关于故障诊断的一些事-答知乎问（一）

在现代信号处理中，多种时频分析方法可以进行融合吗？

以短时傅里叶变换STFT和WVD分析为例进行说明。

STFT得到的时频矩阵没有交叉项的干扰，但时频聚集性无法兼得；而WVD恰恰相反，其时频矩阵 能兼顾时频聚集性，但对多分量信号进行处理会产生交叉项。 为获得时频聚集性良好的时频矩阵，可以对STFT和WVD进行时频融合。

在一个时频域内，当且仅当STFT和WVD进行的时频图都存在明显时频特征，信号在该时间及频率下的能量分布才是真实的；若STFT和WVD进行的结果均不存在明显时频特征，则表明信号在该时间及频率下无能量分布；若WVD时频特征明显但是STFT在该处没有明显特征，则说明WVD中该时频特征为交叉项；若STFT中时频成分明显而WVD没有，则是因为STFT的时频聚集性不如WVD，能量过于分散。 因此可以采用适当方法进行融合，既保留WVD时频聚集性高的优势，且大大降低交叉项对后续分析的影响。

STFT时频谱

WVD时频谱

融合时频谱

从连续小波变换的时频谱图中可以提取什么信息？

小波包络。

对信号进行连续小波变换CWT得到的小波系数的模值称为小波包络，就是信号在特定尺度上的包络信息，无需通过希尔伯特变换解调分解结果。

在信号处理时频分析中，时频脊线有交叉如何进行解耦？

以机械振动信号为例进行说明。

在时频谱图中，时频脊线提取时频谱中能量高的成分，导致提取的两条特征线存在交叉，实际提取交叉干扰时段的啮合频率脊线为啮合频率+转频成分，其中交叉解耦时段如下图。

选择两条时频脊线初始交叉点为交叉解耦起点，选择图中绿色交叉重叠区域箭头指向处（啮合频率+转频谱线能量由低到高变化临界点）为交叉解耦终点，将交叉解耦时段时频脊线中啮合频率曲线部分替换到啮合频率+转频对应部分，实现交叉替换。

在曲线波动位置得到较为合理的啮合频率+转频脊线。

基于现代信号处理的轴承故障诊断如何创新？

推荐一个较为新颖的算法：Element analysis。

Element analysis是为待处理信号建立一个模型，再通过调节参数获得一些最大值来推测信号属性的方法。为成为各类信号的模型，选择广义Morse小波作为Element analysis函数，可根据参数变化有不同的时域形式且频域形式简单，便于对机械系统进行故障诊断，具有更好的自适应性和灵活性。广义Morse小波是完全解析小波，相比Morlet小波，没有负频率成分，时频分辨率更高。

采用交流电机信号对滚动轴承进行故障诊断，该如何进行创新？

1）充分利用多源信息融合的技术优势。

电机轴承发生故障时，往往导致多种信号感应产生相应的故障特征分量，例如通过利用中性点电压、负载转矩、瞬时功率因子、瞬时相位信号、电流信号、转速信号等，学者们提出了各种电机轴承故障诊断技术，其中，电流信号和转速信号具有与控制系统共享信号的优势，研究最为广泛。然而，现有的电机轴承故障诊断研究往往采用单一传感器数据，缺乏对多源数据多维信息的综合利用，也没有充分考虑电机系统的整体性，因此，故障诊断可靠性、精确性方面还有很大程度提升。如何设计不同的优化方案，充分利用多源信息融合技术优势，最大限度地增加轴承故障诊断的准确率，是未来的一个研究发展趋势。

2）尚需完善非平稳工况轴承故障诊断技术。

目前采用电机信号特征分析的轴承故障诊断技术研究主要是基于恒转速和恒负载工况下，解决轻载或空载时轴承故障特征难以提取的问题，对于非平稳工况下的情况，则缺乏充分的科学研究。然而，在很多工业场合中，电机负载经常产生变化，而且又需要时常调节电机的转速以获得较高的生产效率，其中存在的机械速度暂态，引起轴承故障特征分量的幅值和相位随着时间变化而变化，呈现为时变非平稳特性。通过时频分析方法来解决这一问题，复杂性较高，分辨率差，或存在交叉项干扰；通过同步重采样算法来解决这一问题，又存在平稳性假设及插值误差问题。鉴于实际应用场合中，电机信号大多数都是非平稳的，尚且需要进一步完善非平稳工况轴承故障诊断技术。

3）探究故障严重程度的精确量化指标。随着电机信号特征分析诊断轴承故障技术的进一步发展，描述故障严重程度的指标也相继提出，主要从电机信号本身出发，以时频域幅值、能量、功率、统计特征等参量构建相应指标。对于非平稳运行状态，几乎没相应的故障严重程度指标。因此，亟需进一步寻找独立于电机结构、参数、负载及控制器等因素影响，同时能够较好刻画轴承故障严重程度的精确量化指标。

知乎学术咨询：

哥廷根数学学派 - 知乎

工学博士，担任《Mechanical System and Signal Processing》等期刊审稿专家，擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。