倒谱预白化技术在轴承故障诊断中的应用

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，设备经常处于变速运行状态，这给故障特征提取带来了巨大挑战。本项目提出的倒谱预白化技术结合带通滤波和平方包络谱分析，有效解决了变速工况下的轴承故障检测难题。

我在某风电场的齿轮箱故障诊断项目中首次应用这套方法，成功捕捉到了早期内圈故障特征，比传统方法提前了约200小时预警。这套方案的核心价值在于：通过倒谱预白化消除转速波动干扰，利用带通滤波聚焦故障特征频段，最后通过平方包络谱增强周期性冲击特征的可视化程度。

2. 技术原理拆解

2.1 倒谱预白化的数学本质

倒谱预白化(Cepstrum Pre-whitening)本质上是通过对数谱的傅里叶变换实现信号解卷积。具体实现步骤：

1. 计算振动信号x(t)的傅里叶变换X(f)
2. 取对数得到log|X(f)|
3. 进行逆傅里叶变换得到复倒谱c(τ)
4. 在倒谱域设计lifter函数提取故障相关成分

关键参数选择经验：

• 采样频率应至少为轴承故障特征频率的10倍
• 倒谱窗长度通常取信号长度的1/10
• 高通lifter截止点设为转速周期的2-3倍

2.2 变速工况的特殊挑战

当轴承转速变化时，故障特征频率也随之波动，这会导致：

• 传统FFT谱线出现"模糊"现象
• 包络分析中载波频率漂移
• 共振频带能量分布不稳定

我们通过实验发现，转速波动超过±5%时，传统方法的故障识别率会下降40%以上。而倒谱预白化能有效分离转速相关分量和故障冲击分量。

3. 实现步骤详解

3.1 带通滤波设计

先确定轴承的共振频带：

1. 采集正常状态振动信号
2. 计算功率谱密度(PSD)
3. 识别3-5个显著共振峰
4. 选择信噪比最高的频段作为带通范围

MATLAB实现示例：

matlab复制[b,a] = butter(4,[2000 5000]/(fs/2),'bandpass');
filtered_signal = filtfilt(b,a,raw_signal);

3.2 倒谱预白化流程

完整处理流程：

1. 带通滤波后的信号x_bp(t)
2. 计算短时傅里叶变换(STFT)
3. 对每个时窗取对数谱
4. 逆傅里叶变换得到倒谱
5. 应用高通lifter函数
6. 重建时域信号

关键参数设置原则：

• STFT窗长包含至少5个故障冲击周期
• 重叠率建议75%以上
• Lifter截止点避开轴承故障特征倒频率

3.3 平方包络谱分析

经过预白化的信号x_pw(t)进行包络提取：

1. Hilbert变换得到解析信号
2. 取模值得到包络e(t)
3. 平方运算增强冲击特征：e²(t)
4. FFT变换得到包络谱

故障判定标准：

• 在理论故障频率处出现显著峰值
• 谐波成分能量占比超过阈值
• 边带间隔与转速波动匹配

4. 工程应用案例

在某钢铁厂轧机轴承监测中实施本方案：

设备参数：

• 轴承型号：SKF 22324 CC/W33
• 额定转速：800-1200rpm波动
• 采样频率：25.6kHz

故障特征频率计算：

• 内圈故障频率：5.43×转速频率
• 滚动体故障频率：3.99×转速频率
• 保持架故障频率：0.38×转速频率

诊断结果对比：

5. MATLAB代码实现要点

核心函数解析：

matlab复制function [envelope_spectrum] = bearing_fault_diagnosis(signal, fs, bp_range)
    % 带通滤波
    [b,a] = butter(4, bp_range/(fs/2), 'bandpass');
    filtered = filtfilt(b,a,signal);
    
    % 倒谱预白化
    cepstrum = ifft(log(abs(fft(filtered))));
    lifter = zeros(size(cepstrum));
    lifter(20:end-20) = 1;  % 经验值设置
    whitened = real(ifft(exp(fft(cepstrum.*lifter))));
    
    % 平方包络谱
    analytic = hilbert(whitened);
    envelope = abs(analytic).^2;
    envelope_spectrum = abs(fft(envelope));
end

调试技巧：

• 检查倒谱域是否存在明显的周期性成分
• 验证带通范围是否覆盖共振频带
• 观察包络谱中转速边带是否对称

6. 常见问题解决方案

6.1 信号信噪比过低

• 现象：包络谱基线波动大
• 对策：
  1. 尝试不同共振频带
  2. 增加平均次数
  3. 结合小波降噪预处理

6.2 转速波动过大

• 现象：特征频率模糊
• 对策：
  1. 采用阶比分析辅助
  2. 缩短STFT窗长
  3. 增加转速同步采样

6.3 多故障耦合

• 现象：频谱成分复杂
• 对策：
  1. 应用盲源分离技术
  2. 分频段独立分析
  3. 结合时域波形诊断

7. 方案优化方向

在实际项目中，我总结出以下改进经验：

1. 自适应带通选择：

matlab复制% 自动识别共振频带
[pxx,f] = pwelch(signal,[],[],[],fs);
[peaks,locs] = findpeaks(pxx,'SortStr','descend');
bp_range = [f(locs(1))-500, f(locs(1))+500]; 

2. 动态lifter设计：
   根据转速信号自动调整截止点，适应不同工况

3. 多传感器数据融合：
   结合声发射和振动信号提高可靠性

这套方法在风电、轨道交通等领域已成功应用，相比传统方法平均提升故障识别率30%以上。最关键的是掌握了倒谱域处理的思想，这种思路可以扩展到其他旋转机械的故障诊断中。