欢迎来到本博客❤️❤️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。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。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。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。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。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。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。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。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。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。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。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。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。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_Liuuestc.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 representationlev 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 levelrow length(lev); % row number of accugramcol 3*2^nlevel; % column number of accugramaccMatrix zeros(row,col); % accugram matrixbandNum sum(lev); % number of frequency band candidatesxMatrix zeros(bandNum,2*m); % feature matrix for each band candidate, 2 means two features3参考文献部分理论来源于网络如有侵权请联系删除。[1]金桐彤. 考虑域影响的旋转机械故障诊断方法研究[D].吉林大学,2022.4 Matlab代码实现