包络解调在故障诊断中的应用-广义检波解调案例

前言

前面我们曾介绍过广义检波解调的原理，那么今天就将学过的知识点真正用在故障诊断上，由于工厂数据集不能轻易获取，因此通过实验室仿真数据集来介绍整个诊断流程。

数据集

加拿大渥太华是故障诊断领域蛮出名的一个数据集，其中包含了健康状态、内圈故障、外圈故障三种轴承状态，加速、减速、先加速后减速、先减速后加速4种工况，组合起来总计12种情况，每种情况采集三组数据，因此总共有36组数据。每个数据包括两个通道：Channel_1是振动数据，Channel_2是转速数据。所有的数据采样率是200000HZ，采样时长是10秒。
我们可以看看H-A-1的数据，它是加速状态下健康轴承的采集数据，下面是它的振动时域图：

故障诊断

为了演示广义检波解调在故障诊断中的应用，此次选择I-A-1数据集进行分析，它是轴承内圈故障，工况为加速，下面是它的振动时域图：

其实可以看到很明显的周期性冲击，从论文中我们可以得到该轴承的完整信息：

内圈故障频率是5.43转频，而外圈故障频率是3.57转频，由于在加速工况下，傅里叶变换不太适合，因此采取阶次分析（相关原理和代码在之前的阶次分析博客中有，此次需要将重采样频率points_per_rotation参数更改为5120），最终可得到如下的频谱图：

从阶次图中已经能看到对应的故障阶次了，但是其幅值并非最主要的，还有转频及其高次谐波。为了让其更多地凸显，我们可以使用前面学过的广义检波解调方法来进行处理。对完整频带做检波解调，通常不容易找出真正的故障阶次，因此需要先找到合适的解调频带。可以看到阶次谱在30-80的位置上存在很多边频带，因此本次就选取该频带进行带通滤波：

为了方便演示，这里就直接进行粗暴的频域置0来实现带通滤波了，下面是滤波后的时域图：

最后使用平方解调，可以得到如下所示的阶次包络谱：

可以看到图中的故障阶次更加突出了，但和理论的阶次相比还是存在一些微小的差异，可能是方法存在的解调混频问题导致（试验过希尔伯特解调，效果更好一些）。

总结

本篇文章介绍了广义检波解调方法在故障诊断上的应用，在渥太华数据集上还是取得了一定效果，但目前本人主要还是使用希尔伯特解调，后面可以介绍一下其原理和应用流程。