基于VMD与深度学习的机械故障智能诊断系统

资 源 简 介

本项目开发了一套集成了先进信号处理与机器学习算法的旋转机械故障自动诊断平台，主要针对工业场景中滚动轴承与齿轮箱的早期微弱故障检测。系统功能首先覆盖数据的导入与清洗，支持读取高速采集卡获取的原始振动加速度时序数据，并内置了小波阈值去噪模块以提升信噪比。核心处理流程采用变分模态分解（VMD）算法，该算法相比传统EMD能更有效地处理非线性和非平稳信号，将复杂振动信号自适应分解为多个带宽受限的固有模态分量，从而精准分离出故障引发的冲击成分。接着，系统对优选的模态分量进行希尔伯特包络解调分析，提取冲击特征频率。在智能化决策层面，利用提取的时域统计指标（如峭度、波峰因子）和多尺度排列熵构建特征矩阵，输入到基于MATLAB深度学习工具箱构建的轻量化卷积神经网络（CNN）或长短时记忆网络（LSTM）中进行训练与识别，实现对内圈、外圈、滚动体及复合故障的自动化分类。最后，通过App Designer构建了交互式人机界面，提供实时信号监测、三维时频图谱可视化（如短时傅里叶变换STFT或小波变换）、诊断报告生成及设备健康度趋势预测功能，为预测性维护提供可靠的数据支撑。

详 情 说 明

基于变分模态分解与深度学习的复杂机械故障诊断系统

项目简介

本项目实现了一套完整的旋转机械故障诊断流程，演示了从信号模拟、信号处理、特征提取到深度学习识别及可视化报告生成的全过程。该系统旨在检测工业场景中（如滚动轴承）的早期微弱故障。

程序完全基于 MATLAB 编写，采用全流程脚本化执行。它首先生成包含复杂噪声和故障冲击的模拟振动信号，随后利用小波变换和变分模态分解（VMD）进行信号净化与分解，提取希尔伯特包络谱特征和时域统计指标，最后通过构建轻量级卷积神经网络（CNN）进行智能化故障分类，并在交互式界面中展示诊断结果。

功能特性

• 高保真信号模拟：内置机械振动信号生成模型，能够模拟包含转频、系统共振、高斯白噪声及周期性故障冲击（如内圈故障）的复杂信号。
• 先进信号降噪：集成小波阈值去噪算法，有效提升原始信号的信噪比。
• 自适应模态分解：采用变分模态分解（VMD）算法，将复杂信号分解为多个带宽受限的本征模态函数（IMF），并包含兼容性处理机制。
• 多维特征提取：结合了时域统计特征（峭度、波峰因子等）与频域特征（希尔伯特包络谱、谱熵）。
• 深度学习诊断：内嵌卷积神经网络（CNN）构建与训练模块，演示了端到端的智能诊断流程。
• 交互式诊断仪表盘：通过 MATLAB 图形化布局，集成显示时域波形、三维时频图、VMD 分解图、包络谱及健康度趋势预测。

核心算法与实现逻辑

本项目的主程序通过以下六个关键步骤实现诊断逻辑：

1. 系统参数初始化与信号模拟

• 信号建模：脚本首先定义采样频率（12kHz）和旋转频率，构建包含周期性冲击成分的故障模型。
• 混合噪声：模拟了因轴承内圈故障引起的衰减振荡信号，并叠加了正弦转频分量和高斯白噪声，以模拟真实的工况环境。

2. 信号预处理（小波去噪）

• 小波变换：使用 db4 小波基对原始信号进行5层分解。
• 阈值处理：利用 ddencmp 获取默认阈值，并采用软阈值策略对信号进行全局去噪，计算并输出去噪前后的信噪比（SNR）增益。

3. 核心算法：变分模态分解 (VMD)

• 参数配置：设置惩罚因子（Alpha=2000）和模态数（K=4），旨在分离低频干扰与高频冲击。
• 智能兼容机制：程序内置检测逻辑。如果当前 MATLAB 环境包含信号处理工具箱中的 vmd 函数，则执行真实的 VMD 分解；若未检测到该函数，则自动切换至基于带通滤波的模拟分解模式，确保程序在不同环境下的可运行性。

4. 特征提取与包络分析

• 成分优选：自动计算各 IMF 分量的能量，选取能量最大的模态作为包含故障信息的目标分量。
• 希尔伯特解调：对优选模态进行希尔伯特变换，求取包络信号并去除直流分量。
• 统计特征：计算目标分量的峭度、有效值（RMS）、波峰因子、脉冲因子以及简化版的排列熵，作为后续 AI 模型的输入依据。

5. 智能化决策 (CNN)

• 网络构建：搭建了一个包含卷积层、批归一化层、ReLU 激活层和最大池化层的轻量化一维卷积神经网络。
• 实时训练演示：程序并在运行时生成模拟训练数据集（包含正常、内圈、外圈等不同类别的特征模式），直接调用 trainNetwork 进行快速训练演示。
• 故障推断：将当前提取的信号特征输入训练好的网络进行分类。包含容错机制，若深度学习工具箱不可用或训练失败，系统将自动降级为基于规则的判定模式输出结果。

6. 可视化与诊断报告

利用 tiledlayout 构建综合诊断面板，包含以下模块：

• 波形对比：展示原始含噪信号与小波去噪后的信号对比。
• 三维时频分析：通过短时傅里叶变换（STFT）绘制信号的三维时频分布图。
• VMD 分解展示：以瀑布图形式直观展示分解后的各 IMF 分量。
• HHT 包络谱：在包络谱中标注自动识别的故障特征频率及其倍频（1x, 2x, 3x）。
• 智能报告栏：显示被测对象信息、转速、AI 预测结论、置信度及关键指标（如峭度）。
• 健康趋势：模拟生成设备健康度的 Sigmoid 下降趋势曲线，展示预测性维护视角。

系统要求

要完全运行本项目的所有功能，建议 MATLAB 环境配置以下工具箱：

• MATLAB R2020a 或更高版本
• Signal Processing Toolbox（用于 vmd、hilbert、spectrogram 等核心函数）
• Wavelet Toolbox（用于 wdencmp 等小波去噪函数）
• Deep Learning Toolbox（用于 trainNetwork、convolution2dLayer 等深度学习功能）

*注意：如果缺少深度学习工具箱，程序将跳过 AI 训练部分并给出警告，但仍能完成信号处理与特征提取的可视化演示。*

使用方法

1. 确保 MATLAB 路径设置正确。
2. 直接运行主程序脚本。
3. 程序将自动执行数据生成、处理与诊断，并在计算完成后弹出一个包含完整诊断图谱的图形界面窗口。
4. 控制台窗口（Command Window）将实时打印处理进度、信噪比提升数据、特征值计算结果以及最终的诊断结论。