关于故障诊断的一些事-答知乎问（三）

信号分解理论在机械故障诊断应用中面临的挑战是什么？

分解结果的稀疏性问题

在处理时变非平稳信号时，大多数分解方法得到的信号分量的数目通常大于实际关注的特征分量的数目(即分解结果不稀疏)，这些分量中甚至包括与真实信号特征毫不相关的虚假分量。因此，某些重要的故障特征往往被分散到多个信号分量中，导致机械故障不能被及时发现。现有故障诊断方法需要通过定义恰当指标从分解结果中挑选出与故障特征相关的信号分量并将这些分量进行适当组合，从而准确反映机械故障特征。如何抑制虚假分量的产生以及避免繁琐的分量挑选和组合步骤，直接从信号中提取感兴趣的特征分量，从而得到最稀疏的信号分解结果，是提升机械故障诊断性能的关键问题之一。

紧邻信号分量的分离问题

机械振动信号异常复杂，会出现某些重要特征分量的频率间隔很近的情况，如齿轮啮合频率及其边频带分量，准确识别和分离这类紧邻分量对机械故障诊断至关重要。然而，由于算法的固有局限，现有信号分解方法很难处理频率距离很近的分量。例如，当信号分量的频率间隔较近时，不同分量的频谱以及时频变换系数会存在干涉，因此频域滤波方法(如VMD)和时频域重构方法(如SST)都无法准确分离这类信号分量。如何突破现有方法的分解模式，提升信号分解方法的分辨率，是提升机械故障诊断性能的关键问题之一。

微弱信号分量的提取问题

在机械设备发生故障的初期，由于故障十分轻微，振动信号中的故障特征分量相对微弱，极易被噪声和其他无关信号成分淹没。因此，准确识别和提取振动信号中的微弱特征分量，对机械设备早期故障诊断至关重要。然而，在提取微弱信号分量时，信号分解方法会受到其他强信号成分干扰，难以得到满意的分析结果。例如，在强干扰情况下，模型优化算法容易出现稳定性问题，导致分解结果发散；SST 等时频域方法的分析结果与信号幅值有关，强信号成分会抑制弱信号成分的时频表示结果，因此难以识别微弱信号分量。如何提升信号分解方法的鲁棒性，降低信号幅值对分解结果的影响，是提升信号分解方法对微弱信号分量的提取性能以及提升机械故障诊断性能的关键问题之一。

强时变调频信号的表征问题

在大幅度变速工况下，旋转机械的振动信号通常会呈现出强时变的非线性调频特征。即使在恒转速工况下，某些机械故障(如转子碰摩)也会导致复杂的强时变调频现象。因此，准确识别和刻画机械振动信号的强时变调频特征对机械故障诊断尤为重要。然而，现有时域或频域信号分解方法通常采用窄带信号模型，难以准确描述宽带的强时变调频信号；而时频域方法如SST 则是对信号瞬时频率“零阶”逼近，无法准确刻画强时变调频特征。如何构造更加精确的信号逼近模型以及高效的模型优化算法，是提升信号分解方法对强时变调频信号的表征性能以及提升机械故障诊断性能的关键问题之一。

谱峭度应用于信号处理时的缺陷是什么？

（1）滤波信号长度不一致。每次信号经滤波器分解后，都会有降采样操作，这有利于实现算法的快速计算，但它带来了一个新的干扰，即信号长度的差异。随着分解的增加，滤波信号的长度会越来变短，在一些情况下，只能得到有限长度的振动信号，这可能会影响评价指标的有效性，从而使 FK 方法可能会得到不正确的频带。

（2）基于STFT 或 FIR 滤波器的滤波方式，限制了峭度图从噪声信号中提取 瞬态特征和识别机械故障的精度，需要发展更加精确的滤波器并将其引入峭度图方法中。小波变换在时域和频域都具有更佳的局部性能，基于小波包变换的滤波器能够滤除噪声，准确匹配噪声信号的故障特征。

（3）谱峭度表征了窄带滤波信号复包络幅值的峭度，对振动信号中含有的瞬态冲击十分敏感，但是却忽略了故障冲击的循环平稳性。因此，谱峭度易受随机冲 击和非高斯噪声等离群野值的影响。

如何做滚动轴承振动性能数据序列的可预测分析？

滚动轴承振动性能数据序列具有混沌特征，而对于滚动轴承振动性能数据序列的预测而言，需要考虑以下三个问题：

（1）数据序列是否具有混沌特征；

（2）如果是具有混沌特征，怎样进行定性和定量描述；

（3）如何根据历史和当前数据进行预测。

因此，对滚动轴承振动性能数据序列进行混沌预测的前提是对数据序列进行混沌判别。Lyapunov 指数是判断系统混沌程度的测度，其中最大Lyapunov指数 是判断系统是否混沌的重要指标，通过计算滚动轴承振动性能数据序列的最大Lyapunov指数，进而建立数据序列的可预测分析流程。

通过判断求取的最大Lyapunov指数λ是否为正，可以判断该数据序列的可预测性。同时，1/λ为最大可预测步长。

机械故障诊断中的窄带包络解调是什么？

旋转机械故障诊断主要围绕着通用元件如轴承、齿轮的局部缺陷探测开展研究，随着运动元件周期性运转，其局部缺陷经过啮合区域时会诱发机械共振，进而形成具有调制特征的振动信号。旋转机械故障的主流诊断策略是信号解调，包络分析则是信号解调的基本方法，其主要实现途径是通过希尔伯特变换构造调制信号包络线，然后进行频谱分析，从而获得特征调制频率。

由于实际采集到的旋转机械振动信号往往混有严重的背景噪声和干扰成分，所以在进行包络解调之前，通常需要先进行滤波操作以尽可能提高所处理信号的信噪比，上述流程对应的技术称为窄带包络解调。更明确地讲，窄带包络解调的实施过程包括三步：信号频带分解、解调频带选取和包络解调分析。其中包络解调分析的实现方式较为固定，信号频带分解与解调频带选取是决定窄带包络解调性能的关键环节。

在机械故障调制机理中，机械共振信号扮演着载波的角色，所以很多学者寻找包含共振频率在内的最佳解调频带，因而窄带包络解调技术又被称为共振频带解调技术。

旋转机械的转速测量和振动测量有什么新方法？

视觉测量算法

1.基于基于图像相似度的转速测量方法像相似度的转速测量方法

利用转子图像灰度分布的周期性变化实现转速测量。当转子在旋转运动过程中，图像的灰度分布呈现一定的周期性。利用图像相似度计算方法，将图像序列转化为的表征图像相似度的一维信号。根据图像序列相似度信号特性，可以基于短时自相关等瞬时频率估计方法，准确提取该信号的旋转频率，从而得到旋转部件的转速。

2.基于图像相关的振动测量方法

在旋转部件图像中确定感兴趣区域ROI，其灰度分布能够表征转子的振动。对于采集的转子序列图像，确定图像ROI之间的相关系数。通过频谱分析的方法处理得到的图像相关信号，提取旋转机械的振动频率及其相对振动幅值。

3.基于二维码跟踪的转速测量方法

由于二维码粘贴在转子部件上，它的运动状态跟旋转部件保持一致。通过AKAZE局部特征方法检测转子图像中二维码标记的位置变化，获取一定时间间隔内标记的旋转角度，推算出转子部件的瞬时转速。为克服旋转对AKAZE特征匹配产生的不利影响，通过图像相关系数和Hamming距离对局部特征匹配过程进行优化，减少误匹配。

一维信号的对称极坐标变换是什么？

对称极坐标变换SDP是一种简单的信号变换方法，即通过简单的变换公式就能够实现一维信号向二维极坐标下对称花瓣图像的转换，通过花瓣形状的差异就可以实现不同信号的区分。因SDP方法生成的对称花瓣图像的差异主要体现在花瓣形状上，而图像形状特征是表征图像特点的重要参数，因此可以提取花瓣图像的形状特征来作为特征参数，对不同信号进行辨识。

不同信号基于SDP方法得到的对称花瓣图像的差异主要体现在花瓣形状的不同上，因此，通过提取花瓣形状特征，则可以对不同信号进行有效表征。

（1）区域面积：即图像所有像素点之和。

（2）区域质心：即图像所有像素点的中心坐标。

（3）区域边界：即将所有像素点均包含在内的最小外接矩形。

（4）椭圆长短轴：即与区域具有相同二阶中心矩的椭圆的长短轴。

（5）方向角：即椭圆长轴与水平线之间的夹角。

看一下一维信号的SDP图与相应的时频谱图

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。