旋转机械故障诊断中的频带选择（FBS）研究（Matlab代码实现)

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

💥1 概述

旋转机械故障诊断中的频带选择（FBS）研究

旋转机械故障诊断中的频带选择（FBS）旨在识别频带位置，包括全频带外的故障瞬变，因此故障诊断可以抑制来自其他频率分量的噪声影响。冲动性和循环平稳性最近被认为是瞬态的两个独特特征。因此，许多研究都集中在开发两种特征的量化指标上，并将它们用作指导FBS的指标。然而，大多数以前的研究几乎忽略了FBS的另一个方面，即健康参考，这显着影响FBS的性能。为了解决这个问题，本文调查了健康参考的重要性，并将其视为FBS的第三个关键方面。借助健康参考，

可以定位故障瞬变存在的频段。提出了一种基于分类的新方法，将FBS的所有三个方面（冲动性、循环平稳性和健康参考）整合在一起。分类精度被开发为一种新的指标，用于选择最敏感的频段进行旋转机械故障诊断。所提出的方法（由accugram创造）已在基准和实验数据集上得到验证。比较结果表明，与传统包络分析、库尔图和信息图相比，其有效性和鲁棒性。

一、引言

旋转机械作为工业生产中的核心部件，其可靠运行直接关系到生产效率和安全。然而，由于长期在高负荷、复杂工况下运行，旋转机械极易发生各种故障。及时、准确地诊断这些故障，对于保障设备安全、降低维护成本至关重要。频带选择（Frequency Band Selection, FBS）作为信号处理和特征提取的关键环节，在旋转机械故障诊断中扮演着举足轻重的角色。

二、频带选择的理论基础

1. 旋转机械振动理论

• 旋转机械常见的故障，如轴承故障、齿轮故障、不平衡、不对中等，都会在特定的频率范围内产生显著的振动特征。
• 这些特征频率与设备的几何尺寸、转速、零件缺陷等因素密切相关。例如，轴承的内圈、外圈、滚珠和保持架的故障分别对应不同的特征频率，齿轮的故障则与齿轮的啮合频率及其谐波相关。

2. 信号处理理论

• 傅里叶变换可以将时域信号转换到频域，揭示信号的频率成分。
• 各种滤波技术，如带通滤波、带阻滤波、高通滤波和低通滤波，可以有选择地保留或去除特定频带的信息。
• 小波变换、经验模态分解（EMD）等时频分析方法可以更精细地分析信号的频率特征，为频带选择提供更全面的信息。

三、常用的频带选择方法

1. 基于经验的频带选择

• 原理：根据对旋转机械故障特征频率的先验知识，预先确定故障特征频率所在的频带范围。
• 步骤：根据设备的几何尺寸、转速、故障类型等信息，计算故障特征频率；通过带通滤波器或其他信号处理技术，提取该频带范围内的振动信号进行分析。
• 适用性：适用于故障特征能量比较集中的情况，但容易受到噪声干扰。

2. 基于谱峭度的频带选择

• 原理：谱峭度是一种度量信号冲击特性的指标，冲击信号往往具有较高的峭度值。
• 步骤：计算信号在不同频带上的峭度值；选择峭度值最高的频带作为故障特征频带。
• 适用性：对冲击性故障，如轴承早期故障和齿轮局部故障，具有较好的检测效果。

3. 基于优化算法的频带选择

• 原理：利用优化算法搜索最佳的频带范围。
• 常用算法：遗传算法（GA）、粒子群优化（PSO）等。
• 步骤：将频带范围作为染色体或粒子；利用目标函数评价每个染色体或粒子的适应度；通过迭代优化找到最佳的频带范围。
• 适用性：能够找到全局最优解，但计算复杂度较高。

4. 基于独立成分分析（ICA）的频带选择

• 原理：ICA是一种盲源分离技术，可以将混合信号分解成若干个独立的成分。
• 步骤：利用ICA将振动信号分解成若干个独立的成分；分析每个成分的频谱特征，选择包含故障特征的成分所在的频带。
• 适用性：适用于多故障同时发生的情况。

5. 基于分类的频带选择

• 原理：将频带选择问题转化为分类问题，通过训练分类器区分包含丰富故障信息的“有效频段”和主要由噪声构成的“无效频段”。
• 步骤：构建训练数据集，包含标注好的有效频段和无效频段；提取每个频段的特征；利用训练数据集训练分类器；将待诊断信号的频谱划分为多个频段，提取每个频段的特征，利用训练好的分类器对每个频段进行分类；选择分类为有效频段的频段用于后续的故障特征提取和诊断。
• 适用性：能够自适应地选择频带，提高诊断精度，但需要大量的标注数据。

四、研究进展

1. 自适应频带选择方法

• 原理：传统的频带选择方法往往需要人工干预，难以适应复杂多变的工况。自适应频带选择方法能够根据信号的特性自动选择最佳的频带范围。
• 方法：基于变分模态分解（VMD）的自适应频带选择方法，可以根据信号的频谱特征自适应地分解信号，并选择包含故障特征的模态分量。

2. 深度学习与频带选择的结合

• 原理：深度学习在图像识别、语音识别等领域取得了显著成果。近年来，研究人员尝试将深度学习应用于旋转机械故障诊断中，并结合频带选择技术，进一步提高诊断精度。
• 方法：利用深度学习模型（如卷积神经网络、自编码器等）自动提取振动信号的特征，并根据这些特征自适应地选择最佳的频带范围。

3. 面向特定故障的频带选择方法

• 原理：针对不同的故障类型，研究人员开发了特定的频带选择方法。
• 方法：针对轴承早期故障，提出了基于共振解调技术的频带选择方法；针对齿轮断齿故障，提出了基于调制解调技术的频带选择方法。

五、面临的挑战与未来发展方向

1. 复杂工况下的鲁棒性问题

• 挑战：在实际工况下，旋转机械运行环境复杂多变，噪声干扰严重，这给频带选择带来了很大的挑战。
• 发展方向：提高频带选择的鲁棒性，使其能够在复杂工况下准确地提取故障特征。

2. 多故障耦合问题

• 挑战：当旋转机械同时发生多种故障时，不同故障的特征频率可能会相互干扰，导致频带选择困难。
• 发展方向：有效地分离不同故障的特征频率，并选择包含相应特征的频带。

3. 智能化和自适应化水平不足

• 挑战：传统的频带选择方法往往需要人工干预，智能化和自适应化水平不足。
• 发展方向：开发智能化、自适应的频带选择方法，使其能够根据信号的特性自动选择最佳的频带范围。

4. 基于深度学习的自适应频带选择方法

• 发展方向：利用深度学习的强大特征提取能力，自动提取振动信号的特征，并根据这些特征自适应地选择最佳的频带范围。

5. 基于多源信息融合的频带选择方法

• 发展方向：融合不同传感器、不同类型的信号（如振动信号、声音信号、温度信号等），利用多源信息互补的优势，提高频带选择的准确性和可靠性。

6. 开发面向特定故障的智能频带选择系统

• 发展方向：针对不同的故障类型，建立相应的专家系统或知识库，利用这些知识指导频带选择，提高故障诊断的效率和准确性。

7. 探索新型信号处理方法与频带选择的结合

• 发展方向：将新型信号处理方法（如稀疏表示、压缩感知等）与频带选择相结合，提高信号的稀疏性和可解释性，从而更有效地提取故障特征。

📚2 运行结果

编辑

编辑

部分代码：

function [fc,bw,level,acc,accMatrix] = accugram(x,xLabel,N,overlap,Fs,nlevel,isPlot)

%

% This function is to implement the ACCUGRAM method. If you have any problems, feel free to contact Zhiliang_Liu@uestc.edu.cn

%

% Inputs:

% [1] x         : [healthy; test]

% [2] xLabel    : 2-by-1 vector, where 0 = healthy; 1 = test

% [3] N         : the number of segments

% [4] overlap   : overlap for two neighbor segments

% [5] Fs        : sampling frequency

% [6] nlevel    : the number of level

% [7] isPLot    : 1 = accugram plot; otherwise, 0.

%

% Outputs:

% [1] fc        : center frequency

% [2] bw        : bandwidth

% [3] level     : level index

% [4] acc       : classificaiton accuracy

% [5] accMatrix : all values in an accugram

%

% References:

% [1] Zhiliang Liu, Yaqiang Jin, Ming J. Zuo, and Dandan Peng. ACCUGRAM: a machine learning approach to frequency band selection for rotating machinery fault diagnosis. ISA Transactions, Submitted May 18, 2018, Under Review.

if nargin ~= 7 error('nargin does not match!'); end

[xSegment,label] = slidingSegmentation(x,xLabel,N,overlap);

% Freqeuncy band partition

% m = size(xSegment,1);

m = 2*N; % number of samples for accuracy representation

lev = 2.^[0:nlevel];

temp = [3*lev(2)/2 3*lev(2:end-2);lev(3:end)];

lev = [lev(1) lev(2) temp(:)']; % number of bands in each level

row = length(lev); % row number of accugram

col = 3*2^nlevel; % column number of accugram

accMatrix = zeros(row,col); % accugram matrix

bandNum = sum(lev); % number of frequency band candidates

xMatrix = zeros(bandNum,2*m); % feature matrix for each band candidate, 2 means two features

 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取【请看主页然后私信】