里叶变换、连续小波变换、Wigner-Ville分布及其改进方法在变转速轴承振动信号处理中的适用条件与性能边界。从理论上分析转速变化对故障特征频率调制规律的影响，建立变转速条件下轴承故障振动信号的数学模型，明确不同故障类型（内圈故障、外圈故障、滚动体故障、保持架故障）在时频平面上的特征表达规律，为后续特征提取提供理论依据。第二，基于同步压缩变换与阶次跟踪的故障特征增强方法。针对传统时频分析方法时频聚集性不足的问题，引入同步压缩变换技术，通过对时频平面上能量分布的重排聚焦，显著提升瞬时频率估计的精度与谱线可读性。同时结合计算阶次跟踪方法，将时域非平稳信号转化为角域准平稳信号，实现对转速波动的有效归一化处理。重点研究同步压缩变换参数的自适应选取策略，以及阶次跟踪中转速脉冲信号缺失或干扰条件下的转速估计鲁棒性问题。第三，基于时频图像与卷积神经网络的故障智能识别方法。将时频分析结果转化为二维时频图像，充分利用卷积神经网络在图像特征自动提取方面的优势，构建"时频变换—图像编码—深度识别"的端到端诊断框架。重点解决小样本条件下网络的过拟合问题，研究数据增强策略与迁移学习机制的引入方式，设计适用于时频图像特性的网络结构，并对不同时频变换方法生成的图像在深度学习框架下的故障识别性能进行系统对比与优化。第四，实验验证与方法对比评估。搭建变转速轴承故障模拟实验平台，采集不同转速变化模式（线性升速、线性降速、正弦波动、随机波动）和不同故障严重程度下的振动信号，构建标准测试数据集。对所提方法与经典的时频分析诊断方法、阶次分析方法、传统机器学习诊断方法进行系统对比，从诊断准确率、抗噪鲁棒性、计算效率、参数敏感度等多个维度进行量化评估。三、主要研究进展与阶段性成果3.1变转速轴承振动信号建模与特性分析项目首先从动力学机理出发，建立了变转速条件下滚动轴承故障振动信号的参数化模型。模型中考虑了故障冲击的周期性激发机制、冲击响应的衰减振荡特性、传递路径的幅值调制效应以及转速变化引起的特征频率时变特性。理论分析表明，变转速条件下故障特征频率不再是恒定值，而是随时间按照转速曲线的比例因子进行调制的时变函数，这一特性导致传统频谱分析中故障特征谱线的能量在频域上被"稀释"和"模糊化"。基于该模型进行的数值仿真揭示了不同转速变化率和不同故障类型下的时频谱图演化规律。当转速在较大范围内波动时，故障特征频率在时频平面上呈现为与转速曲线形状一致的时变频带，而非恒定频率的水平谱线。这一发现为后续采用时频脊线提取和阶次分析进行故障诊断提供了直观依据。3.2同步压缩变换性能优化与参数自适应研究针对标准同步压缩变换在低信噪比条件下时频脊线提取精度下降的问题，项目提出了一种基于局部信噪比自适应加权的改进同步压缩变换方法。该方法首先通过短时傅里叶变换获取初步时频分布，计算每个时频点的局部能量密度与噪声水平的比值，据此构建自适应权重矩阵，在同步压缩重排过程中对高信噪比区域赋予更大的压缩权重，有效抑制了噪声引起的时频脊线扰动。仿真实验表明，改进算法在信噪比低至-5dB的条件下仍能保持较高的瞬时频率估计精度，时频脊线的连续性较标准方法提升了约35%。此外，针对同步压缩变换中窗函数长度选择的难题，项目提出了一种基于Rényi熵最小准则的自适应窗长选择策略，能够在不同转速变化率和不同信号特性下自动选择最优的时频分辨率折中点，避免了人工试错的盲目性。3.3基于计算阶次跟踪的变转速归一化方法为解决实际工程中转速计信号不可靠或缺失情况下的阶次跟踪问题，项目发展了一种基于时频脊线提取的无转速计阶次跟踪方法。该方法首先对振动信号进行短时傅里叶变换，利用改进的时频脊线提取算法从时频图中自动追踪故障特征频率对应的脊线，进而反演出瞬时转速曲线。在此基础上，根据瞬时转速构造等角度重采样时间序列，将原始时域非平稳信号映射到角域。与传统基于硬件转速脉冲的阶次跟踪方法相比，该方法的优势在于不依赖额外的转速传感器，且对转速脉冲信号的局部缺失和干扰具有较强的容错能力。实验结果显示，在转速从600rpm线性升至2400rpm的工况下，基于无转速计阶次跟踪方法得到的角域包络谱中，故障特征阶次谱线清晰可辨，与传统有转速计方法的阶次谱一致性达到95%以上。在转速计信号随机缺失20%的模拟场景中，本方法的故障诊断结果仍保持稳定，而传统插值方法则出现了明显的阶次谱线偏移和幅值衰减。3.4时频图像深度学习诊断框架构建在故障智能识别方面，项目构建了基于时频图像与深度卷积神经网络的诊断框架。系统对比了短时傅里叶变换、连续小波变换、同步压缩变换和Wigner-Ville分布四种时频分析方法生成的时频图像在故障分类任务中的性能差异。为消除不同图像的动态范围差异和视觉表征不一致问题，提出了统一化的时频图像预处理流程，包括能量归一化、对数压缩、伪彩色映射和尺寸标准化等步骤。在网络结构设计上，针对时频图像中故障特征表现为细长脊线或局部纹理的特点，在经典卷积网络基础上引入了注意力机制模块和金字塔池化结构，增强了对时频图像中瞬态特征和精细纹理的感知能力。为应对变转速故障样本采集困难、训练数据有限的问题，采用了基于旋转、平移、尺度缩放和噪声注入的时频图像数据增强策略，并结合在ImageNet上预训练模型的迁移学习方法，显著提升了小样本条件下的分类性能。实验结果表明，在包含四种故障类型和四种转速变化模式的16类分类任务中，基于同步压缩变换时频图像的深度诊断框架取得了96.8%的平均分类准确率，较基于短时傅里叶变换的方案提升了约4.2个百分点，较传统的人工特征提取结合支持向量机的方法提升了约11.5个百分点。同步压缩变换时频图像的优越性主要归因于其时频聚集性较高，故障脊线更为锐利清晰，有利于卷积网络提取稳定有效的鉴别特征。3.5实验平台搭建与数据集建立项目搭建了变转速轴承故障模拟实验平台，平台由驱动电机、变频控制器、支撑轴承座、加载装置、加速度传感器、转速编码器和数据采集系统组成。通过在轴承内圈、外圈和滚动体上分别加工不同尺寸的模拟缺陷（缺陷直径0.5mm、1.0mm、1.5mm），构建了涵盖三种故障类型、三种故障严重程度以及正常状态共十种健康状态的实验样本空间。转速工况覆盖恒定转速、线性升速、线性降速、正弦波动和阶跃变化五种模式，每种工况下采集不少于20组样本，建立了包含振动信号、转速脉冲信号和对应健康状态标签的标准数据集。四、关键技术总结与对比分析综合项目研究过程，本项目在以下三个层面形成了具有特色的技术贡献：在信号预处理层面，所提出的基于局部信噪比自适应加权的同步压缩变换方法在时频聚集性和抗噪性能方面均优于传统的短时傅里叶变换和标准同步压缩变换。定量对比显示，在相同信噪比条件下，改进方法的Rényi熵值较标准同步压缩变换平均降低12.7%，较短时傅里叶变换平均降低27.3%，表明其时频分布的能量集中度显著更高。在特征提取层面，计算阶次跟踪方法有效消除了转速波动对特征频谱的影响。与直接对变转速信号进行频谱分析相比，基于阶次跟踪后的角域包络谱中，故障特征谱线的信噪比提升了18dB以上。在转速大幅波动（波动幅度超过平均转速的50%）的极端工况下，阶次分析方法仍然保持了稳定的特征提取能力，而传统方法此时已完全失效。在故障识别层面，时频图像与深度学习的结合展现出了显著优势。与基于人工特征提取的诊断方法相比，深度学习方法免去了繁琐的特征设计与选择过程，且在复杂工况下的泛化能力和鲁棒性更为突出。值得注意的是，时频变换方法的选择对最终诊断性能有显著影响，同步压缩变换凭借其高时频聚集性成为最适合深度学习识别的时频预处理手段。五、存在问题与后续工作展望尽管项目已取得阶段性成果，但仍存在若干问题需要在后续研究中进一步解决。首先，当前方法在转速急剧变化或存在转速瞬变的工况下性能有所下降。当转速变化率超过一定阈值时，即使在极短的时间窗内，信号的准平稳假设也已经不成立，导致时频分析方法的基础前提受到挑战。后续研究可探索基于参数化时频分析或自适应chirplet分解的方法，以更灵活的信号模型应对快速变速场景。其次，多故障耦合诊断问题尚待深入研究。实际工程中轴承往往同时存在多种故障模式，不同故障特征在时频平面上可能相互交叠或产生复杂的调制关系，当前的单一故障分类框架难以有效处理此类复合故障。后续可尝试引入多标签分类策略和信号分离技术，如变分模态分解或盲源分离，以实现复合故障的分解诊断。第三，深度学习模型的可解释性问题需要关注。虽然时频图像与卷积神经网络的结合在诊断准确率上表现优异，但网络的决策过程缺乏可解释性，这在安全关键的工业应用中构成潜在风险。未来可探索引入类激活映射等可视化技术揭示网络关注的时频区域，以及结合物理知识约束的神经网络结构设计，提升模型的可信度和可解释性。第四，方法的工程化部署与实时