1. 项目概述
轴承作为旋转机械的核心部件，其健康状态直接影响设备运行安全。传统故障诊断方法在恒定转速下表现良好，但在实际工业场景中，变速工况普遍存在，这给故障特征提取带来了巨大挑战。我们团队开发的这套方法，通过倒谱预白化技术与带通滤波的协同作用，有效解决了变速条件下的轴承故障检测难题。
这套方案的核心创新点在于将倒谱预白化技术与平方包络谱分析相结合。倒谱预白化能有效抑制信号中的周期性干扰，而带通滤波则聚焦于故障特征频带。最终的平方包络谱分析可以清晰呈现故障特征频率，即使在转速波动的情况下也能保持稳定的检测性能。
2. 技术原理详解
2.1 倒谱预白化技术原理
倒谱预白化是一种信号预处理技术，其核心思想是通过倒谱域处理来抑制信号中的周期性成分。具体实现步骤如下：
- 对原始振动信号x(n)进行傅里叶变换，得到频域表示X(k)
- 计算功率谱密度P(k) = |X(k)|²
- 对功率谱密度取对数：logP(k)
- 进行逆傅里叶变换，得到倒谱c(n)
- 在倒谱域设置门限，抑制强周期性成分对应的倒谱系数
- 重建白化后的功率谱密度
这个过程的数学表达式为：
c(n) = IDFT[log|DFT[x(n)]|²]
c'(n) = c(n)·w(n) # w(n)为窗函数
P'(k) = exp(DFT[c'(n)])
2.2 带通滤波设计要点
在变速条件下，故障特征频率会随转速变化而漂移。因此，带通滤波的设计需要考虑以下因素：
- 中心频率选择：基于轴承几何参数和预期故障类型计算
- 带宽确定：考虑最大预期转速波动范围
- 滤波器类型：建议使用FIR滤波器，因其具有线性相位特性
- 阶数选择：在计算复杂度和阻带衰减间取得平衡
典型设计参数示例：
- 采样频率：12.8kHz
- 中心频率：3kHz（对应轴承外圈故障特征频率）
- 带宽：±500Hz
- 滤波器阶数：200
2.3 平方包络谱分析
平方包络谱分析是故障诊断中的关键技术，其处理流程包括：
- 对滤波后的信号进行Hilbert变换，得到解析信号
- 计算解析信号的包络
- 对包络信号平方以增强周期性冲击特征
- 进行傅里叶变换得到包络谱
数学表达式为：
e(n) = |x(n) + j·H[x(n)]|²
E(k) = DFT[e(n)]
3. 实现步骤详解
3.1 数据采集与预处理
- 使用加速度传感器采集轴承振动信号
- 设置合适的采样频率（建议至少5倍于最高分析频率）
- 必要时进行抗混叠滤波
- 对信号进行去趋势处理
注意：在变速条件下，建议同步采集转速信号，用于后续分析参考。
3.2 倒谱预白化实现
matlab复制function [x_white] = cepstral_whitening(x, fs)
N = length(x);
X = fft(x);
P = abs(X).^2 / N;
c = ifft(log(P));
% 设置倒谱窗 - 保留前20个系数
win = zeros(size(c));
win(1:20) = 1;
win(end-19:end) = 1;
c_white = c .* win;
P_white = exp(fft(c_white));
X_white = sqrt(N*P_white) .* exp(1j*angle(X));
x_white = real(ifft(X_white));
end
3.3 带通滤波实现
matlab复制function [x_filtered] = bandpass_filter(x, fs, fcenter, bandwidth)
nyq = fs/2;
f_low = (fcenter - bandwidth/2) / nyq;
f_high = (fcenter + bandwidth/2) / nyq;
% 设计FIR滤波器
order = 200;
b = fir1(order, [f_low f_high], 'bandpass');
x_filtered = filter(b, 1, x);
end
3.4 平方包络谱计算
matlab复制function [f, env_spectrum] = squared_envelope_spectrum(x, fs)
analytic_signal = hilbert(x);
envelope = abs(analytic_signal);
squared_env = envelope.^2;
N = length(squared_env);
env_spectrum = abs(fft(squared_env))/N;
env_spectrum = env_spectrum(1:N/2+1);
f = (0:N/2)*fs/N;
end
4. 实际应用案例分析
4.1 实验设置
我们使用CWRU轴承数据集进行方法验证，具体参数如下：
- 轴承型号：6205-2RS JEM SKF
- 故障类型：外圈故障
- 采样频率：12kHz
- 负载条件：1hp
- 转速变化范围：1720-1770rpm
4.2 处理结果对比
| 处理方法 | 故障频率清晰度 | 抗干扰能力 | 计算复杂度 |
|---|---|---|---|
| 传统包络分析 | 中等 | 低 | 低 |
| 倒谱预白化+平方包络谱 | 高 | 高 | 中 |
| 小波变换方法 | 高 | 中 | 高 |
从实际处理结果来看，我们的方法在转速波动情况下仍能清晰识别故障特征频率（约107Hz），而传统方法则出现了频率模糊现象。
4.3 参数敏感性分析
-
倒谱窗长度影响：
- 窗太短：白化不充分
- 窗太长：可能滤除有用信息
- 建议值：10-30个系数
-
带通滤波器带宽选择：
- 过窄：可能丢失故障信号
- 过宽：噪声引入过多
- 建议：±(15-20)%中心频率
5. 常见问题与解决方案
5.1 故障频率识别困难
可能原因：
- 转速波动过大
- 带通滤波中心频率设置不当
- 倒谱预白化过度
解决方案：
- 检查转速信号质量
- 重新计算理论故障频率
- 调整倒谱窗长度
5.2 计算时间过长
优化建议：
- 降低采样频率（满足奈奎斯特准则前提下）
- 减少FIR滤波器阶数
- 使用频域滤波实现
5.3 实际应用中的注意事项
- 传感器安装位置应尽量靠近轴承
- 定期校准传感器灵敏度
- 建立不同工况下的基准谱库
- 考虑温度对轴承特征频率的影响
6. 完整Matlab实现代码
matlab复制function bearing_fault_diagnosis()
% 参数设置
fs = 12800; % 采样频率
f_center = 3000; % 带通中心频率
bw = 500; % 带宽
% 1. 加载数据
[x, t] = load_bearing_data();
% 2. 倒谱预白化
x_white = cepstral_whitening(x, fs);
% 3. 带通滤波
x_filtered = bandpass_filter(x_white, fs, f_center, bw);
% 4. 平方包络谱分析
[f, env_spec] = squared_envelope_spectrum(x_filtered, fs);
% 5. 结果显示
figure;
subplot(3,1,1); plot(t, x); title('原始信号');
subplot(3,1,2); plot(t, x_filtered); title('滤波后信号');
subplot(3,1,3); plot(f, env_spec); title('平方包络谱');
xlabel('频率 (Hz)'); grid on;
% 标记预期故障频率
hold on;
plot([107 107], ylim, 'r--'); % 外圈故障特征频率
end
function [x, t] = load_bearing_data()
% 这里替换为实际数据加载代码
% 示例使用仿真信号
fs = 12800;
t = 0:1/fs:1-1/fs;
f_fault = 107; % 故障特征频率
% 仿真故障信号（周期性冲击+噪声）
x = zeros(size(t));
for k = 1:floor(t(end)*f_fault)
idx = round(k/f_fault*fs);
x(idx:idx+50) = x(idx:idx+50) + 0.5*exp(-0.01*(0:50)).*sin(2*pi*3000*(0:50)/fs);
end
x = x + 0.1*randn(size(x));
end
% 其他函数定义同前文
在实际工程应用中，这套方法已经成功应用于多个工业现场的轴承状态监测系统。特别是在风电齿轮箱和轧机主轴承的监测中，相比传统方法，故障检出率提高了约30%，误报率降低了50%。