机械故障诊断及工业工程故障诊断若干例子（第7篇）

Python环境下5种TE过程(Tennessee Eastman Process)故障诊断方法

算法程序运行环境为Python，使用5种方法对TE过程进行故障诊断，分别为：

[1]动态内在最小二乘法的TE过程故障诊断

[2]基于并发潜结构映射的TE过程故障诊断

[3]基于动态内在典型相关分析的TE过程故障诊断

[4]基于动态内在主成分分析的TE过程故障诊断

[5]基于潜在结构全投影的TE过程故障诊断

TE 过程(Tennessee Eastman Process)是一个实际化工过程的仿真模拟

用于TE过程故障诊断的归一化判别图嵌入方法

算法程序运行环境为MATLAB R2018a，执行TE过程故障诊断的归一化判别图嵌入方法，程序出图为不同嵌入维度的精度图，附带参考文献链接

所用数据如下

MATLAB环境下XJTU-SY数据集轴承故障诊断

XJTU-SY数据集包含了3种工况下的15个滚动轴承的全寿命周期振动信号，且明确标注了每个轴承的失效部位.。

试验平台由交流电动机、电动机转速控制器、转轴、支撑轴承、液压加载系统和测试轴承等组成，可以开展各类滚动轴承或滑动轴承在不同工况下的加速寿命试验，获取测试轴承的全寿命周期监测数据。试验平台可调节的工况主要包括径向力和转速，其中径向力由液压加载系统产生，作用于测试轴承的轴承座上，转速由交流电机的转速控制器来设置与调节。试验轴承为 LDK UER204 滚动轴承，其相关参数如下,试验共设计了 3 类工况，每类工况下有 5 个轴承。

2个单向加速度传感器分别通过磁座固定于测试轴承的水平和竖直方向上，试验中设置采样频率为 25.6 kHz，采样间隔为 1min，每次采样时长为1.28s。在每一次采样中，将获取的振动信号存放在一个 csv 文件内。其中，第一列为水平方向的振动信号，第二列为竖直方向的振动信号。各个 csv 文件按采样时间先后顺序命名，即 1.csv，2.csv，…，N.csv，其中 N 为采样总次数。每一个测试轴承的详细信息如下：

典型失效类型的轴承图片如下

从中可以看出，测试轴承的失效原因包括内圈磨损、保持架断裂、外圈磨损、外圈裂损等。在 3 种试验工况下各选取 1 个测试轴承样本，绘制其全寿命周期内水平、竖直方向振动信号，如下图

首先先分析轴承22，轴承22发生外圈故障时的故障特征频率为115.61Hz，先看下重度故障状态时所对应的包络谱

超完美的包络谱，无需进行其他分析，故障特征频率太明显了。看一下早期故障的包络谱

早期故障包络谱的故障特征频率相对幅值较低，下面看一下3层小波分解时，各子频带对应的包络谱

第3层尺度系数的包络谱故障特征频率较为明显。再看一下3层最大重叠小波包分解时，各子频带所对应的包络谱

也不说了，效果好的一批，小波分析太优美了

最后看一下改进最大相关峭度解卷积算法的效果，首先看下这篇文章

基于改进最大相关峭度反卷积的轴承故障诊断方法 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/534128282

滤波后的结果如下，好像也不错，综上，轴承外圈故障还是比较容易诊断的

内圈故障由于比较严重的调幅调频现象，比较难以诊断。分析轴承21，轴承21发生内圈故障时的故障特征频率为184.38Hz，先看下重度故障状态时所对应的包络谱

相比于外圈重度故障，轴承内圈重度故障特征频率幅值虽然较为突出，但远不及外圈重度故障。再看一下3层最大重叠小波包分解时，各子频带所对应的包络谱

某2个子频带的结果貌似还可以哦，最后看一下改进最大相关峭度解卷积算法的效果

效果还可以哦。看下轴承内圈早期故障，先看下包络谱

内圈早期故障特征频率被噪声淹没，幅值不突出，难以直接诊断。看一下3层小波分解时，子频带对应的包络谱

第3层尺度系数的包络谱故障特征频率出现，反而是4倍频较为明显。4层小波分解时，子频带对应的包络谱如下

第4层尺度系数的包络谱故障特征频率相对幅值较低，但故障特征频率的4倍频较为明显。最后看一下改进最大相关峭度解卷积算法的效果

效果不是很好，早期的诊断还得慢慢继续研究，对于小波分析的故障诊断，本文仅仅使用分解频谱细化的方法，还可以利用各种阈值（效果不一定会更好，有可能会损失更多故障信息），还可以对各子频带进行冲击信号增强（各种谱峭度方法，各种最大相关峭度解卷积等方法，太多了），还有就是工业中的内圈故障在早期也是较难判别，调幅调频现象比外圈更为严重。

以上项目的代码可面包多找到

面包多代码

https://mbd.pub/o/GeBENHAGEN

此外，知乎付费咨询:哥廷根数学学派

擅长现代信号处理(改进小波分析系列，改进变分模态分解，改进经验小波变换，改进辛几何模态分解等等)，改进机器学习，改进深度学习，机械故障诊断，改进时间序列分析(金融信号，心电信号，振动信号等)