【故障检测】匀速运行的滚动轴承中基于振动的故障诊断附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在工业设备运行体系中，滚动轴承作为核心传动部件，其运行状态直接决定了设备的稳定性与可靠性。在匀速运行场景下，滚动轴承的故障往往会通过振动信号呈现出特定规律，基于振动的故障诊断技术凭借其实时性强、灵敏度高、非侵入式等优势，成为工业领域监测滚动轴承健康状态的核心手段。本文将从滚动轴承常见故障类型、振动信号产生机制、信号处理方法及诊断流程四个维度，系统解析匀速运行滚动轴承的振动故障诊断技术。

一、滚动轴承常见故障类型与振动特征

在匀速运行条件下，滚动轴承的故障主要集中在滚动体、内圈、外圈及保持架四大核心部件，不同故障类型的振动信号具有显著差异化特征，这是故障诊断的关键依据。

二、振动信号的采集与预处理

准确的故障诊断依赖于高质量的振动信号，因此信号采集与预处理是诊断流程中的关键环节，需从传感器选型、安装位置及信号去噪三个方面严格把控。

（一）振动传感器选型

在匀速运行滚动轴承的故障诊断中，常用的振动传感器包括压电式加速度传感器、电涡流位移传感器和磁电式速度传感器。其中，压电式加速度传感器因频响范围宽（通常为 0.1Hz-10kHz）、灵敏度高（可检测微小振动加速度）、体积小易安装等优势，成为主流选择。对于低速运行（转速低于 500r/min）的轴承，建议选择低频响应好的压电传感器（低频段误差小于 5%）；对于高速运行（转速高于 3000r/min）的轴承，需选择高频响应能力强的传感器，避免因高频信号失真影响故障特征提取。

（二）传感器安装位置

安装位置直接影响振动信号的采集效果，核心原则是 “靠近故障源、减少信号衰减”。对于径向振动监测，传感器应安装在轴承座的径向正上方或水平方向，避免安装在轴承座的筋板或镂空处（易导致信号反射与衰减）；对于轴向振动监测，传感器需安装在轴承的端盖处，确保采集到轴承轴向窜动的振动信号。此外，安装时需保证传感器与轴承座表面紧密贴合，可采用螺栓固定或磁吸式安装（磁吸式需确保吸力大于传感器重量的 3 倍），避免因松动产生额外的振动干扰。

（三）信号预处理方法

采集到的振动信号通常包含大量噪声（如设备其他部件的振动、电磁干扰、环境噪声等），需通过预处理去除噪声，突出故障特征。常用的预处理方法包括：

1. 滤波处理：采用低通滤波器去除高频噪声（如电磁干扰产生的高频信号），高通滤波器去除低频干扰（如设备基础振动），带通滤波器则用于提取特定频段的故障特征信号（如针对滚动体故障的特征频率频段）。实际应用中，可通过频谱分析确定噪声频段，再选择合适的滤波器参数（如截止频率、滤波阶数）。

1. 趋势项去除：振动信号中的趋势项（如传感器漂移、温度变化导致的基线偏移）会影响信号的后续分析，可采用最小二乘法、多项式拟合或差分法去除趋势项。例如，对于线性趋势项，通过最小二乘法拟合一条直线并从原始信号中减去，即可得到平稳的振动信号。

1. 信号归一化：不同工况下（如不同转速、载荷）的振动信号幅值差异较大，需通过归一化处理（如最大最小值归一化、标准差归一化）将信号幅值统一到相同范围，便于不同工况下的故障特征对比与分析。

三、振动信号处理与故障特征提取方法

在预处理后的振动信号基础上，需通过专业的信号处理方法提取故障特征，常用方法可分为传统时域频域分析、时频域分析及智能诊断方法三类。

四、匀速运行滚动轴承振动故障诊断流程

结合上述技术与方法，匀速运行滚动轴承的振动故障诊断可分为五个核心步骤，形成标准化的诊断流程，确保诊断结果的准确性与可靠性。

（一）诊断准备阶段

1. 设备信息收集：明确滚动轴承的型号、结构参数（如滚动体数量

   z

   、滚动体直径

   d

   、节圆直径

   D

   、接触角

   α

   ）、额定转速、工作载荷等信息，为后续计算故障特征频率提供依据；

1. 工况确定：记录轴承的实际运行工况，包括转速（匀速运行下需确认转速波动范围，通常要求波动小于 ±5%）、载荷类型（径向载荷、轴向载荷或复合载荷）、环境温度、润滑方式等，避免工况差异对诊断结果的干扰；

1. 传感器部署：根据轴承的安装位置与结构，选择合适的压电式加速度传感器，确定径向、轴向的监测点（通常每个轴承至少部署 1 个径向传感器），采用螺栓或磁吸式安装，确保传感器与轴承座紧密贴合，同时远离电机、齿轮箱等强干扰源。

（二）振动信号采集阶段

1. 参数设置：根据轴承的转速与故障特征频率，设置信号采集参数：采样频率需满足奈奎斯特准则（通常为故障最高特征频率的 3-5 倍，如滚动体故障特征频率为 1kHz 时，采样频率设置为 5kHz）；采样时长需确保包含至少 10 个轴承旋转周期（如转速为 1000r/min 时，旋转周期为 0.06s，采样时长设置为 0.6s 以上）；

1. 信号采集：在设备正常匀速运行状态下，采集振动信号，同时记录采集时刻的工况参数（如转速、载荷、温度）；为提高数据可靠性，每个监测点需连续采集 3-5 组数据，取平均值或最优数据作为分析对象。

（三）信号预处理阶段

1. 噪声去除：通过频谱分析识别噪声频段（如电网干扰的 50Hz 工频噪声、电机的电磁噪声），采用带通滤波器提取故障特征频段的信号；若信号中包含随机噪声，可采用小波阈值去噪方法，通过设置合适的阈值（如默认阈值、Birgé-Massart 阈值）去除噪声干扰；

1. 趋势项与异常值处理：采用最小二乘法去除信号中的线性趋势项，通过 3σ 准则（均值 ±3 倍标准差）识别并剔除信号中的异常值（如传感器松动导致的瞬时大幅值信号）；

1. 信号标准化：采用最大最小值归一化方法，将信号幅值映射到 [0,1] 区间，便于后续特征提取与模型训练。

⛳️ 运行结果

🔗 参考文献

[1] 孔亚林.基于振动信号的滚动轴承故障诊断方法研究[D].大连理工大学,2006.DOI:10.7666/d.y825382.

[2] 张玉.基于振动幅域参数指标的滚动轴承故障诊断[J].机械制造与自动化, 2011, 40(3):5.DOI:10.3969/j.issn.1671-5276.2011.03.016.

[3] 侯艳华.基于非线性振动信号检测的滚动轴承故障诊断虚拟仪器设计[D].吉林大学,2005.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇