关于故障诊断的一些事-答知乎问（二）

如何使用深度学习方法来构造小波？

提升小波 比较好做一点。提升小波又被称为第二代小波变换，它不仅是第一代小波变换的另一种实现形式 ， 同时还为设计新 的小波变换提供了更大的自由度。 这种更大的自由度体现为提升结构中引入非线性计算单元 （如卷积神经网络）并不会使小波变换丢掉信息无损的特点。 与之相比，在第一代小波变换中引入非线性计算单元是十分困难的。

因此可以将提升结构中的线性滤波器替换为CNN，并设计类似自编码器的结构对其进行训练，以提高其能量集中性。

倒频谱相比于频谱的主要优点有哪些？

倒频谱分析也称为二次频谱分析，主要通过对信号频谱的对数进行傅里叶逆变换而实现，具有分析同族谐频、异族谐频和多成分边频的能力。工程上常用到的是功率倒频谱和幅值倒频谱，分别基于功率谱和幅值谱获得。倒频谱分析对信号频谱中较低幅值的分量给以较高的加权，有利于检测出弱周期信号，且能精确测量各分量的频率间隔，方便突出故障边频信息。比如在机械故障诊断中，信号频谱图上会出现难以识别的边频成分，采用倒频谱可以分解和识别这些边频成分包含的故障信息，并诊断产生故障的原因和位置。另外，倒频谱相比于频谱的主要优点在于对传感器安装位置、信号传输路径以及调制相位关系不敏感，保证了分析结果的稳定性。因此倒频谱分析在齿轮、轴承等故障诊断方面的应用较为广泛。但对于信号中故障特征较微弱时，倒频谱分析不能获得满意的效果，需要采用特定的手段对故障特征进行增强处理。

从图的角度分析一维信号有什么优势？

传统方法只从信号离散点中提取特征信息，忽略了离散点间关系所包含的信息。通过在图上定义信号，则可将信号从一般数据域转换到图域，从而利用图来反映原始信号的局部性关系。在图域中，信号的数据结构可以提供额外的输入信息，不仅包括对应于图中顶点的信号离散点函数值，还包括顶点间的关系。这个关系主要表现为顶点间的相似度，通过边权重来反映。因此，从图的角度分析一维信号不仅可以挖掘信号离散点所包含的信息，还分析了离散点间的相似度信息。

对于机械振动信号，权重反映的相似度信息可以描述相邻时刻间振动加速度的变化趋势，较大的权重表示加速度变化较大，较小的权重表示加速度变化较小。在图域中对其进行处理时，可同时分析振动加速度的瞬时大小和振动加速度的局部变化趋势，从而极大地丰富了分析过程中的输入信息，进而有效提高特征描述的准确性。

如何从一维图域和二维图域的角度实现时间序列信号的多尺度分析？

首先，利用时间序列信号与一维路图之间的结构对应关系，将时间序列信号定义到路图上，即可结合图小波变换从一维图域的角度实现时间序列信号的多尺度分析。信号可以被有效地分解成图域中不同频率成分的分量，尺度函数系数能够提取信号中的低频近似信息，而图小波系数反映了信号中的高频细节信息，且有用信号的能量主要分布在一些较大的图小波系数中。

其次，将时间序列信号转换成二维灰度图像，并构造二维近邻图进行表示，即可结合图小波变换从二维图域的角度实现时间序列信号的多尺度分析。尺度函数系数中灰度颜色变化较平缓，表征图像中的低频成分；而图小波系数中，随着尺度的减小，灰度颜色变化越来越剧烈，表征图像的频率越来越高。

时间序列信号阈值降噪方法，有什么可以创新的地方吗?

可以换个空间，从图域的角度进行分析，比如图傅里叶变换，图小波变换等图时频分析方法。图小波阈值降噪的基本思想是通过将时间序列信号转换成路图信号，再利用图小波变换分解成尺度函数系数和一系列对应不同尺度的谱图小波系数，然后设置阈值对图小波系数进行过滤处理，最后对尺度函数系数和滤波后的图小波系数进行图小波逆变换，重构得到降噪信号。

更具体地，图小波变换将路图信号分解成低频分量和高频分量，其中尺度函数系数包含信号的低频近似成分，图小波系数反映信号的高频细节成分。各尺度上的图小波系数在某些特定位置的幅值较大，对应于原始信号的奇变位置和重要信息，而其他大部分位置的幅值较小，对应于噪声干扰成分。噪声对应的图小波系数在每个尺度上的分布较均匀，且幅值随着尺度的减小而逐渐减小。因此，通常的降噪方法是设置一个合适的临界阈值ρ，并结合阈值函数对系数进行滤波。当图小波系数小于阈值ρ时，认为此系数主要由噪声引起，则将其置为零进行消除；当图小波系数大于或等于阈值ρ时，认为此系数主要由信号引起，则予以保留或进行收缩，从而得到估计谱图小波系数。最后，对所有剩余系数进行重构即可获得降噪信号。

为什么轴承故障对电流信号的影响远小于其对振动信号的影响？

轴承故障对电流信号的影响远小于其对振动信号的影响，这与轴承故障对振动和电流的影响机理不同有关。当轴承有单点损坏时，随着内圈的旋转和滚动体的滚动，滚动体与故障点接触。这个过程会产生周期性的冲击力，从而触发振动。轴承故障还会引起电动机转矩波动进而引起转速波动，转速波动引起的旋转角速度的变化影响转子磁动势和磁密度，进而影响定子电流。轴承早期故障引起的转矩波动较小，经过复杂的信号传输后，对电流的影响很小，因此，从电流信号中提取轴承故障特征很困难。

以轻度外圈故障SOR、轻度内圈故障SIR 和轻度内外圈混合SM为例，比较这3种故障下振动信号和电流信号的包络谱，以A相电流为例进行说明。SOR的振动包络谱显示出一系列明显的尖峰，这些尖峰的幅值随着特征频率的倍数的增加而减小，呈现衰减属性，如图(a)所示。

（a）SOR 的振动数据

故障特征频率174Hz接近理论计算值，在电流包络谱中，放大后在171Hz 和341Hz 处可以发现两个小峰值，如图(b)所示，故障特征非常不明显。

（b）SOR 的电流数据

在图(c)所示的SIR故障下的振动包络谱中，264Hz 处的尖峰虽然与理论计算值有所偏差，但可以清晰的观察到其二倍频和三倍频的峰值。但在图(d)的电流包络谱中无法观察到该频率及其倍频，537Hz 处的峰值更像是电源频率的倍频，而不是故障特征的倍频。

(c) SIR 的振动数据

(d) SIR 的电流数据

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。