使用传统的希尔伯特(Hilbert)包络解调方法对paderborn轴承数据集振动信号进行分析诊断，得出故障类型。

采集装置

试验数据来自德国Paderborn轴承数据集，试验平台由电动机、扭矩测量轴、滚动轴承测试模块、飞轮和负载电机等组成。

• 轴承测试模块可安装不同的试验轴承。试验台采集不同工况下电机的电流信号及轴承外壳振动信号。
• 操作参数: 转速、径向力和负载扭矩。
• 试验设置: 对于每一个轴承，都有4组相同试验设置，3个主要操作参数有一组固定水平作为基本设置，作为一组实验；另外在固定水平的基础上改变其中一个参数，得到另外3组实验。测量过程中各操作参数保持不变，而温度则在整个试验过程中也保持在一定范围内。

试验轴承

装置可安装到轴承测试模块的轴承型号：6203、N203、NU203，试验采用的轴承类型均为6203。

• 6203参数:

具体代号见如下论文

https://mb.uni-paderborn.de/fileadmin/kat/PDF/Veroeffentlichungen/20160703_PHME16_CM_bearing.pdf

包络解调

• 故障所引
  起的低频（通常是数百HZ以内）冲击脉冲激起了高频（数十倍于冲击频率）共振波形，对它进行包络、检波、低通滤波（即解调），会获得一个对应于低频冲击的而又放大并展宽的共振解调波形。
• 当存在局部故障的轴承运行时，将会在运行中产生冲击脉冲，进而激起轴承的高频固有振动，这种高频固有振动将成为轴承的载波，并且受到故障引起的调制，故通过对轴承的振动信号，进行解调，可以在调制波谱中得到轴承出现的故障特征频率，从而用其诊断轴承的故障类型。
• 对轴承振动信号进行包络解调，能够检测到很弱的冲击故障信号，因此可以比较容易的发现轴承的故障特征频率。其方法、实现过程为：先对原始数据进行Hilbert变换，再通过对经Hilbert变换后的数据取模得到包络线，再对其进行傅里叶变换，得到包络谱图，可以较为清晰地发现是否有故障特征频率的存在，从而对轴承的故障情况进行诊断。
• 原始数据集链接
• https://mb.uni-paderborn.de/en/kat/main-research/datacenter/bearing-datacenter/data-sets-and-download

原始数据选用N09_M07_F10_KB23_1

clear,clc;
load("KB23\N09_M07_F10_KB23_1.mat");

fs = 64e3;  % Sampling frequency
T = 1/fs;   % Sampling period     
lowpassF = 5e3; % lowpass frequency

ogData = N09_M07_F10_KB23_1.Y; % data

rpm = ogData(4).Data;          % rpm data
testdata = ogData(end).Data;   % viberation data

信号去趋势并作图

subplot(121);plot(testdata);
testdata = detrend(testdata);
 subplot(122);plot(testdata);

可滤波，也可不进行滤波

% 滤波，一开始可不选择，后选择合适的滤波带之后再进行滤波
testdata = lowpass(testdata,lowpassF,fs);  %低通滤波，使用效果不错
% 谱峭度分析，得到合适的带通滤波，再进行包络
 level = 9;
 [~, ~, ~, fc, ~, BW] = kurtogram(testdata, fs, level);

解调与带通滤波

%%% 解调
[t,data,f,Fx,h_x,H_X] = fftandHfft(testdata,64e3);

% 带通滤波
 [H_X, f, xEnvOuterBpf, tEnvBpfOuter] = envspectrum(testdata, fs, ...
  'FilterOrder', 200, 'Band', [fc-BW/2 fc+BW/2]);

。

从包络谱图中可以看到有间隔的边频带。

计算故障特征频率

%% 计算故障特征频率
D=29.05;
d=6.75;
fr=mean(rpm)/60;  %用平均转速进行分析
z=8;                              %滚子个数
alpha=0;
bpfo = 0.5*z*fr*(1-d/D*cos(alpha));
bpfi = 0.5*z*fr*(1+d/D*cos(alpha));
bsf = 0.5*D/d*fr*(1-(d/D)^2*(cos(alpha))^2); 
ftf = 0.5*fr*(1-d/D*cos(alpha));  

画图包络谱以及故障特征频率对比线

可以看到，故障特征频率及其倍频出现，由此可以诊断出轴承故障。

学术咨询：

担任《Mechanical System and Signal Processing》《中国电机工程学报》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。

分割线分割线分割线

一维神经网络的特征可视化分析-以心电信号为例（Python，Jupyter Notebook）

包括Occlusion sensitivity方法，Saliency map方法，Grad-CAM方法

完整代码可通过学术咨询获得：

基于深度学习的机械故障诊断及其权重可视化（Python）

完整代码可通过学术咨询获得：

MATLAB环境下基于CNN的轴承故障诊断及特征可视化

算法程序运行环境为MATLAB R2021B，使用 CNN 进行滚动轴承故障诊断，原始数据来自西储大学轴承数据中心，包含3种故障工况（内圈故障，外圈故障和滚动体故障）和1种正常工况。

完整代码可通过学术咨询获得：

医学图像的深度学习可解释性（MATLAB R2021B）

完整代码可通过学术咨询获得：