基于异常特征频率匹配的轴承故障诊断方法研究

摘要：随着社会的不断发展，各行各业也得到了不断发展，机械行业也得到长足发展，但是由于机械设备运行中存在很多故障问题，因此针对这些问题研究了一种基于异常特征频率匹配的轴承故障诊断方法。首先，获取振动信号并进行预处理，通过小波变换进行去噪滤波，提取频率成分。利用快速傅里叶变换将时域信号转换为频域信号，并绘制频谱图。其次，应用希尔伯特变换进行包络分析，提升信号的信噪比，获得包络谱。进而，从包络谱中提取轴承故障的特征频率，并与理论计算频率进行对比，判断故障类型及其严重程度。通过西储大学轴承故障数据集验证了所提方法在故障检测中的有效性和可靠性。

关键词：轴承故障诊断小波变换快速傅里叶变换希尔伯特变换

中图分类号：TH133

ResearchonBearingFaultDiagnosisMethodBasedonAbnormalFeatureFrequencyMatching

WUJianchao

GuangzhouGoalandEnergyConservationTech.Co.，Ltd.，Guangzhou，GuangdongProvince，510705China

Abstract：Withthecontinuousdevelopmentofsociety，allwalksoflife"havealsobeenhavealsobeencontinuouslydeveloped，themachineryindustryhasalsobeengreatlydeveloped.However，duetothemanyfaultproblemsintheoperationofmechanicalequipment，abearingfaultdiagnosismethodbasedonabnormalfeaturefrequencymatchinghasbeenstudiedtoaddresstheseissues.Firstly，thevibrationsignalisobtainedandpreprocessed.Denoisingfilteringisperformedthroughwavelettransformtoextractfrequencycomponents.FastFourierTransformisusedtoconverttime-domainsignalsintofrequency-domainsignalsanddrawfrequencyspectra.Secondly，HilbertTransformisappliedforenvelopeanalysistoimprovethesignal-to-noiseratioofthesignalandobtaintheenvelopespectrum.Furthermore，thecharacteristicfrequenciesofbearingfaultsareextractedfromtheenvelopespectrumandcomparedwiththetheoreticallycalculatedfrequenciestodeterminethetypeandseverityofthefaults.TheeffectivenessandreliabilityoftheproposedmethodinfaultdetectionwereverifiedthroughthebearingfaultdatasetofWesternReserveUniversity.

KeyWords：Bearingfaultdiagnosis;Wavelettransform;FastFourierTransform;HilbertTransform

滚珠轴承在旋转机械中扮演着至关重要的角色，其故障直接影响到机械设备的运行稳定性和安全性[1-3]。在诸如大型电站、化工企业、舰艇及飞机等对可靠性要求极高的系统中，轴承的可靠性尤为重要，防止其突发性损坏成为了确保系统安全的关键。因此，对轴承的运行状态进行实时监测和早期预警是必不可少的。

轴承故障常常表现为典型的缺陷，如表面剥落或裂纹，这些缺陷会导致周期性激励信号的产生。由于这些激励信号的周期性与故障部位密切相关，对振动信号的分析能够揭示这些故障信号的存在及其频率，从而帮助诊断故障的具体位置。为了有效地从复杂的振动信号中提取和分析这些故障特征，包络分析技术被广泛应用[4]。包络分析技术可以通过多种方法实现，其中小波变换、快速傅里叶变换和希尔伯特变换是关键的技术手段[5-7]。小波变换适合处理非平稳信号，通过多尺度分析可以有效地分解信号的时间-频率特性，提取故障信息。快速傅里叶变换则用于将时域信号转换为频域，通过频谱分析可以识别周期性激励信号的频率成分，为故障检测提供重要依据。希尔伯特变换在包络分析中扮演着重要角色，它能够提取信号的瞬时振幅和瞬时频率，将高频冲击成分从振动信号中解调出来，生成包络谱，从而显著提高信号的信噪比。

结合这些先进的信号处理技术，软件网络分析方法能够实现高精度的故障检测。这些方法的应用不仅提高了对轴承故障的诊断能力，也为设备的预防性维护和故障预测提供了强有力的支持，因此，本文研究基于异常特征频率匹配的轴承故障诊断方法。

1轴承故障诊断方法设计

基于异常特征频率匹配的轴承故障诊断过程具体叙述如下。

首先，需要获取设备的振动信号数据。这些数据可以通过加速度传感器等装置获得。其次，对数据进行预处理，确保数据的准确性和完整性。通过快速傅里叶变换算法将时域信号转换为频域信号，将振动信号转化为频谱图。包络谱表示了振动信号的幅值与频率之间的关系。为了进行轴承故障诊断，需要从包络谱中提取出故障特征频率。这些特征频率通常与轴承的故障类型和严重程度有关。进而使用峰值检测算法来寻找包络谱中的主要频率峰值。这些峰值对应着故障特征频率，可以用于诊断轴承的故障类型。最后，根据故障特征频率的分析结果判断轴承是否存在故障，并确定其严重程度。

为实现傅里叶变换求频谱，首先，通过快速傅里叶变换将时域信号转换为频域信号。离散傅里叶变换用于计算机实现对信息的处理，由于计算机只能处理有限长度的离散数据，而周期序列的离散傅里叶级数满足这些特征：对计算机输入信号的间隔周期采样得到的个数据点，通过计算可以得到虚指数项表示的个谐波分量：

式（1）中：为虚数符号；为谐波分量；为采样数据；为指数；为采样时刻；周期序列的离散傅里叶变换可由下式计算得到频域信号：

然后，绘制频谱图。设原始信号为，其希尔伯特变换定义为：

以为实部，为虚部，构造解析信号：

式（4）中，，即为原信号的包络，为反正切函数。

通过希尔伯特变换对求包络线；利用傅里叶变换求包络谱，绘制包络谱。进而，根据特征频率与轴承的故障类型对应关系。轴承中所产生的振动是随机的，含有滚动体的传输振动，其主要频率成分为滚动轴承的特征频率。特征频率可根据轴承结构参数计算如下：

内圈旋转频率：，其中，为轴的转速，单位：。

轴承内圈是常见故障问题，对于内圈故障，存在内圈特征频率，即内圈上的某一损伤点与滚动体接触过程中产生的振动频率：

式（5）中：是轴承旋转频率，单位为；为滚动体直径，单位为；为轴承直径，单位为；为滚动体数量；为接触角。

此外，轴承外圈也是常见故障问题之一，对于外圈故障，存在外圈特征频率，即外圈上的某一损伤点与滚动体接触过程中产生的振动频率：

根据以上滚珠轴承可能出现内圈和外圈的故障频率。具体诊断步骤如下。

步骤1：此时根据专家经验或经验公式寻找/计算对应的特征频率。

步骤2：采用峰值检测算法来寻找各种故障在包络谱中的主要频率峰值，将峰值作为理论故障特征频率。

步骤3：将实际故障频率和理论故障频率做比较，在允许范围误差内，当实际故障峰值和理论故障峰值接近时则可判断出对应的故障类型。

2测试验证

基于西储大学轴承故障数据集进行验证，选择采样频率为12000、转速为1721、驱动端测点且轴径为0.007的轴承内圈故障数据集，进行包络谱倍频分析。相关参数分别为，。根据参数，可以计算得到。根据专家经验，从图1可以发现，包络谱中在1、2、3倍频位置相比正常的峰值有大幅增加，1、2、3倍频之间的峰值依次递减。

对于外圈故障分析验证，选择采样频率为12000Hz、转速为1725r/min、驱动端测点且轴径为0.007的轴承外圈故障数据集，进行包络谱倍频分析。相关参数分别为，。外圈上的某一损伤点与滚动体接触过程中产生的振动频率：。根据专家经验，从图2可以发现，包络谱中1、2、3倍频处相比正常的峰值有大幅度增加，1、2、3倍频之间的峰值依次递减。

3结语

本文探讨了基于小波变换和希尔伯特变换的轴承故障诊断技术，通过小波变换对非平稳振动信号进行多尺度分析，有效捕捉故障特征；希尔伯特变换则在包络分析中提取高频冲击成分，提升信号的信噪比。通过在西储大学轴承故障数据上进行了验证分析。

参考文献

[1]赵一楠，剡昌锋，孟佳东，等.自适应窗口旋转优化短时傅里叶变换的变转速滚动轴承故障诊断[J].振动工程学报，2024，37（6）：1064-1076.

[2]张斌，孟倩.基于小波包和Hilbert包络谱的滚动轴承故障诊断[J].机械管理开发，2024，39（3）：1-3.

[3]李菲.基于陷波去噪和经验小波变换的滚动轴承故障诊断研究[D].北京：北京石油化工学院，2020.

[4]王金喜.基于振动信号分析的滚动轴承故障诊断方法研究[D].济南：山东大学，2023.

[5]栾孝驰，李彦徵，徐石，等.基于小波包变换与CEEMDAN的滚动轴承故障诊断方法[J].航空动力学报，2024，39（5）：159-173.

[6]曹仕骏，郑近德，潘海洋，等.基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法[J].振动与冲击，2022，41（15）：287-299.

[7]唐贵基，蔡伟.应用小波包和包络分析的滚动轴承故障诊断[J].振动、测试与诊断，2009，29（2）：201-204，244.