关键词:MATLAB;故障诊断;圆锥滚子轴承;振动信号;机器学习
一、文章简要介绍
轴承是旋转机械里最容易出事的零件,内圈、外圈、滚动体、保持架哪里坏了,振动信号长得完全不一样。印度韦洛尔理工大学机械工程学院的团队做了一套完整流程:采集五种健康状态的振动信号,用MATLAB的TQWT可调Q因子小波变换降噪,再用Diagnostic Feature Designer批量提取时域和频域特征,经统计检验排出最有判别力的特征,最后训练六种分类器,线性SVM准确率99%(DOI:10.1038/s41598-026-59073-x)。

四类人工缺陷轴承:内圈、外圈、滚动体与保持架
图1 四类人工缺陷的圆锥滚子轴承
试验对象是SKF 32206圆锥滚子轴承,用电火花线切割加工出四类人工缺陷,在1000到2100转每分、三种径向载荷下采集振动数据。
二、仿真步骤
步骤一:信号预处理。原始振动信号混着环境噪声,用TQWT把信号分解到不同频带,挑出故障信息最集中的子带做重构,噪声被压掉,故障成分留下来。

TQWT降噪前后的时域波形对比
图2 TQWT降噪前后时域波形对比

降噪后频谱:故障特征频率清晰冒头
图3 降噪后频谱中故障频率清晰可见
降噪前后对比明显:原始频谱里故障频率被噪声淹没,TQWT处理后内圈故障特征频率及其倍频一枝独秀。
步骤二:特征提取。在Diagnostic Feature Designer里批量提取20多个时域与频域特征,从均值、峰值因子到频带功率一次算齐。
步骤三:特征排序。分别做单因素方差分析和Kruskal-Wallis检验给特征打分,均值与Lyapunov指数判别力最强,再按得分组成不同规模的特征集。

单因素方差分析特征排序
图4 单因素方差分析特征排序

Kruskal-Wallis检验特征排序
图5 Kruskal-Wallis检验特征排序
步骤四:分类训练。把各特征集喂给MATLAB Classification Learner里的六种分类器:SVM、神经网络、判别分析、朴素贝叶斯、决策树和K近邻。
三、关键结果与发现
Kruskal-Wallis排序更胜一筹:18个特征的最优组合下,线性SVM准确率99%,五类全部AUC等于1,训练时间还最短,够得上实时监测的要求。

六种分类器的混淆矩阵对比
图6 六种分类器的混淆矩阵
混淆矩阵显示,正常与内圈故障偶有混淆,三类故障本身百分之百分得开;统计排序不只提精度,还省了计算量。

线性SVM五类ROC曲线:AUC全部为1
图7 线性SVM的ROC曲线,AUC全为1
四、我们提供的服务
我们可提供以下仿真技术服务:①振动信号处理与小波降噪;②MATLAB故障特征提取与统计分析;③机器学习分类建模与调参;④轴承试验设计与数据采集方案;⑤故障诊断算法工程化落地。这套信号处理加统计排序加分类的流程,拿去就能用在设备状态监测项目里。