用于轴承故障诊断的光谱分析技术，专为感应电机的预测性维护而设计

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Spectral Analysis for Bearing Fault Diagnosis Dedicated to Predictive Maintenance of Induction Machines

针对工业机械故障诊断中依赖振动信号且难以区分故障类型的局限性，本研究提出基于线-中性电压信号分析的新方法，通过改进的快速傅里叶变换提取外圈轴承故障特征频率，有效抑制轴偏心干扰，显著提升早期故障检测精度，并建立可靠的预测性维护体系。

　　

摘要

在工业机械中，准确的故障诊断需要强大的特征提取能力和对正常运行条件的全面理解。通常会采用先进的信号处理技术（如快速小波变换和经验模态分解）来实现早期故障检测。然而，这些方法往往缺乏对定义机器健康状态的基线数据的系统整合。此外，现有方法主要依赖于相互依赖的信号（如振动、电流和电压），而这些信号极易受到基于振动的故障特征的影响。这种依赖性限制了它们区分故障类型和捕捉机器运行复杂动态的能力，从而导致诊断结果不完整。本研究提出了一种新的方法，通过详细分析线对中性点电压信号来提高感应电机的故障检测能力，从而克服了上述限制。该方法引入了一种独特的故障频率指标，该指标是通过先进的快速傅里叶变换技术提取的，用于诊断外圈轴承故障。与传统基于振动的方法不同，所提出的方法减轻了轴偏心的影响，即使在复杂的运行条件下也能准确检测到初期故障。该方法的有效性通过数值模拟和实验研究得到了严格验证。结果表明，故障检测的准确性显著提高，为预测性维护奠定了可靠的基础。这一创新提供了关于机器健康状况的早期、可操作的见解，并代表了工业故障诊断中一种成本效益高且可靠的解决方案。