基于双通道频谱分析的振动信号故障诊断1

引言

在工业设备健康管理中，振动信号分析是故障诊断的核心手段之一。轴承作为旋转机械的关键部件，其故障会直接影响设备的运行效率和安全性。传统的故障诊断依赖人工经验，效率低且易误判。频谱分析通过将时域振动信号转换为频域特征，能够清晰捕捉故障特征频率，结合现代算法（如深度学习），可实现高精度、自动化的故障诊断。本文将从基础理论、关键方法到实际案例，系统解析频谱分析在轴承故障诊断中的应用。

---

一、频谱分析基础

1. 傅里叶变换（FFT）

傅里叶变换（FFT）是频谱分析的基石
通过FFT可将时域振动信号分解为不同频率的正弦波分量，提取频域特征。例如，轴承内圈故障的周期性冲击会在频谱中表现为特征频率的谐波分量。

FFT的局限性：

• 仅适用于稳态信号，对非平稳信号（如瞬态冲击）分辨率不足。

• 需满足采样定理（采样频率 > 2倍信号最高频率）。

2. 小波变换

小波变换通过多尺度分析兼顾时频局部性，适用于非平稳信号：
小波基函数（如Morlet小波）可自适应调整窗口大小，捕捉高频瞬态和低频趋势（图1）。

---

二、轴承故障特征频率

轴承故障类型与特征频率密切相关，公式如下：

1. 内圈故障频率：
   fi=n2fn(1+dDcos⁡α)fi​=2n​fn​(1+Dd​cosα)

2. 外圈故障频率：
   fo=n2fn(1−dDcos⁡α)fo​=2n​fn​(1−Dd​cosα)

3. 滚动体故障频率：
   fb=fn2Dd[1−(dDcos⁡α)2]fb​=2fn​​dD​[1−(Dd​cosα)2]

其中，nn为滚动体数量，fnfn​为轴转频，DD为节圆直径，dd为滚动体直径，αα为接触角。

---

三、应用案例：结合双流CNN的故障诊断

1. 数据预处理

• 重叠采样增强：对一维振动信号随机截取，生成大量训练样本。

• 频域转换：使用FFT将信号转为频域，作为模型输入。

2. 双流CNN模型设计

• 双通道输入：

  • 时频图（小波变换生成）捕捉瞬态特征。

  • 频域信号（FFT生成）提取稳态谐波分量。

• 特征融合：将时频图与频域特征拼接，通过全连接层分类（图3）。

---

四、总结与展望

频谱分析通过频域特征提取，为故障诊断提供了可靠依据。结合深度学习（如双流CNN），可进一步挖掘信号中的隐含模式，实现端到端的高精度诊断。未来方向包括：

1. 多传感器融合：结合温度、声发射等多模态数据提升鲁棒性。

2. 边缘计算部署：将算法嵌入嵌入式设备，实现实时监测。

3. 迁移学习：解决小样本场景下的模型泛化问题。

---

参考文献

1. 徐晶等. 基于小波包能量谱及SVM算法的轴承故障检测. 黑龙江科技大学学报, 2015.

2. 牟大伟. 基于卷积神经网络的旋转机械故障诊断方法研究. 中国石油大学, 2020.

3. 叶壮等. 基于多通道加权CNN的齿轮箱振动信号特征提取. 机械工程学报, 2021.

代码示例（FFT频谱分析Python实现）

import numpy as np
import matplotlib.pyplot as pltdef fft_spectrum(signal, fs):n = len(signal)freq = np.fft.fftfreq(n, 1/fs)fft_values = np.fft.fft(signal)amplitude = np.abs(fft_values) / n * 2return freq[:n//2], amplitude[:n//2]# 示例：轴承振动信号分析
fs = 48000  # 采样频率48kHz
t = np.linspace(0, 1, fs)
signal = 0.5 * np.sin(2 * np.pi * 1000 * t) + 0.2 * np.random.randn(fs)
freq, amp = fft_spectrum(signal, fs)plt.plot(freq, amp)
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.title('FFT Spectrum of Bearing Vibration')
plt.show()

制作的平台：https://download.csdn.net/download/2301_80100415/88785912?spm=1011.2124.3001.6210