基于Matlab的轴承故障诊断：从振动信号特征提取到机器学习分类实战

简介本资源是一套面向机械故障诊断领域初学者与工程实践者的MATLAB源码实现聚焦滚珠轴承早期故障识别问题适用于旋转机械状态监测、工业设备预测性维护等实际场景。资源共6个文件包含4个数据压缩包含内圈、外圈故障实测振动信号及2个核心MATLAB脚本balls.m与Balls2.m总大小45.19MB其中脚本封装了FFT频谱分析与双层小波分解流程可自动提取近似与细节分量并可视化故障特征频率数据包则提供典型故障工况下的原始振动样本便于算法验证与对比实验。已有45人学习下载配套结构清晰、即开即用读者可直接运行脚本完成从信号加载、时频分析到故障模式判读的完整诊断链路显著降低小波分析在轴承故障识别中的入门门槛与实现成本。1. 项目概述从振动信号中“听”出轴承的健康状况搞机械的、做设备运维的或者研究故障诊断的朋友对“滚珠轴承故障诊断”这个课题肯定不陌生。轴承作为旋转机械的“关节”它的健康直接决定了整台设备的寿命和运行安全。但轴承深藏在设备内部我们总不能天天拆开看吧这时候基于振动信号分析的故障诊断技术就成了我们的“听诊器”。而Matlab凭借其强大的信号处理和机器学习工具箱无疑是实现这套“听诊”流程最得心应手的工具之一。这个项目要做的就是利用Matlab从一段采集到的轴承振动信号里自动识别出它当前是健康的还是已经出现了内圈、外圈或滚动体的故障。这听起来像是一个标准的模式识别问题但难点在于真实的工业振动信号往往被强烈的背景噪声和各种干扰所淹没故障特征非常微弱。直接扔给一个分类器效果通常很差。所以核心流程就变成了如何从一堆看似杂乱无章的波形数据中提取出最能代表故障状态的“指纹”特征然后用这些特征去训练一个可靠的分类模型。整个过程我们可以把它拆解成一条清晰的流水线信号获取与预处理 - 特征提取与选择 - 诊断模型构建与验证。接下来我就结合自己实际做项目、写代码的经验把这几个环节掰开揉碎了讲清楚并附上关键的实现思路和避坑指南。2. 诊断流程的整体设计与核心思路拿到一个轴承故障诊断的任务第一步不是急着写代码而是要把整个技术路线图想明白。基于振动分析的方法其底层逻辑是不同类型的故障如点蚀、剥落会激发轴承系统特定的振动响应这些响应在信号的不同维度时域、频域、时频域上会留下独特的“印记”。我们的目标就是找到并放大这些“印记”。2.1 为什么选择“特征提取机器学习”的路径最直观的想法可能是直接把一整段振动信号作为输入扔给一个深度学习模型比如一维CNN去端到端学习。这在数据量极大、计算资源充足的情况下是可行的前沿方向。但对于大多数工程场景和学术研究尤其是当我们手头的数据集可能只有几十上百个样本时“特征提取传统机器学习”的路径更具实用性和可解释性。其优势在于数据需求小从信号中提取的统计特征、频谱特征维度相对固定且远低于原始信号长度有效降低了模型复杂度避免小样本下的过拟合。物理意义明确提取的特征如均方根值RMS、峭度Kurtosis、频谱峰值等都有明确的物理含义能量、冲击强度、特征频率便于工程师理解和判断。计算效率高特征提取和传统分类器如SVM、决策树的训练预测速度很快易于部署到边缘设备或在线监测系统。流程模块化预处理、特征提取、分类模型可以独立优化和替换灵活性高。因此本项目的核心思路确定为首先对原始振动信号进行去噪和标准化预处理然后从时域、频域及时频域多角度提取一组能够敏感反映故障状态的特征向量最后利用这些特征向量训练一个分类器实现故障模式的自动识别。2.2 技术选型考量Matlab工具箱的威力选择Matlab来实现是因为它为我们提供了几乎“一站式”的解决方案信号处理工具箱提供了fft、pwelch功率谱估计、emd经验模态分解等函数是特征提取的基石。统计与机器学习工具箱包含了fitcsvm支持向量机、fitctree决策树、fitcensemble集成学习等强大的分类算法以及至关重要的特征排序函数fscmrmr最小冗余最大相关性。深度学习工具箱如果需要尝试端到端方法可以方便地调用trainNetwork来训练一维CNN或LSTM网络。便捷的数据处理和可视化Matlab的矩阵操作和绘图功能让数据探索和结果展示变得异常轻松。这个技术栈确保了我们从数据清洗到模型评估都能在同一个高效的环境中完成。3. 数据准备与预处理给信号“洗个澡”任何数据分析项目数据质量决定了天花板。我们拿到的原始振动信号通常来自加速度传感器可能包含直流偏移、高频噪声、工频干扰等。3.1 数据加载与初窥假设我们有一个数据集其中包含“健康”、“内圈故障”、“外圈故障”、“滚动体故障”四类样本每个样本是一个一维时间序列。数据可能存储在.mat文件或.csv文件中。% 示例加载数据 load(bearing_dataset.mat); % 假设文件包含变量health_data, inner_data, outer_data, ball_data % 或从CSV读取 data_table readtable(vibration_data.csv); labels categorical(data_table.FaultType); % 故障类型标签 vibration_signals table2array(data_table(:, 1:end-1)); % 最后一列是标签首先一定要快速可视化几个样本直观感受一下信号形态。figure; subplot(2,2,1); plot(health_data(1,:)); title(健康状态); xlabel(采样点); ylabel(幅值); subplot(2,2,2); plot(inner_data(1,:)); title(内圈故障); xlabel(采样点); ylabel(幅值); subplot(2,2,3); plot(outer_data(1,:)); title(外圈故障); xlabel(采样点); ylabel(幅值); subplot(2,2,4); plot(ball_data(1,:)); title(滚动体故障); xlabel(采样点); ylabel(幅值); sgtitle(不同状态轴承振动信号对比);通过看图你可能会发现故障信号中有明显的周期性冲击而健康信号相对平稳。3.2 关键预处理步骤去直流分量传感器可能存在的零点漂移会产生一个非零的均值需要去除。signal_detrended signal - mean(signal);带通滤波轴承故障特征频率通常集中在某个频带内例如几百Hz到几kHz。使用一个带通滤波器可以保留有用信息抑制低频晃动和高频噪声。butter和filtfilt零相位滤波是常用组合。fs 12000; % 采样频率根据实际设置 f_low 500; % 带通下限 f_high 5000; % 带通上限 [b, a] butter(4, [f_low, f_high]/(fs/2), bandpass); % 4阶巴特沃斯带通滤波器 signal_filtered filtfilt(b, a, signal_detrended);信号归一化为了消除不同样本间绝对幅值差异对特征提取的影响通常进行归一化。signal_normalized signal_filtered / max(abs(signal_filtered)); % 或者使用z-score标准化 % signal_normalized (signal_filtered - mean(signal_filtered)) / std(signal_filtered);注意滤波器的阶数和截止频率需要根据轴承型号、转速和故障特征频率理论值进行合理选择。盲目滤波可能会滤掉有用的故障信息。一个实用的技巧是先计算健康信号的频谱观察主要能量集中在哪些频率再设定带通范围。4. 多维特征提取刻画信号的“指纹”这是诊断系统的核心。单一的特征很难全面描述故障我们需要从多个维度构建一个特征向量。这里我将其分为三大类。4.1 时域统计特征直接从波形数据中计算反映信号的幅值分布和冲击特性。以下是一些最常用且有效的特征function features_time extract_time_features(signal) features_time zeros(1, 8); % 假设提取8个时域特征 features_time(1) rms(signal); % 均方根值反映能量 features_time(2) mean(abs(signal)); % 平均幅值 features_time(3) std(signal); % 标准差 features_time(4) skewness(signal); % 偏度衡量分布不对称性 features_time(5) kurtosis(signal); % 峭度对冲击非常敏感是故障诊断的明星指标。 features_time(6) peak2peak(signal); % 峰峰值 features_time(7) shape_factor rms(signal) / mean(abs(signal)); % 波形因子 features_time(8) impulse_factor max(abs(signal)) / mean(abs(signal)); % 脉冲因子 end实操心得峭度Kurtosis在轴承早期点蚀故障中表现尤为出色因为点蚀会产生瞬态冲击使信号分布出现重尾峭度值会显著增大。但到了故障严重阶段冲击过于频繁峭度值反而可能下降。因此要结合其他特征综合判断。4.2 频域特征将信号从时域转换到频域观察其能量在频率上的分布。故障会引发特定频率成分的增强。计算功率谱密度推荐使用pwelch函数它通过分段平均减少了谱估计的方差。[pxx, f] pwelch(signal_normalized, [], [], [], fs);提取频域特征function features_freq extract_freq_features(pxx, f) [~, max_idx] max(pxx); features_freq zeros(1, 5); features_freq(1) f(max_idx); % 重心频率 features_freq(2) sum(pxx .* f) / sum(pxx); % 频率中心 features_freq(3) sqrt(sum(pxx .* (f - features_freq(2)).^2) / sum(pxx)); % 均方频率 features_freq(4) sum(pxx(f 1000 f 4000)) / sum(pxx); % 特定频带能量比需根据实际调整 features_freq(5) entropy(pxx / sum(pxx)); % 谱熵衡量频谱复杂度 end关键点除了这些统计特征更核心的是故障特征频率Ball Pass Frequency Inner/Outer, Ball Spin Frequency。你需要根据轴承的几何参数滚珠数、节径等和转速计算理论值然后在频谱图中寻找这些频率及其倍频处的幅值是否异常升高。这需要手动或半自动的峰值检测算法配合。4.3 时频域特征对于非平稳信号时频分析能同时看到频率随时间的变化。希尔伯特-黄变换HHT和小波变换是常用方法。希尔伯特包络谱分析这是轴承诊断的“杀手锏”。故障冲击信号调制在高频共振频率上通过包络解调可以突出故障特征频率。% 使用希尔伯特变换求包络 analytic_signal hilbert(signal_filtered); envelope_signal abs(analytic_signal); % 对包络信号进行FFT得到包络谱 N length(envelope_signal); envelope_spectrum abs(fft(envelope_signal - mean(envelope_signal), N)); f_axis (0:N-1)*(fs/N); % 在包络谱中寻找故障特征频率峰值小波能量特征使用小波变换将信号分解到不同尺度频带计算各尺度系数的能量作为特征。[c, l] wavedec(signal_normalized, 5, db4); % 5层分解使用db4小波 % 计算各层细节系数和近似系数的能量 energy zeros(1, 6); for i 1:5 d wrcoef(d, c, l, db4, i); energy(i) sum(d.^2); end a wrcoef(a, c, l, db4, 5); energy(6) sum(a.^2); features_wavelet energy / sum(energy); % 归一化能量占比特征池构建将以上所有特征时域8个 频域5个 包络谱峰值幅值若干 小波能量6个拼接起来就构成了一个高维特征向量可能超过20维。每个样本都对应这样一个向量。5. 特征选择与降维去芜存菁不是所有特征都是有用的。高维特征中存在冗余和噪声直接用于分类会降低模型性能和速度。因此需要进行特征选择。5.1 基于模型的特征重要性排序使用最小冗余最大相关性MRMR算法可以找出与故障标签相关性高、但彼此之间冗余性小的特征子集。% 假设 all_features 是 N个样本 x M个特征 的矩阵labels 是 Nx1 的类别标签 [idx, scores] fscmrmr(all_features, labels); % idx 是特征索引的排序最重要到最不重要scores是对应得分 selected_idx idx(1:15); % 选择前15个最重要的特征 selected_features all_features(:, selected_idx);5.2 可视化验证t-SNE在降维或选择后可以使用t-SNE将高维特征映射到2维或3维空间直观观察不同类别的样本是否能够被分开。Y tsne(selected_features, NumDimensions, 2, Perplexity, 30); gscatter(Y(:,1), Y(:,2), labels); title(t-SNE Visualization of Selected Features);如果图上不同颜色的点代表不同故障类型形成了清晰的簇说明你的特征提取和选择是有效的。6. 诊断模型构建、训练与评估特征准备好了接下来就是“喂”给分类器。我们构建一个完整的机器学习流水线。6.1 数据划分务必在训练前划分数据避免“数据泄露”。常用70%训练30%测试。cv cvpartition(labels, HoldOut, 0.3); train_idx cv.training; test_idx cv.test; X_train selected_features(train_idx, :); Y_train labels(train_idx); X_test selected_features(test_idx, :); Y_test labels(test_idx);6.2 模型训练与超参数调优这里以支持向量机SVM为例它在小样本、高维特征上往往表现良好。% 使用带超参数优化的分类器 template templateSVM(KernelFunction, gaussian, Standardize, true); classifier fitcecoc(X_train, Y_train, Learners, template, ... OptimizeHyperparameters, {BoxConstraint, KernelScale}, ... HyperparameterOptimizationOptions, struct(AcquisitionFunctionName, expected-improvement-plus, ShowPlots, false)); % 这个过程会自动寻找最优的 BoxConstraint 和 KernelScale 参数你也可以尝试其他模型进行对比% 决策树 tree fitctree(X_train, Y_train, OptimizeHyperparameters, all); % 集成学习随机森林 ensemble fitcensemble(X_train, Y_train, Method, Bag);6.3 模型评估与混淆矩阵训练好后在测试集上进行预测并计算各项指标。Y_pred predict(classifier, X_test); % 计算准确率 accuracy sum(Y_pred Y_test) / numel(Y_test); fprintf(测试集准确率%.2f%%\n, accuracy*100); % 绘制混淆矩阵 figure; cm confusionchart(Y_test, Y_pred); cm.Title 轴承故障诊断混淆矩阵; cm.RowSummary row-normalized; % 显示行归一化的百分比 cm.ColumnSummary column-normalized;混淆矩阵能清晰告诉你模型最容易混淆哪两类故障。比如外圈故障和滚动体故障是否经常分错这能指导你回头去审视特征提取环节是否没有提取出能区分这两类故障的关键信息。6.4 尝试深度学习路径可选如果你的数据量足够大数千上万个样本可以尝试一维CNN进行端到端学习。layers [ sequenceInputLayer(1) % 输入一维信号 convolution1dLayer(64, 10, Padding, same) batchNormalizationLayer reluLayer maxPooling1dLayer(2, Stride, 2) % ... 更多卷积层和池化层 fullyConnectedLayer(4) % 输出4类 softmaxLayer classificationLayer]; options trainingOptions(adam, ... MaxEpochs, 30, ... MiniBatchSize, 128, ... ValidationData, {X_val, Y_val}, ... Plots, training-progress); net trainNetwork(X_train, Y_train, layers, options);注意深度学习需要大量的数据和调参工作对于小样本数据集很容易过拟合效果可能不如精心设计的特征传统机器学习。7. 系统集成与GUI界面搭建一个完整的诊断系统最好有一个简单的界面方便输入新数据、查看诊断结果和模型信心。7.1 核心诊断函数封装将上述流程封装成一个函数function [predicted_label, score, features] bearing_fault_diagnosis(raw_signal, fs, trained_model, feature_selected_idx) % 1. 预处理 signal_proc preprocess_signal(raw_signal, fs); % 2. 特征提取 all_feats extract_all_features(signal_proc, fs); % 3. 特征选择使用训练时确定的索引 selected_feats all_feats(feature_selected_idx); % 4. 预测 [predicted_label, score] predict(trained_model, selected_feats); end7.2 使用App Designer创建GUIMatlab的App Designer可以拖拽控件快速构建界面。添加“加载数据”按钮触发文件选择并绘制信号波形。添加“开始诊断”按钮调用上面封装的bearing_fault_diagnosis函数。添加文本框或仪表盘显示诊断结果如“内圈故障置信度92%”。添加坐标区用于显示信号的时域图、频谱图、包络谱图使诊断过程可视化。通过GUI即使不懂代码的使用者也能轻松完成故障诊断。8. 常见问题、调试技巧与经验实录在实际编码和调试过程中肯定会遇到各种问题。这里分享几个我踩过的坑和解决方法。8.1 诊断准确率低问题模型在训练集上表现很好但在测试集上准确率很低过拟合。排查检查数据划分确保训练集和测试集是随机、独立划分的没有时序上的依赖或来自同一个轴承的连续数据被分到两边。检查特征数量特征维度是否远大于样本数量如果是必须进行严格的特征选择或降维如PCA。简化模型尝试使用更简单的模型如线性SVM或浅层决策树或者增加正则化强度。可视化特征使用tsne或pca图查看特征空间如果测试集和训练集分布差异大说明数据本身代表性有问题。8.2 特定故障类型难以区分问题混淆矩阵显示外圈故障和滚动体故障总是分不清。排查与解决回顾特征检查你提取的特征中是否有能区分这两种故障的物理指标例如滚动体故障的特征频率BSF及其倍频是否在包络谱中被有效捕捉可以尝试增加与BSF相关的特征如BSF处及其二倍频、三倍频的幅值之和。时频分析这两种故障的冲击序列可能具有不同的调制特性。尝试计算更精细的时频特征比如小波包分解的能量熵。数据层面检查这两种故障的数据样本量是否严重不平衡进行过采样SMOTE或调整分类器的类别权重。8.3 包络谱分析找不到明显峰值问题做了希尔伯特变换和FFT后包络谱上噪声很大看不到清晰的故障特征频率峰值。解决步骤滤波是关键带通滤波的中心频率必须设置在轴承系统的共振频带内而不是故障频率附近。故障冲击激发的是高频共振解调后才得到低频的故障频率。你需要通过分析健康信号的频谱找到一个信噪比较高的共振频带进行滤波。尝试不同的解调方法除了希尔伯特变换可以试试平方解调、Teager能量算子TKEO等有时效果更好。频谱平均对多个数据段的包络谱进行平均可以有效平滑随机噪声突出周期性成分。8.4 代码运行速度慢问题特征提取部分尤其是对大量样本进行小波变换或EMD时耗时很长。优化技巧向量化操作避免在循环内对每个样本单独调用wavedec尽量将信号组织成矩阵但Matlab的小波工具箱函数对一维向量更友好。可以考虑使用parfor并行循环如果拥有多核CPU。parfor i 1:num_samples features(i, :) extract_single_sample_features(data(i, :)); end降低计算精度对于探索性阶段可以降低小波分解的层数或者使用更短的信号片段。预计算与缓存如果特征提取函数是确定性的且数据不变可以将提取好的特征保存为.mat文件下次直接加载。8.5 实际部署考量模型固化训练好的模型如classifier可以使用saveCompactModel和loadCompactModel进行保存和加载减少内存占用加快部署速度。在线监测对于在线系统需要实现滑动窗实时特征提取和预测。注意确保预处理如滤波的因果性或者使用延时较小的非因果滤波方法如filtfilt会引入群延时需妥善处理数据缓冲区。轴承故障诊断是一个理论结合实践非常紧密的领域。代码只是工具背后的物理机理和信号处理知识才是根本。最好的学习方式就是找一个公开的数据集如凯斯西储大学CWRU轴承数据从头到尾实现一遍这个流程遇到问题就去深究原因不断迭代优化你的特征和模型。当你看到自己写的程序成功地从一段嘈杂的振动信号中准确判断出故障类型时那种成就感就是驱动技术人不断前行的最大动力。本文还有配套的精品资源点击获取