基于小波包变换与SVM的旋转机械故障诊断系统

资 源 简 介

本项目利用MATLAB强大的信号处理工具箱和统计与机器学习工具箱，构建一套针对旋转机械（如滚动轴承、齿轮箱）的振动信号分析与智能故障诊断平台。系统核心处理流程包括：首先进行数据预处理，对采集的原始振动加速度信号进行去趋势项处理，并应用小波阈值去噪算法滤除高频背景噪声；其次进行时频域特征提取，利用小波包分解（Wavelet Packet Decomposition）技术将信号分解至不同频带，计算各频带节点的能量谱作为特征向量，同时提取时域统计特征（如峭度、偏度、裕度指标、均方根值）以构建高维特征矩阵；第三步是模型训练与分类，采用支持向量机（SVM）或集成学习分类器，通过交叉验证优化核函数参数，建立故障模式识别模型；最后实现可视化界面，能够动态展示原始信号波形、包络谱、小波能量谱图以及最终的故障分类结果（如内圈磨损、外圈裂纹、保持架故障或正常状态）。该系统适用于工业预测性维护场景，能够有效实现设备健康状态的早期预警。

详 情 说 明

基于小波包变换与SVM的旋转机械故障诊断系统

项目简介

本项目是一个基于MATLAB开发的振动信号分析与智能故障诊断平台。系统旨在通过先进的信号处理技术和机器学习算法，对旋转机械（特别是滚动轴承）的健康状态进行识别。项目集成了模拟数据生成、信号预处理、多域特征提取、支持向量机（SVM）分类模型训练以及结果可视化等全流程功能，能够有效区分正常状态与多种故障模式。

功能特性

• 高保真信号模拟：基于物理模型生成包含冲击、调制和噪声的振动信号，模拟这四种状态：正常、内圈故障、外圈故障及滚动体故障。
• 高级信号去噪：结合去趋势项与小波阈值去噪技术，有效滤除背景噪声，保留故障冲击特征。
• 多域特征融合：融合时域统计特征与时频域小波包能量谱，构建高维特征向量，全面描述信号状态。
• 智能模式识别：利用多分类SVM（支持向量机）模型，配合高斯核函数（RBF），实现高精度的故障分类。
• 全方位可视化：提供原始波形、去噪波形、包络谱分析、能量直方图及混淆矩阵等多种图表展示。

系统要求

• MATLAB R2018b 或更高版本
• Signal Processing Toolbox（信号处理工具箱）
• Statistics and Machine Learning Toolbox（统计与机器学习工具箱）
• Wavelet Toolbox（小波工具箱）

核心算法与实现流程

本项目的主程序逻辑严谨地遵循了“数据获取-预处理-特征工程-模式识别-评估展示”的标准数据挖掘流程。以下是各模块的详细算法实现分析：

1. 数据生成与模拟环境

系统首先构建了一个采样频率为12kHz的模拟环境，生成时长为1秒的振动加速度信号。为了保证实验的可复现性，代码中固定了随机数种子。

• 故障机理模拟：

* 正常状态：由基频正弦波及其谐波与白噪声叠加而成。 * 内圈故障：模拟了特征频率约为160Hz的周期性冲击，并施加了转频调制（模拟故障点随轴旋转的效果）。 * 外圈故障：模拟了特征频率约为105Hz的周期性冲击，无调制效应。 * 滚动体故障：模拟了特征频率约为70Hz的冲击，并施加了保持架频率调制。

• 冲击生成算法：通过辅助函数生成主要冲击成分，采用指数衰减的正弦波模拟系统受到冲击后的阻尼振荡响应，并加入了微小的随机滑移以贴近真实物理场景。

2. 信号预处理

为了从含噪信号中提取有效成分，系统实施了双重预处理策略：

• 去趋势项：消除信号中的直流分量或线性趋势。
• 小波阈值去噪：采用sym8小波基进行3层分解，利用Rigrsure（无偏似然估计）规则和软阈值策略对高频系数进行处理。该步骤能有效抑制高斯白噪声，突出故障冲击成分。

3. 说明与特征提取

系统构建了一个12维的混合特征向量，输入到分类器中：

• 时频域特征（8维）：利用小波包分解（Wavelet Packet Decomposition）技术。

* 选用db4小波基，将信号进行3层分解，得到8个独立的频带节点。 * 提取每个频带节点的系数并计算其重构能量。 * 对能量特征进行归一化处理，形成能量谱特征向量，反映了不同故障模式下信号能量在频域上的分布差异。

• 时域统计特征（4维）：

* 均方根值 (RMS)：反映振动强度。 * 峭度 (Kurtosis)：对早期冲击信号极其敏感，是诊断轴承故障的关键指标。 * 偏度 (Skewness)：描述信号幅值分布的对称性。 * 裕度因子 (Margin Factor)：峰值与平方根幅值之比，用于检测机械磨损状况。

4. 模型训练与分类

核心分类器采用支持向量机（SVM），具体实现细节如下：

• 数据集划分：采用留出法（Hold-out），将数据集按70%训练集和30%测试集进行划分。
• 数据标准化：使用Z-score标准化方法对特征矩阵进行处理，消除不同量纲特征之间的尺度差异。
• ECOC框架：针对四分类问题，使用纠错输出编码（Error-Correcting Output Codes）框架，将多分类问题转化为多个二分类问题求解。
• 核函数：选用高斯核（RBF），以处理特征空间中的非线性可分问题。

5. 可视化与诊断报告

系统在运行结束后即时生成两类可视化图表和一份文本报告：

• 信号处理分析图：

* 对比展示原始时域信号与小波去噪后的信号。 * 包络谱分析：通过希尔伯特变换（Hilbert Transform）提取信号包络并进行FFT变换，直观展示故障特征频率（及其倍频）。图表中还自动标注了理论故障频率线以便对比。 * 绘制小波包能量直方图，展示各频带能量占比。

• 智能诊断结果图：

* 绘制混淆矩阵（Confusion Matrix），详细展示模型在测试集上对每一类故障的预测准确率和误判情况，并计算总体准确率。

• 文本报告：在控制台输出模型训练耗时、测试集准确率，并抽取一个测试样本输出其真实状态与预测结果的对比判定。

使用方法

1. 打开MATLAB软件，将工作路径切换至项目所在文件夹。
2. 直接运行主函数脚本（通常命名为main）。
3. 程序将自动开始生成数据、提取特征并训练模型。
4. 等待控制台输出“SVM训练完成”字样，随后系统会弹出两个可视化窗口展示分析结果。
5. 在MATLAB命令窗口中查看详细的诊断准确率和单样本测试报告。