Python仿真轴承故障信号：从时域波形到频谱与包络谱分析实战

简介本资源面向机械故障诊断、信号处理方向的本科生、研究生及工程技术人员提供轴承典型故障如内圈、外圈、滚动体缺陷的仿真信号分析完整实践方案。资源包含时域波形图与频谱图的生成与可视化代码辅以直观的操作录屏视频帮助学习者理解故障特征频率提取、FFT变换原理及MATLAB信号分析流程。压缩包共3个文件2个MATLAB脚本1个AVI操作录像总大小347KB结构精炼runme.m为主控入口fft30.m封装核心频谱计算逻辑录像视频详细演示路径设置、函数调用与图形解读全过程。已有2944人学习下载特别适合零基础入门振动信号分析、需快速掌握故障特征识别方法的学习者避免因路径错误或版本兼容问题导致运行失败。1. 项目概述从振动信号中“听”出轴承的健康状况在工业设备运维领域轴承就像设备的“关节”它的健康状况直接决定了整台机器的运行寿命和稳定性。想象一下一台大型风机或一台精密机床如果其核心轴承出现了早期故障但未被发现轻则导致停机停产重则引发连锁反应造成严重的安全事故和经济损失。因此轴承故障的早期诊断与预警是设备预测性维护的基石。传统的故障诊断依赖老师傅“听音辨位”的经验或者定期停机拆解检查不仅效率低下而且容易错过最佳维修窗口。随着传感器技术和信号处理算法的发展基于振动信号的分析成为了主流的、非侵入式的诊断方法。本项目标题“轴承故障仿真信号时域波形图和频谱图含代码操作演示视频”其核心价值就在于提供一个从理论到实践、从数据到可视化的完整学习路径。它不仅仅是一张图或一段代码而是一套完整的故障诊断“工具箱”入门指南。通过生成模拟的轴承故障振动信号我们可以不受真实实验条件和昂贵设备的限制快速理解不同类型故障如内圈、外圈、滚动体损伤在信号上的特征表现。时域波形图让我们直观“看到”振动冲击的形态和周期而频谱图通常指功率谱密度图则能将这些时域冲击“翻译”成频率成分揭示故障的特征频率。配合代码和视频学习者可以亲手复现这一分析过程将抽象的数学公式和信号处理概念转化为屏幕上跳动的波形和清晰的频谱峰从而深刻掌握轴承故障诊断的核心技能。这篇文章我将以一个做过不少故障诊断项目的老工程师的身份带你彻底拆解这个仿真分析流程。我会分享从信号生成原理、代码实现细节到图形解读技巧和实际应用中的避坑经验让你不仅能“跑通”代码更能“读懂”信号真正具备解决实际问题的能力。2. 核心思路与方案设计如何“无中生有”地模拟故障信号要仿真轴承故障信号我们不能凭空捏造数据必须基于其物理机理和数学模型。一个健康的轴承在运行时其振动信号主要包含转频及其倍频以及一些随机噪声整体比较“干净”。而当轴承的滚道或滚动体出现局部损伤如点蚀、剥落时滚动体经过损伤点会产生周期性的冲击力从而引发高频共振这个物理过程是我们仿真的核心。2.1 故障信号的数学模型解析目前最经典且有效的模型是“周期性冲击响应模型”。我们可以把这个过程想象成用小锤子周期性地敲击一个钟。小锤子敲击的周期由故障特征频率决定而钟被敲击后产生的“嗡鸣”声就是系统的固有频率响应。数学模型上它通常由以下几部分卷积或叠加而成周期性冲击序列模拟故障点被周期性撞击的事件。这是一个间隔为故障周期T 1/故障特征频率的狄拉克δ函数序列。衰减正弦波共振响应模拟轴承-传感器系统受到冲击后的瞬态振动响应。通常用一个指数衰减的正弦函数来表示h(t) exp(-β*t) * sin(2π*f_n*t)。其中β是衰减系数决定了共振衰减的快慢f_n是系统的共振频率通常在几千赫兹的范围。背景噪声与谐波为了更贴近真实信号还需要加入高斯白噪声模拟测量中的随机干扰。转频谐波模拟由转子不平衡、不对中等引起的低频振动成分。因此仿真信号的数学表达式可以概括为x(t) [周期性冲击序列] ⊗ [衰减正弦波] 转频谐波 高斯白噪声其中⊗表示卷积运算。为什么选择这个模型因为它物理意义清晰能很好地复现真实故障信号的两个核心特征时域的周期性冲击和频域的共振频带。这对于初学者理解故障机理和后续的特征提取算法如包络分析至关重要。2.2 关键参数的计算与选择依据仿真不是乱真参数的选择需要有理有据。这里有几个核心参数需要计算和设定轴承几何参数与故障特征频率这是仿真的起点。你需要知道轴承的节径、滚子数、接触角等。故障特征频率内圈、外圈、滚动体、保持架有标准的计算公式。例如外圈故障特征频率BPFO的计算公式为BPFO (n * f_r / 2) * (1 - (d/D) * cosα)其中n是滚子数f_r是轴旋转频率d是滚子直径D是节径α是接触角。在仿真中我们通常会直接设定一个特征频率值如100Hz来简化但你必须清楚这个值的来源。系统共振频率 (f_n)这通常需要根据实际被测设备的经验值或实验数据来设定。对于中小型轴承共振频率可能在1kHz到5kHz之间。在仿真中我们常将其设定在2kHz-3kHz以在频谱上产生明显且独立于故障频率的共振频带。采样频率 (fs)根据奈奎斯特采样定理fs必须大于信号中最高频率成分的2倍。由于我们的信号包含共振频率f_n因此fs至少需要大于2 * f_n。通常为了有好的波形显示效果我们会设置fs为f_n的5-10倍以上例如fs 20kHz。衰减系数 (β)它控制了共振衰减的速度直接影响时域冲击波的“宽度”和频域共振峰的“胖瘦”。β值越大衰减越快时域冲击越窄频域共振峰越宽。一般通过调整它来匹配真实信号的衰减特性。方案选型考量为什么不直接用真实数据因为对于初学者或算法开发初期真实数据获取成本高、工况单一、故障标签难以精确获取。仿真数据成本低、可重复、参数可控是验证算法流程、理解故障特征的绝佳工具。本方案平衡了模型的复杂度和真实性足以支撑后续的时频分析和特征提取学习。3. 核心细节解析与实操要点理解了模型我们就要动手用代码把它实现出来。这里我用Python因其在科学计算和可视化方面的强大生态来演示核心步骤并穿插讲解每个环节的注意事项。3.1 环境准备与库的选择工欲善其事必先利其器。我们主要依赖以下几个库import numpy as np import matplotlib.pyplot as plt from scipy import signal import warnings warnings.filterwarnings(ignore) # 可选忽略一些不影响运行的警告numpy进行高效的数组运算和数学计算生成时间序列和信号数据。matplotlib绘制时域波形图和频谱图的核心工具其功能强大且定制灵活。scipy.signal提供信号处理相关的函数如卷积、滤波、谱估计等。实操心得版本一致性。在进行项目复现或团队协作时务必记录或使用requirements.txt文件锁定这些库的版本。不同版本间API的细微变化可能导致代码报错或图形显示异常。3.2 信号生成函数的关键实现我们将核心模型封装成一个函数。以下是关键代码段和逐行解析def generate_bearing_fault_signal(duration, fs, fault_freq, resonance_freq, decay_beta, snr_db, rpm): 生成轴承故障仿真信号。 参数: duration: 信号时长 (秒) fs: 采样频率 (Hz) fault_freq: 故障特征频率 (Hz)如BPFO resonance_freq: 系统共振频率 (Hz) decay_beta: 共振衰减系数 snr_db: 信噪比 (dB) rpm: 轴转速 (转/分钟) 返回: t: 时间轴 x: 仿真信号 # 1. 生成时间轴 t np.arange(0, duration, 1/fs) N len(t) # 2. 计算轴旋转频率 shaft_freq rpm / 60.0 # 单位转为 Hz # 3. 生成周期性冲击序列 (狄拉克梳状函数近似) # 思路在冲击发生的时刻点设置一个幅值其他时间为0 impulse_train np.zeros(N) # 计算冲击发生的时刻每隔 1/fault_freq 秒一次 impulse_times np.arange(0, duration, 1/fault_freq) # 将冲击时刻转换为最接近的采样点索引 impulse_indices (impulse_times * fs).astype(int) # 确保索引不超出数组范围 impulse_indices impulse_indices[impulse_indices N] impulse_train[impulse_indices] 1.0 # 设置冲击幅值为1 # 4. 生成衰减正弦波单自由度系统冲击响应 # 时间轴从0开始足够长以覆盖衰减过程 t_response np.arange(0, 0.1, 1/fs) # 0.1秒的响应时间通常足够 h np.exp(-decay_beta * t_response) * np.sin(2 * np.pi * resonance_freq * t_response) # 5. 卷积冲击序列通过系统响应 fault_impact np.convolve(impulse_train, h, modesame) # 归一化防止幅值过大 fault_impact fault_impact / np.max(np.abs(fault_impact)) if np.max(np.abs(fault_impact)) 0 else fault_impact # 6. 添加转频谐波模拟低频振动 harmonic_signal 0 for i in range(1, 4): # 添加前3阶谐波 harmonic_signal 0.1 * (1/i) * np.sin(2 * np.pi * i * shaft_freq * t) # 7. 合成确定性信号 deterministic_signal fault_impact harmonic_signal # 8. 添加高斯白噪声 signal_power np.mean(deterministic_signal ** 2) noise_power signal_power / (10 ** (snr_db / 10)) noise np.random.randn(N) * np.sqrt(noise_power) # 9. 最终信号 x deterministic_signal noise return t, x关键点解析与避坑指南冲击序列的生成我们使用单位脉冲来近似狄拉克函数。这里一个常见的坑是时间对齐。impulse_times * fs得到的是理论采样点位置可能是小数必须转换为整数索引。astype(int)是向下取整可能引入微小的时间误差但对于仿真演示可以接受。更精确的做法是用插值但复杂度会增加。卷积模式的选择np.convolve的modesame保证了输出长度与输入impulse_train相同方便后续处理。但卷积会使信号在时间上产生一定的延迟和展宽这是物理过程的真实反映。归一化处理卷积后信号的幅值可能很大进行归一化/ np.max(np.abs(...))是为了方便控制最终信号的幅值范围并与后续添加的谐波、噪声在量级上匹配。注意判断分母为零的情况。信噪比的控制根据定义信噪比SNR (dB) 10 * log10(信号功率 / 噪声功率)。因此噪声功率 信号功率 / (10^(SNR/10))。高斯噪声的标准差就是噪声功率的平方根。这是仿真中控制噪声水平的精确方法。参数敏感度decay_beta和resonance_freq是需要反复调试的参数。beta太小冲击衰减慢时域波形会混叠beta太大冲击不明显。resonance_freq决定了频谱图中共振频带的位置需要与采样频率协调避免混叠。4. 实操过程与核心环节实现有了信号生成函数我们就可以生成数据并绘制核心的时域波形图和频谱图了。这部分是可视化的关键直接决定了我们能否从图形中解读出故障信息。4.1 参数设置与信号生成实例我们设定一组“典型”参数来生成一个外圈故障信号# 仿真参数设置 duration 1.0 # 信号时长 1秒 fs 20000 # 采样频率 20kHz fault_freq 100 # 故障特征频率 (BPFO) 100Hz resonance_freq 3000 # 系统共振频率 3kHz decay_beta 500 # 衰减系数 snr_db 10 # 信噪比 10dB rpm 1800 # 转速 1800转/分钟 # 生成信号 t, x generate_bearing_fault_signal(duration, fs, fault_freq, resonance_freq, decay_beta, snr_db, rpm)4.2 时域波形图的绘制与解读时域图是我们观察信号的第一个窗口。# 绘制时域波形图 plt.figure(figsize(12, 4)) plt.plot(t, x, b-, linewidth0.5, alpha0.7) plt.xlabel(时间 [秒]) plt.ylabel(幅值) plt.title(轴承故障仿真信号 - 时域波形图) plt.grid(True, linestyle--, alpha0.5) plt.xlim([0, 0.2]) # 只看前0.2秒细节更清晰 plt.tight_layout() plt.show()图形解读与技巧观察周期性冲击在时域波形中你应该能看到一系列间隔大致相等的“冲击包络”。冲击之间的时间间隔就是故障周期T 1/fault_freq 0.01秒。在前0.2秒内大约能看到20个冲击。冲击的形态每个冲击都不是一个单纯的尖脉冲而是一个经过振荡衰减的“小波包”这正是衰减正弦波响应卷积的结果。振荡的频率就是共振频率f_n。调整显示范围使用plt.xlim([0, 0.2])局部放大是观察细节的关键。全时段1秒的图可能因为数据点太多而显得杂乱无法看清周期结构。图形美化linewidth0.5和alpha0.7让曲线更细且半透明在数据密集时避免糊成一团。网格线(grid)有助于更准确地读取时间点和幅值。4.3 频谱图功率谱密度的绘制与解读时域看周期频域看成分。频谱图能将信号分解到频率域揭示其内在结构。# 计算并绘制频谱图 (使用Welch方法估计功率谱密度) plt.figure(figsize(12, 4)) frequencies, psd signal.welch(x, fs, nperseg1024, noverlap512, scalingdensity) plt.semilogy(frequencies, psd, r-, linewidth1) # 纵坐标用对数坐标 plt.xlabel(频率 [Hz]) plt.ylabel(功率谱密度 [V**2/Hz]) plt.title(轴承故障仿真信号 - 频谱图 (功率谱密度)) plt.grid(True, whichboth, linestyle--, alpha0.5) # 主次网格 plt.xlim([0, fs/2]) # 显示奈奎斯特频率以下的部分 # 标记关键频率 plt.axvline(xfault_freq, colorg, linestyle--, alpha0.7, labelf故障频率 ({fault_freq}Hz)) plt.axvline(xresonance_freq, colororange, linestyle--, alpha0.7, labelf共振频率 ({resonance_freq}Hz)) plt.legend() plt.tight_layout() plt.show()图形解读与技巧谱估计方法的选择直接对信号做FFT得到的周期图方差大、噪声高。scipy.signal.welch方法采用平均周期图法将数据分段、加窗、求谱再平均能获得更平滑、更稳定的频谱估计是工程上的标准做法。参数nperseg和noverlapnperseg是每段的长度点数它决定了频率分辨率df fs / nperseg。nperseg越大分辨率越高但方差也越大。noverlap是段之间的重叠点数通常设为nperseg/2可以在不减少段数的情况下增加平均次数平滑频谱。这是一个需要权衡的参数。对于故障诊断我们通常更关心频率位置而非绝对的谱线精细度nperseg1024是一个不错的起点。对数坐标plt.semilogy将纵坐标功率设置为对数坐标。这是因为信号成分共振峰、故障频率边带的功率可能相差好几个数量级线性坐标下小成分会被淹没。对数坐标能同时清晰展示强成分和弱成分。关键频率标记使用plt.axvline在频谱图上用竖线标记出故障特征频率和共振频率是解读频谱的“导航标”。在生成的频谱图中你应该看到在100Hz (fault_freq)处可能有一个不太明显的小峰。这是因为周期性冲击的频谱在故障频率及其倍频处有谱线但能量可能不高。在3000Hz (resonance_freq)附近有一个非常突出的共振峰。这是故障诊断中更关键的标志因为冲击激发了系统共振大部分能量集中在这里。仔细观察共振峰周围有时能看到以故障频率为间隔的边带sidebands这是调制现象的表现是故障的又一强有力证据。在我们的仿真模型中由于冲击是等幅的边带可能不明显。更复杂的模型会引入幅值调制来模拟这一现象。4.4 进阶分析包络谱演示为了更清晰地提取故障特征频率在实际诊断中我们常对共振频带进行解调分析即包络分析。其步骤是带通滤波围绕共振频率→ 希尔伯特变换求包络 → 对包络信号做频谱分析。这个频谱就叫包络谱它能极大地增强故障频率成分。# 简单的包络分析演示 (以共振频率为中心进行带通滤波) bp_low resonance_freq - 500 # 带通下限 bp_high resonance_freq 500 # 带通上限 sos signal.butter(N4, Wn[bp_low, bp_high], btypebandpass, fsfs, outputsos) x_filtered signal.sosfilt(sos, x) # 滤波 # 希尔伯特变换求包络 analytic_signal signal.hilbert(x_filtered) amplitude_envelope np.abs(analytic_signal) # 包络线 # 计算包络信号的频谱 freq_env, psd_env signal.welch(amplitude_envelope, fs, nperseg1024, noverlap512, scalingdensity) # 绘制包络谱 plt.figure(figsize(12, 4)) plt.plot(freq_env, psd_env, b-, linewidth1) plt.xlabel(频率 [Hz]) plt.ylabel(功率谱密度) plt.title(包络谱 (重点关注低频段)) plt.grid(True, linestyle--, alpha0.5) plt.xlim([0, 500]) # 包络谱主要看低频部分聚焦故障频率及其倍频 # 标记故障频率及其倍频 for i in range(1, 6): plt.axvline(xi*fault_freq, colorr, linestyle:, alpha0.5, linewidth0.8) plt.text(i*fault_freq, plt.ylim()[1]*0.9, f{i}×, fontsize8, colorr, hacenter) plt.tight_layout() plt.show()在绘制的包络谱中将X轴范围限制在0-500Hz。你会清晰地看到在100Hz、200Hz、300Hz等处出现明显的谱峰它们分别对应故障特征频率的1倍频、2倍频、3倍频。这是诊断轴承局部故障最直接的频域证据。相比于直接观察原始频谱包络谱能有效抑制无关的低频转频成分和高频噪声将故障特征频率成分凸显出来。5. 常见问题与排查技巧实录在实际操作和代码调试过程中你一定会遇到各种问题。下面是我总结的一些典型问题及其解决方法。5.1 时域图看不到明显的周期性冲击可能原因1信噪比(snr_db)设置过低。排查检查生成的信号x计算其标准差。尝试将snr_db调高如20或30重新生成信号并绘图。解决在仿真学习阶段可以先用高信噪比观察理想波形再逐步降低信噪比以模拟更真实的恶劣环境。可能原因2衰减系数(decay_beta)过大。排查decay_beta过大导致单个冲击衰减过快能量集中在极短时间内在图形上可能表现为难以察觉的细刺。解决减小decay_beta如从500降到100让冲击振荡衰减过程更长在时域上更“宽”更容易被观察到。可能原因3显示时间范围太宽。排查你是否在绘制全时长如1秒的图形冲击间隔是0.01秒在1000个数据点中只占10个点在全局图中就像一粒沙子。解决使用plt.xlim([0, 0.1])或更小的范围进行局部放大这是必须掌握的看图技巧。5.2 频谱图中故障频率处没有峰值可能原因1故障频率能量太低被噪声和谐波淹没。现象这是正常且符合物理实际的。在早期故障或高噪声环境下故障特征频率的谱线往往很微弱。解决不要只盯着原始频谱这正是引入包络分析的原因。按照4.4节的步骤计算包络谱故障频率及其倍频通常会变得非常明显。可能原因2频率分辨率不足。排查检查signal.welch中的nperseg参数。频率分辨率df fs / nperseg。如果df大于故障频率的间隔谱线可能无法落在精确的频率点上导致能量泄露峰值不明显。解决适当增加nperseg如2048或4096但注意这会降低谱估计的平滑度。更好的方法是计算包络谱它对分辨率的要求相对较低。可能原因3冲击序列的生成存在误差。排查检查impulse_indices的生成。打印前几个冲击索引看它们是否均匀间隔fs / fault_freq个点。解决确保fault_freq能被fs整除或者使用更精确的插值方法生成冲击序列但这对演示影响通常不大。5.3 共振峰在频谱上不明显或位置不对可能原因1共振频率(resonance_freq)设置过高接近或超过奈奎斯特频率(fs/2)。排查确认resonance_freq fs / 2。例如fs10000Hzresonance_freq就不能超过5000Hz否则会发生混叠。解决降低resonance_freq或提高fs。可能原因2衰减系数(decay_beta)过大或过小。排查decay_beta影响共振峰的宽度和高度。beta过大共振响应持续时间短频域上共振峰宽而矮beta过小共振峰窄而高但在时域可能与其他冲击混叠。解决这是一个需要根据“感觉”调整的参数。通常beta在resonance_freq * 0.1到resonance_freq * 0.3之间尝试。例如resonance_freq3000beta可以尝试300到900。5.4 代码运行报错或图形异常ValueError: operands could not be broadcast together...排查检查时间轴t和信号x的长度是否一致。在卷积或滤波操作后数组长度可能发生变化。解决确保在绘图时plt.plot(t, x)中的t和x维度相同。对于modesame的卷积长度不变。对于滤波输入输出长度通常一致。图形显示空白或只有坐标轴排查检查绘图代码中plt.plot()的参数是否正确数据x是否全为0或NaN。解决在生成信号后打印print(x.min(), x.max(), x.mean())查看数据范围。确保plt.show()被正确调用在脚本中需要在Jupyter Notebook中可能自动显示。频谱图纵坐标值极小如1e-30排查检查信号x的幅值是否过小例如未经归一化。解决在生成信号时进行适当的归一化或检查signal.welch的scaling参数是否正确设置为density或spectrum。5.5 从仿真到实战的思维转换最后也是最关键的一点仿真和现实的差距。仿真信号是纯净、可控的而真实信号要复杂得多。真实信号的复杂性真实环境中存在大量的背景噪声、其他部件的振动干扰、转速波动、传递路径变化等故障特征可能非常微弱且被淹没。仿真参数如何对应现实仿真中的resonance_freq和decay_beta需要通过对健康设备或已知故障设备的信号进行“系统辨识”来大致估计。这不是一个精确值而是一个范围。下一步该学什么当你通过本项目掌握了故障信号的基本形态和时频分析方法后下一步应该学习处理真实数据学习如何从振动传感器如加速度计采集数据了解数据采集卡、采样定理在实际中的应用。信号预处理去趋势、降噪如小波降噪、滤波等技术的实际应用。特征提取的进阶方法除了频谱和包络谱还有小波变换、经验模态分解(EMD)、峭度、峰值因子等时域、频域、时频域特征。智能诊断算法如何利用机器学习如SVM、随机森林或深度学习CNN、LSTM对提取的特征进行自动分类和故障识别。这个仿真项目就像一副“训练轮”它让你安全地、清晰地理解了轴承故障诊断的基本原理和核心工具。当你摘下训练轮面对真实世界复杂多变的数据时这些扎实的基础知识和分析思路将是你解决问题最有力的武器。记住看懂波形和频谱是故障诊断工程师的“内功”永远不过时。本文还有配套的精品资源点击获取