谱峭度算法在轴承故障诊断中的应用：从原理到MATLAB实现

谱峭度算法：轴承故障诊断的“听诊器”与实战指南

在旋转机械的世界里，轴承就像设备的心脏瓣膜，它的每一次微小“杂音”都可能预示着潜在的故障。对于机械工程师和设备维护人员而言，如何在嘈杂的运行背景音中，精准捕捉到这些早期、微弱的故障冲击信号，是一项极具挑战却又至关重要的任务。传统的频谱分析在面对非平稳、非高斯的冲击信号时，常常力不从心。而谱峭度，作为一种先进的时频分析工具，正逐渐成为故障诊断领域的“金耳朵”和“听诊器”。它不仅能告诉你故障是否存在，更能精准定位故障发生的“频率地址”，为后续的维修决策提供强有力的数据支撑。本文将带你深入谱峭度的核心原理，并通过一个完整的MATLAB实战案例，手把手教你如何将其应用于轴承故障诊断，从峭度图解读到最优频带提取，构建一套可落地的技术方案。

1. 谱峭度：为何是故障诊断的“利器”？

在理解谱峭度之前，我们首先要明白轴承故障信号的典型特征。一个健康的轴承，其振动信号通常平稳且近似高斯分布。一旦出现局部损伤，如内圈、外圈或滚动体的点蚀、剥落，在运转过程中就会产生周期性的瞬时冲击。这些冲击信号在时域上表现为短暂的脉冲，在频域上则会将能量扩散到一个较宽的频带内，并激发起结构的高频共振。

注意：这种冲击成分往往被强大的背景噪声和机械的常规振动所淹没，直接观察时域波形或传统频谱图，很难将其有效分离。

峭度，这个来自统计学的概念，是衡量数据分布“尖峰厚尾”程度的指标。对于高斯分布，峭度值为3（或归一化后为0）。当信号中含有冲击成分时，其概率密度函数会呈现出更尖锐的峰值和更长的尾部，峭度值会显著增大。因此，峭度对冲击信号异常敏感。

而谱峭度则将这一思想扩展到了频域。它的核心思想是：计算信号在不同频率成分上的峭度值。想象一下，我们把整个频率范围划分成许多细小的频带，然后分别计算每个频带内信号的峭度。那些包含故障冲击能量的频带，其峭度值会远高于其他频带。最终，我们将所有频带的峭度值以二维图（频率 vs. 分解层数/带宽）的形式呈现出来，这就是峭度图。

谱峭度算法的优势在于：

• 盲源分离能力：无需先验知识（如故障特征频率），仅根据信号本身的统计特性，就能自动定位包含最多冲击信息的频带。
• 抗噪性强：高斯噪声的峭度值为常数，因此谱峭度能有效抑制平稳高斯噪声的影响，突出非高斯的冲击成分。
• 自适应带宽选择：通过多分辨率分析，它能自动找到分析冲击成分的“最优解调频带”，这个频带通常是共振频带，最适合用于后续的包络分析。

下表对比了谱峭度与传统方法的差异：