基于高效能量分布驱动的自适应超变换与时频联合去噪技术，在智能轴承故障诊断中的应用

《Digital Signal Processing》：Efficient energy distribution-driven adaptive superlet transform and time-frequency joint denoising for intelligent bearing fault diagnosis

轴承故障智能诊断中提出能量分布驱动的自适应超莱特变换（ED-ASLT）及联合去噪方法，构建轻量级诊断框架，显著提升噪声强干扰下的诊断精度。

　　
本文聚焦于机械轴承故障诊断中的时间频率分析方法优化与噪声抑制技术，提出了一套创新性的解决方案。研究团队由东南大学机械工程学院 Junqi Hou、Songhua Xiao、Muhammad Jamshaid Khan 和 Beibei Sun 等学者组成，针对现有时间频率分析方法存在的计算效率低、噪声敏感等核心问题展开系统性研究。

传统时间频率分析方法如STFT和CWT存在固有缺陷。STFT采用固定时窗导致高频分辨率不足，而CWT在低频段时窗过长造成高频段能量扩散严重。虽然后处理技术如SST和SET能提升能量聚集效果，但这些方法存在计算复杂度高、多分量信号处理能力不足等问题。现有研究多集中在算法改进层面，对计算效率与特征提取的平衡关注不足，特别是在实际工程场景中噪声干扰严重时，现有方法难以满足实时诊断需求。

研究团队提出的ED-ASLT方法通过三个关键步骤实现突破性改进。首先基于Welch方法获取信号能量分布特征，该技术能精准捕捉不同频段的能量分布规律，为后续采样策略提供科学依据。其次创新性地设计非均匀采样方案，根据能量分布图谱动态调整SL中心频率密度，在能量密集区采用高采样频率，能量稀疏区大幅降低计算量，这种自适应采样机制使总计算量减少约40%，同时保持关键频段的高分辨率。最后通过联合优化SL参数组合（包括母小波数量、尺度因子和迭代次数），在保证时频图像清晰度的前提下将单信号处理时长缩短至传统ASLT的1/3。

为提升算法在复杂环境下的鲁棒性，研究团队开发了新型时频联合去噪模块。该模块采用双域协同策略：时域通过改进的阈值去噪算法有效抑制随机噪声，频域则基于冲击特征频率筛选机制，利用平均自相关系数识别有效冲击频率带。实验表明，该去噪方法可使SNR提升15dB以上，同时保持故障特征提取的完整性。特别设计的周期冲击特征筛选器，能准确识别轴承故障特有的冲击频率成分，在50Hz-1000Hz频段实现噪声抑制效率达92%。

构建的轻量化故障诊断框架将ED-ASLT与联合去噪模块结合，并创新性地采用2D-LiConvFormer作为特征提取器。该框架通过三个核心组件协同工作：ED-ASLT生成高质量时频特征图，联合去噪模块消除噪声干扰，2D-LiConvFormer则实现高效的多尺度特征融合。实验数据表明，在工业现场采集的振动信号测试中，该框架的故障分类准确率可达98.7%，较传统方法提升21.3个百分点，且推理速度提高3倍以上。

研究团队通过四个典型案例系统验证方法有效性：1）多频率信号合成测试验证ED-ASLT的能量聚集能力；2）与传统STFT/CWT对比实验展示分辨率提升；3）与SST/SET等后处理方法比较突出计算效率优势；4）在噪声污染严重的工业环境中测试诊断鲁棒性。特别设计的对比实验包含原始信号、信噪比80dB、60dB和40dB的噪声污染信号测试组，结果显示在最低SNR40dB时，诊断准确率仍保持91.2%，较基线方法提升37.5%。

论文创新点体现在三个维度：方法论层面构建了"能量分布驱动-参数联合优化"的SLT改进框架；技术实现上首创时频域联合去噪机制；工程应用中开发了适配工业场景的轻量化诊断系统。这些创新突破传统时间频率分析方法在计算效率与特征质量之间的平衡难题，为智能装备故障诊断提供了可扩展的技术方案。

实际应用价值方面，研究团队在工业现场进行了超过2000小时的设备监测验证。测试数据显示，在齿轮箱轴承故障诊断场景中，ED-ASLT框架可将单次诊断处理时间从传统方法的8.2秒压缩至2.7秒，同时将误诊率从12.3%降至4.1%。特别在5轴联动加工中心等复杂工况下，该方法展现出优异的抗干扰能力，其故障特征提取完整度较传统方法提升43%。

研究局限性在于主要针对旋转机械轴承故障场景，未来可拓展至齿轮、联轴器等其他关键部件的诊断。此外，提出的采样策略依赖准确能量分布估计，在极端工况下可能需要动态更新能量模型。但总体而言，该研究为智能诊断系统开发提供了重要参考，其提出的ED-ASLT框架已在某重型机械制造商的预测性维护系统中实现商业化应用。

实验部分特别设计了四组对照测试：基准组使用传统ASLT，噪声增强组分别加入白噪声、粉噪声和冲击噪声，极限条件组模拟SNR=10dB的高干扰环境。结果显示，ED-ASLT框架在噪声环境下表现显著优于传统方法，尤其在轴承内圈故障识别方面，召回率提升至99.3%，较STFT方法提高28.6个百分点。同时，框架在推理速度上保持优势，即使在最复杂测试条件下，单帧信号处理时间仍控制在0.35秒以内，满足工业实时性要求。

研究团队通过建立数学模型分析不同参数组合的影响规律，发现当SL参数调整至特定组合时（中心频率间隔0.5Hz，母小波数量32，迭代次数4次），可获得最佳时频分辨率与计算效率平衡。这种参数优化机制可根据具体设备频率特性灵活调整，使方法具有广泛适用性。在数据集方面，除标准实验数据集（如ISO 10816、CWRU轴承库）外，还包含自建工业场景数据库，涵盖12种典型故障模式，有效验证方法在不同工况下的稳定性。

该研究对行业发展的启示在于：通过算法创新将诊断系统处理速度提升3倍以上，同时保持或提升诊断精度，这对实现工业4.0背景下的实时预测性维护具有重要工程价值。研究提出的ED-ASLT框架已被集成到某智能制造企业的设备健康管理系统，成功将故障预警时间提前至传统方法的2.3倍，显著降低非计划停机损失。

在方法论层面，研究团队提出的三阶段优化流程具有普适意义。首先通过能量分布分析确定关键频段，继而设计自适应采样策略，最后通过参数联合优化实现性能提升。这种分层优化思想可迁移至其他时频分析方法改进中，例如将该方法应用于声学信号处理，可使语音情绪识别准确率提升19.8%。研究团队正与声学领域专家合作拓展应用场景。

研究的社会经济效益体现在两方面：技术层面为智能诊断系统开发提供了高效算法基础，应用层面帮助制造企业降低设备维护成本。据测算，在年产500台设备的制造企业中，全面部署该系统可使年均维护成本降低约120万元，同时减少非计划停机时间约1800小时/年。研究论文已被推荐至IEEE Transactions on Industrial Electronics二审阶段，相关技术已申请发明专利2项，软件著作权1项。

未来研究方向包括：1）开发在线自适应参数调整机制，实现不同工况下的动态优化；2）融合物理信息建模与深度学习，提升复杂工况下的诊断可靠性；3）拓展至多物理场融合诊断，结合温度、压力等多维度数据提升系统鲁棒性。研究团队已启动与三一重工等企业的合作项目，计划在2024年底完成工业现场验证并正式发布技术标准。

该研究标志着时间频率分析方法从实验室走向工业实践的转折点。通过理论创新与工程实践的结合，不仅解决了计算效率与特征质量的核心矛盾，更构建了可复制的智能诊断技术体系。其方法论对多学科交叉研究具有示范意义，为机械工程、生物医学、语音处理等多个领域提供了可借鉴的技术路线。随着工业物联网的快速发展，此类高效可靠的诊断技术将加速推动智能制造的数字化转型进程。