含光左卫的工作笔记集

本文介绍了轴承故障频点分析与信号处理方法。首先通过BearingFreq.py程序计算不同转速下的故障特征频率（如2100rpm时bpfo=112.14Hz）。然后分析采样数据，指出在80%采样位置（1997/2496）时故障特征明显，轴频及边频清晰可见。关键处理步骤包括：采用硬件希尔伯特取模、加窗、补零和滤波等预处理方法增强FFT信噪比。最后提出练习问题：对193Hz带通滤波信号进行时域转换分析，探讨不同带宽（±20Hz和±50Hz）对时域波形的影响。

本文介绍了使用sfe_py处理简支梁有限元分析的过程。首先加载beam_h7.mesh模型并创建区域划分(Omega全域及Gamma1-3边界区域)。然后设置边界条件，包括两端固定约束(fix_u_left,fix_u_right)和中段位移函数(shift_u_fun)。通过Newton求解器进行非线性求解，并输出计算结果到beam_h7.vtk文件。文中特别强调了边界条件设置的重要性，在多次迭代中修正了边界区域的坐标范围和约束条件，最终获得了合理的应力分布结果。整个流程展示了从网格划分、区域定义、边界条

摘要： 本文描述了一个实时数据采集与分析系统的流程设计。系统通过调度程序触发数据采集，利用Redis进行进程间通信和数据同步，MQTT用于事件通知。模块分工明确：调度程序负责步骤执行，采集程序完成单次作业，状态监测系统处理指标计算，故障侦测系统管理报警逻辑。状态信息分阶段记录（App_In/Out），并设有异步扫尾进程应对异常。数据项点分为设备级、逻辑通道级和工件级，各模块独立反馈状态至Redis和MQTT。系统支持并行指令群执行。

摘要：本文介绍了频谱特征转换的方法，通过简谐振动公式实现了速度谱与加速度谱之间的相互转换。提供了Python程序代码示例，包括加速度谱转速度谱、速度谱转位移谱等功能函数。并以周老师的速度数据为例，展示了如何将速度谱转换为加速度谱，最终绘制出两者的对比图表。其中50Hz和100Hz谱线在加速度谱中的比例关系符合理论预期，验证了转换方法的正确性。

这个分析工具似乎真的定位到了故障的具体位置。

本文讨论了振动分析中的测量指标，包括时域和频域特征，并提出了对这些指标在实际应用中的修正和适应场景的额外注释。文章引用了雷亚国博士的论文，详细介绍了时域和频域指标的计算方法和应用场景，并提到了这些指标在机器学习量化分析中的重要性。此外，文章还列出了时域和频域的具体测量指标，如均值、标准差、频率均值等，并介绍了时频域混合指标，如短时傅里叶变换和小波变换。最后，文章提供了进一步阅读的学术文献和技术资源，为深入研究和应用这些测量指标提供了参考。

时频分析的基础是频谱在时间轴上的播放。直接将时间轴定义为Z轴，得到的就是瀑布图。如果将时间轴替换掉幅度轴，然后用颜色体现幅度信息，得到的就是热力图。时频分析的基础是频域，频域提现了故障的频域细节。而时频分析本质上是一种趋势分析。它查看的是设备的故障演进过程。用颜色来标记特定频率振动的强弱，类似一种全频段心电图。

摘引自。

1.4中，数据彼此相差1分钟，电机每分钟是1500转，相当于6000转之内，故障就明显出现成型了。所以，如果定那个故障的特征：我觉得把特征谱线处，加速度峰值>=5g可以作为判据，如果使用历史数据，那么特定谱线的幅度较历史值超出5倍，似乎也是比较合适的阈值。1.需要考虑振动在不同转速下的归一化问题，（峰值的归一化），最终的阈值需要先进行峰值归一化，然后再设定。我记得应该是个平方关系。2.也许可以考虑取用某个频段范围内多个峰值点取算术平均然后利用这个平均值和1x频点的比率来评估某个频点的谱线已经形成。

近似不变，第一个峰值出现在219.8Hz的位置。感觉问题出在对数据resample的时候，即使按照时域图，此时的数据特征频率应该是：0.20s/22cycles = 110Hz，与理论的外圈故障相当。从初始阶段到终末期，频谱峰值谱线的极值，0.0028->增加到了0.16 = 57倍。轴承故障频点，所用的轴承是LDK UER204。

​原始传感器数据搜集用了mqtt，然后通过emqtt往redis推送，最终的数据呈现用了Grafana.EMQX Enterprise 5.4.1+ 用于在设备现场和 Redis 之间进行消息传递的 MQTT Broker。Node.js 18.17 用于模拟生成环境传感器数据，以及触发备个各类行为事件的运行环境。Redis 7.0.12 用于传感器数据暂存与分析、设备事件存储和分析。Grafana 9.5.1+ 用于展示和分析采集数据的可视化平台。​

C/Python互操作的工程实践样例

一个工业环境高噪声环境下的CNN算法优化样例，针对论文《高噪声下改进卷积神经网络轴承故障诊断》，唐治尧，中国设备工程，2024的笔记

数据采集与后续分析处理程序的设计层面的最大问题是解耦。模块之间的联系越少越好。1.1数据源设计采集设备或者桩模块拿到数据后，会发布到指定的命名管道，等待数据处理程序处理。相关的二进制数据会通过共享内存预先缓冲。命名管道未撤销，或者共享内存尚未销毁，直接跳过。命名管道在超时等待后直接关闭.数据处理程序，与数据源设计类似，也是超时自动退出。上面设计的好处是，数据源不依赖数据消费者，可以自行轮转。后面的分析进程可以单独选取自己希望处理的数据通道，分别处理。

这篇文章包含了一个从工程到数据处理和故障定位的完整过程。是一篇综述文档。它介绍了机械设备常见的三类故障（轴，齿轮、轴承）的故障特征，并在一个故障追踪过程中，运用各种传统故障分析方法，对实验数据进行采集。数据分析用了matlab。

依照工程环境的包络分析。注意加速度的单位，在包络图中，外圈故障的等幅梳状波的特征非常明显，滚珠在一个个压过坑。最终表现出类似等幅窄脉冲。这个冲击力不低。另一个注意事项是频谱里的故障谱线与原始时间轴振动信号ppk的对应关系。

振动包络计算的实现，和必要注释。

西交大轴承故障数据集的原始下载位置，及整个数据集的说明。

各位同志，你好，这是我的第一篇收费贴，从这里起步，我会在大概6个月时间内，持续关注西交大轴承振动数据集，尝试参照论文以及自己的尝试，用各种数学工具去逼近故障诊断这个任务，看看能做到什么程度。与振动故障采集、运算以及工程实施的所有的信息都会汇集到这个系列里，期待与您同行。肯定会有不少错误，希望各位随时发现随时指正，谢谢！