《Measurement and Control》：Vibration-based multi-state rolling bearing fault diagnosis for a vertical cattle-manure briquetting machine using multi-domain feature fusion and SVM-RBF
编辑推荐：
为解决立式牛粪压块机在实际压块载荷和强背景噪声下低速运转时滚动轴承的多类故障识别问题，提出了一种基于自适应噪声完全集合经验模态分解–小波阈值去噪–蜣螂优化器（CEEMDAN-WTD-DBO）、多域特征融合以及径向基核函数支持向量机（SVM-RBF）的故障诊断方
为解决立式牛粪压块机在实际压块载荷和强背景噪声下低速运转时滚动轴承的多类故障识别问题，提出了一种基于自适应噪声完全集合经验模态分解–小波阈值去噪–蜣螂优化器（CEEMDAN-WTD-DBO）、多域特征融合以及径向基核函数支持向量机（SVM-RBF）的故障诊断方法。首先对振动信号进行分解，随后进行敏感固有模态函数（IMF）筛选与去噪。进而提取45维CSvDE特征，并与10维时域、10维频域及10维包络谱特征融合，构建75维Fusion75特征集。随后采用F-score准则筛选出前40个特征，输入SVM-RBF分类器以识别五种轴承状态。利用30220型滚动轴承实测数据进行了实验验证。在包含350个样本的g01数据集上进行模型选择交叉验证时，所选配置的准确率（Accuracy）达到94.86%，宏平均F1分数（Macro-F1）为94.96%。在完全留出的g02/g03外部批次共700个样本上，准确率与宏平均F1分数分别达到95.86%与95.80%。独立外部验证结果表明，所提方法能够有效表征轴承故障特征，并具有良好的跨批次泛化能力。
一、研究背景与问题
牛粪燃料压块机是将畜禽养殖废弃物转化为固体燃料的关键装备，其传动系统持续承受压缩载荷、交替冲击以及物料波动引起的动态载荷。滚动轴承作为传动系统中支承旋转部件并传递运动的关键元件，直接影响设备连续作业能力。由于粉尘、高湿、实际压块载荷下低速运转以及频繁载荷扰动等恶劣工况，轴承在长期运行中易出现点蚀、压痕、滚动体剥落及复合损伤。在故障初期，不同损伤模式产生的振动响应较弱，容易被机器结构振动、物料压缩冲击及随机背景噪声所掩盖，导致不同故障状态间的特征重叠明显。因此，从复杂振动信号中提取高判别性的状态表征并准确识别不同轴承故障类型，对提升此类生物质成型装备的状态监测能力具有重要意义。
现有研究通常采用时域、频域、时频域及非线性动力学特征进行轴承故障诊断，但单一域特征通常仅能描述故障引起信号变化的某一方面。在工况波动显著或不同故障产生相似振动响应时，有限的统计指标往往难以在不同故障类别间建立稳定的决策边界。多尺度熵与多域特征融合方法虽可提升复杂故障状态的表征能力，但特征维度的增加不可避免地引入冗余和弱相关信息，直接输入分类模型不仅增加计算成本，还可能干扰决策边界。此外，现有研究多聚焦于信号去噪方法或分类模型本身，对生物质成型装备在低速实际载荷工况下故障敏感分量增强、多尺度复杂度表征、多域特征选择与分类模型的协同设计关注相对有限。
二、研究内容与结论
针对上述问题，本研究开发了一套基于振动信号的立式牛粪压块机30220型滚动轴承多状态故障诊断框架。该框架的贡献不在于CEEMDAN、特征融合或SVM的孤立使用，而在于针对含噪、小样本轴承数据的协同设计。首先，通过CEEMDAN-WTD-DBO对故障敏感IMF进行选择性增强，而非对所有分解分量统一去噪，从而在抑制无关分量的同时保留微弱冲击信息。其次，从增强后的敏感IMF中提取多尺度CSvDE特征，并与时域、频域及包络谱特征融合形成Fusion75表征，实现非线性复杂度与传统振动特性的集成。随后采用F-score排序去除冗余和弱判别信息，再输入SVM-RBF分类器。第三，验证流程将模型开发证据与跨批次泛化证据分离：g01上的时间块交叉验证用于模型选择，独立的g02/g03批次保留用于外部验证。
实验采用30220型滚动轴承实测数据，涵盖五种轴承状态。在包含350个样本的g01数据集上，模型选择交叉验证获得94.86%的准确率和94.96%的宏平均F1分数；在完全留出的g02/g03外部批次共700个样本上，准确率和宏平均F1分数分别达到95.86%和95.80%。独立外部验证结果表明，该方法能有效表征轴承故障特征并具有良好的跨批次泛化能力，验证了所提框架在低速、强噪声、实际压块载荷工况下多状态轴承故障诊断中的有效性。
三、关键技术方法
研究人员采用以下主要技术方法开展研究：
（1）CEEMDAN-WTD-DBO信号预处理：采用自适应噪声完全集合经验模态分解（CEEMDAN）将原始振动信号分解为一系列固有模态函数（IMF）及残差分量，设置噪声相对幅值Nstd=0.20、集合次数NE=30、最大IMF数为8、最大筛选迭代次数为100。基于峭度、相关系数、故障频带能量比和峰值突出度构建综合敏感度指标Si，选取前三个敏感IMF。随后采用db4小波基进行四层小波分解，以通用阈值确定基础阈值，通过改进的小波阈值函数在软硬阈值间取得平衡，并利用蜣螂优化器（DBO）对阈值函数中的可调参数α和β进行自适应优化，种群规模为10，最大迭代次数为12，优化变量上下界为0.10至3.00。
（2）多域特征融合：从去噪后的敏感IMF中提取45维归一化CSvDE多尺度复杂度特征，从去均值原始窗口中提取10维时域特征（包括均值绝对值、标准差、均方根、峰值、峰峰值、偏度、峭度、波形因子、脉冲因子和裕度因子），从单边频谱中提取10维频域特征（包括平均频率、均方根频率、频率标准差、谱熵、主峰频率、主峰幅值比及四个频带能量比），从0–200 Hz包络谱中提取10维包络谱特征（包括包络谱峰频率、峰幅值比、包络谱熵、平均频率、均方根频率及五个固定频带能量比），共构建75维Fusion75特征集。
（3）F-score特征选择与SVM-RBF分类：采用F-score准则从75维特征中筛选出前40个判别能力最强的特征，输入径向基核函数支持向量机（SVM-RBF）分类器识别五种轴承状态。
四、研究结果
信号预处理结果：CEEMDAN将原始振动信号自适应分解为多个IMF分量，通过综合敏感度指标筛选出前三个故障敏感IMF。改进的小波阈值函数结合DBO参数优化，在抑制背景噪声的同时保留了故障诱发的微弱冲击信息，为后续特征提取提供了质量更高的信号分量。
多域特征融合结果：将45维CSvDE特征与10维时域、10维频域及10维包络谱特征融合，构建了75维Fusion75特征集。该特征集综合了信号的非线性复杂度、振动幅度与能量水平、频谱能量分布以及包络调制信息，从多个互补角度刻画了不同轴承故障状态的特征差异。
特征选择与分类结果：采用F-score准则从75维特征中筛选出前40个特征，有效去除了冗余和弱判别信息。在g01数据集（350个样本）上进行模型选择交叉验证，所选配置获得94.86%的准确率和94.96%的宏平均F1分数。在完全留出的g02/g03外部批次（700个样本）上，准确率和宏平均F1分数分别达到95.86%和95.80%，验证了所提方法具有良好的跨批次泛化能力。
五、讨论与结论
讨论部分指出，所提框架的优势在于将故障敏感信号增强、互补多域表征、特征冗余消减和独立跨批次验证纳入同一实际轴承诊断任务中进行协同设计。通过选择性增强故障敏感IMF而非统一去噪，保留了微弱冲击信息；通过多域特征融合实现了非线性复杂度与传统振动特性的互补集成；通过F-score特征选择降低了冗余信息对决策边界的干扰；通过分离模型开发证据与跨批次泛化证据，为方法有效性提供了更严格的验证。
研究结论表明，所提出的基于CEEMDAN-WTD-DBO预处理、多域特征融合和SVM-RBF的故障诊断方法，能够有效表征立式牛粪压块机滚动轴承在低速、实际压块载荷和强背景噪声工况下的多状态故障特征。在g01数据集上获得94.86%的准确率和94.96%的宏平均F1分数，在完全独立的g02/g03外部批次上获得95.86%的准确率和95.80%的宏平均F1分数。独立外部验证结果证实该方法具有良好的跨批次泛化能力，可为同类生物质成型装备的滚动轴承状态监测与故障诊断提供有效技术支撑。
