Python实现轴承故障诊断：希尔伯特解调与包络谱分析实战

快速体验

1. 打开 InsCode(快马)平台 https://www.inscode.net
2. 输入框输入如下内容

   帮我开发一个轴承故障诊断系统，用于分析CWRU数据集中的内圈/外圈/滚动体故障。系统交互细节：1. 加载.mat格式振动信号数据 2. 实现希尔伯特变换提取包络信号 3. 生成包络谱分析图 4. 计算理论故障特征频率 5. 可视化对比FFT频谱。注意事项：需处理直流分量干扰，重点关注0-500Hz低频段。

3. 点击'项目生成'按钮，等待项目生成完整后预览效果

一、项目背景与原理

轴承故障诊断是工业设备健康监测的重要环节。传统FFT频谱分析常因高频噪声干扰难以识别故障特征频率，而希尔伯特解调技术通过提取信号包络，能有效突出低频段的故障特征。本实践基于CWRU轴承数据集，演示完整的包络谱分析流程。

二、核心实现步骤

1. 数据准备：
2. 使用scipy.io加载.mat格式的振动加速度数据
3. 从CWRU数据集中提取内圈故障、外圈故障、滚动体故障三类样本

4. 可视化原始振动信号观察时域特征

5. 希尔伯特变换处理：

6. 通过fftpack.hilbert计算解析信号的虚部
7. 组合原始信号与希尔伯特变换结果构建解析信号

8. 求取解析信号的模得到包络信号

9. 包络谱分析：

10. 对包络信号执行FFT变换获得频谱
11. 消除直流分量干扰（减去均值）

12. 截取0-500Hz低频段重点分析

13. 故障特征验证：

14. 根据轴承参数计算理论故障频率（BPFI/BFPO/BSF）
15. 在包络谱上标注理论故障频率位置
16. 对比FFT频谱验证包络谱的优势

三、关键技术细节

1. 直流分量处理：
2. 包络谱在0Hz处通常存在大幅值，会压缩其他频率的显示效果

3. 通过at = at - np.mean(at)消除直流偏移

4. 频率分辨率优化：

5. 根据采样率12000Hz合理设置FFT点数

6. 采用np.fft.fftfreq获取准确频率坐标

7. 可视化技巧：

8. 使用plt.vlines标注理论故障频率位置
9. 限制x轴范围突出关键频段（0-300Hz）
10. 对比显示原始FFT与包络谱的差异

四、实际应用发现

1. 诊断效果验证：
2. 内圈故障：包络谱能清晰识别156Hz特征频率及其谐波
3. 外圈故障：103Hz附近出现明显峰值

4. 滚动体故障：特征频率识别难度较大，需结合其他方法

5. 与传统FFT对比：

6. 原始FFT频谱高频成分占主导
7. 故障特征频率幅值被噪声淹没
8. 包络谱有效抑制高频干扰，突出故障特征

五、平台实现建议

在InsCode(快马)平台实践时，可利用其集成环境快速验证： - 直接上传CWRU的.mat数据文件 - 通过内置Python环境运行分析脚本 - 实时查看生成的频谱图表

这种免配置的云端开发方式，特别适合信号处理算法的快速验证与迭代。实际测试中，从数据加载到生成诊断结果的全流程可在1分钟内完成，大幅降低实验环境搭建成本。