CESIgram: 基于协同过滤相关谱的风电设备滚动轴承故障特征提取方法

《Machines》：CESIgram: A Fault Feature Extraction Method for Rolling Bearings in Wind Turbine Equipment Based on Collaborative Filtering Correlation Spectrum

　　

针对强背景噪声下风电机组滚动轴承微弱故障特征提取困难的问题，研究人员提出一种基于协同过滤相关谱的故障特征提取方法，命名为CESIgram。研究人员设计了基于块匹配三维（Block Matching 3D）的协同过滤相关谱（CFCS），以在保留循环平稳（cyclostationary）结构的同时抑制随机噪声，从而获得更清晰的循环谱表示。研究人员提出一种沿循环频率轴的投影方法，以获得基于载频的增强包络谱。研究人员提出一种结合谐波显著性和周期性冲击的综合包络谱指数，用于量化不同增强包络谱中的故障特征富集程度。该方法分三个阶段工作：通过快速谱相关（Fast-SC）进行谱表示，通过CFCS重构谱相关，以及通过CESI进行自适应频带选择。该方法在多种强噪声条件下的仿真和实验信号中成功提取了故障特征频率及其谐波，而Fast Kurtogram、Autogram、Infogram和Fast Entrogram均未能检测到任何与故障相关的峰值。对比分析表明，所提方法在噪声抑制和故障特征提取方面具有显著优势。利用风电设备滚动轴承故障的仿真和实验信号验证了其有效性。

**论文解读：基于协同过滤相关谱的风电设备滚动轴承故障特征提取方法CESIgram**

**研究背景与问题**
滚动轴承是风电机组传动链中的关键部件，其健康状态直接影响功率传输和系统安全。随着风电容量和机组功率的提升，轴承面临更恶劣的运行工况。齿轮箱和轴承故障占风电机组总停机时间的30%–40%，成为主要的可靠性问题。尽管在齿轮箱和轴承故障检测方面已取得显著进展，但风电机组滚动轴承的故障检测仍面临挑战。复杂的传动链和长信号路径导致早期微弱冲击响应严重衰减，而强背景噪声往往掩盖故障特征。此外，实际工程中还面临故障数据稀缺、工况变化等困难。这些因素使得可靠提取早期故障特征极为困难。

为从强背景噪声中提取轴承故障特征，研究人员开发了多种信号处理技术。传统的基于带通滤波和希尔伯特变换的包络解调被广泛采用。Fast Kurtogram通过峭度最大化自动识别最优频带，但峭度对偶发脉冲敏感，导致其在大幅值随机脉冲下失效。Autogram利用平方包络的无偏自相关定位最优频带。Infogram使用负熵捕获重复瞬态，对脉冲噪声具有更好的鲁棒性；Fast Entrogram进行自适应谱分割，并使用相关谱负熵筛选故障相关分量。然而，这些方法本质上仍基于峭度或相关指数作为评价准则，对脉冲噪声敏感，难以在强背景干扰下提取微弱故障特征。近年来，基于循环平稳理论的谱分析在滚动轴承故障诊断中受到关注。谱相关（SC）在二维频率-循环频率域描述载频和调制频率之间的耦合，比传统包络分析更全面地描述调制结构。Fast-SC基于短时傅里叶变换（STFT）提高了计算效率。然而，现有Fast-SC方法存在两个关键局限：第一，Fast-SC本质上是循环平稳特征提取工具而非滤波方法，当多循环平稳源和强随机噪声共存时，谱相关图包含大量非故障循环信息和斑点噪声，掩盖了故障相关循环结构；第二，增强包络谱通常直接在整个载频范围内构建，忽略了故障相关循环调制能量的非均匀分布，从而累积了无关频带的干扰分量，降低了故障特征的显著性。为此，本研究提出基于协同过滤相关谱的轴承故障特征提取方法CESIgram。

**研究内容与结论**
研究人员提出了一种基于协同过滤相关谱的轴承故障特征提取方法CESIgram，该框架采用三步渐进策略：首先利用Fast-SC构建完整的二维谱表示；其次，在Fast-SC谱相关估计框架基础上，通过引入三维块匹配协同过滤构建CFCS，抑制随机噪声并保留故障相关循环平稳结构；最后，提出CESI，通过融合谐波显著性和峰值主导性自动选择最优解调频带。通过仿真和实验验证，该方法在强噪声条件下成功提取了故障特征频率及其谐波，而Fast Kurtogram、Autogram、Infogram和Fast Entrogram均未能检测到任何故障相关峰值。对比分析表明，所提方法在噪声抑制和故障特征提取方面具有显著优势。论文发表在《Machines》。

**主要技术方法**
研究人员使用了以下主要关键技术方法：（1）快速谱相关（Fast-SC），基于STFT实现高效谱相关估计，获取二维谱表示；（2）协同过滤相关谱（CFCS），基于三维块匹配协同过滤，在二维循环谱中利用非局部相似结构冗余信息，抑制随机噪声并保留循环平稳结构；（3）谱趋势分析与自适应载频频带划分：通过沿循环频率轴的最大投影获取初始谱趋势，引入关键函数截断窗宽进行多尺度谱趋势分析，以谱趋势的局部极小值作为频带边界，实现自适应载频频带划分；（4）循环包络谱指数（CESI），结合谐波显著性（HP）和峰值主导性（PD）两个互补分量，定量评估增强包络谱中故障信息的丰富程度，通过CESI最大化自动选择最优分析频带。实验数据来源于无锡厚德HD-FD-H-03P滚动轴承故障模拟试验台，使用6205深沟球轴承，通过电火花加工在外圈和内圈引入裂纹故障，采样频率16384 Hz，电机转速50 Hz。

**研究结果**
**4. 仿真验证**：研究人员构建了包含周期性故障冲击、调制干扰、随机脉冲、窄带机械干扰和高斯白噪声的仿真信号，信噪比设为-14 dB。通过比较原始Fast-SC和CFCS，发现CFCS有效抑制了随机噪声，使故障相关循环结构更清晰。基于谱趋势分析的自适应频带划分和CESI评价，成功识别出最优频带，其增强包络谱中清晰提取了故障特征频率（f_c）及其2至5次谐波，而传统包络分析无法识别。

**5. 应用**：
**5.1 轴承外圈故障数据**：对外圈裂纹故障信号添加-13 dB高斯白噪声。原始信号包络谱仅能识别故障特征频率（约179 Hz）及其谐波，但噪声后难以识别。经CFCS处理，初始谱趋势显示故障冲击激发的共振带附近能量峰值。CESIgram自动选择最优频带，增强包络谱清晰提取了故障特征频率及其2至4次谐波。而Fast Kurtogram、Autogram、Infogram和Fast Entrogram均未检测到任何故障相关峰值。

**5.2 轴承内圈故障数据**：对内圈裂纹故障信号添加-11 dB高斯白噪声。原始信号包络谱中故障特征频率（约270 Hz）及其谐波不显著。经CESIgram处理，增强包络谱清晰提取了内圈故障特征频率及其2至3次谐波。对比方法均未成功识别任何故障特征频率。

**5.3 计算成本比较**：CESIgram对外圈和内圈故障信号的处理时间约为1.08–1.10秒，略长于Fast Kurtogram和Autogram，但远短于Fast Entrogram，在离线故障诊断应用中可接受。

**讨论与结论**
研究结论部分：为解决强噪声下风电机组滚动轴承早期微弱故障特征识别难题，本研究提出一种基于协同过滤相关谱的轴承故障特征提取方案，称为CESIgram，它逐步集成了谱表示、谱相关重构和自适应频带选择。为克服传统Fast-SC在强噪声环境下循环谱受斑点噪声污染的问题，引入基于三维块匹配的协同过滤策略构建CFCS，充分利用二维循环谱中相似结构的非局部冗余信息，有效抑制随机噪声并保留故障相关循环平稳结构，显著提高了循环谱的清晰度和可识别性。为解决滚动轴承故障循环调制能量沿载频方向非均匀分布的问题，提出基于谱趋势分析的自适应载频频带划分策略，通过最大投影沿循环频率轴生成初始谱趋势，并引入关键函数截断窗宽进行多尺度谱趋势分析，以谱趋势局部极小值自适应确定频带边界。为解决不同候选频带增强包络谱质量的定量评估问题，开发了CESI，该指数包含谐波显著性和峰值主导性两个互补分量，共同捕捉故障谐波结构的显著性和能量集中度，并通过CESI最大化自动选择最优积分频带。通过仿真研究和无锡厚德数据集的实验验证，并与Fast Kurtogram、Autogram、Infogram和Fast Entrogram等典型方法对比，结果表明，所提CESIgram方法在多种故障类型下清晰提取了故障特征，而对比方法在相同条件下无法做到，证实了该方法在噪声抑制和特征提取方面的显著优势。具体而言，在-13 dB信噪比的外圈故障和-11 dB信噪比的内圈故障下，该方法分别提取了高达4次和3次谐波，而对比方法未产生任何可识别的故障相关峰值。总体而言，CESIgram方法为强噪声下风电机组滚动轴承的早期微弱故障诊断提供了有效解决方案。未来研究将集中于使该方法适应变速工况，并在实际风电机组现场数据上验证其工程适用性。