通过Log-Gabor滤波器和频率自适应CYCBD方法，从视频序列中提取滚动轴承的鲁棒故障特征

《Digital Signal Processing》：Robust Fault Feature Extraction for Rolling Bearings from Video Sequences via Log-Gabor and Frequency-Adaptive CYCBD

　　摘要
滚动轴承的故障诊断是确保旋转机械稳定运行的关键组成部分。尽管基于视觉的非接触方法提供了新的数据采集可能性，但由于严重的背景噪声和光照波动，从原始视频序列中提取微弱的故障特征仍然是一个重大的信号处理挑战。为了解决这个问题，本文提出了一种基于对数加波尔（Log-Gabor）驱动的相位运动估计和频率自适应循环平稳性盲反卷积（CYCBD）的鲁棒故障特征提取方法。首先，使用对数加波尔滤波器从视频流中提取相位特征，有效地减轻了光照变化和持续的高频光学干扰。然后，将提取的二维相位信息转换为了一维振动信号。随后，引入频率自适应的CYCBD算法来处理转换后的信号。在此基础上，提出了一种采用多带融合的快速谱相关方法来优化周期频率估计，显著提高了反卷积对复杂环境噪声的鲁棒性。实验结果表明，所提出的信号处理流程能够在严重光照和噪声干扰下准确地分离出滚动轴承的故障特征。本研究为复杂工业环境中的故障特征提取提供了一种有效且鲁棒的跨域信号处理范式。

引言
作为旋转机械的核心部件，滚动轴承的健康状况直接影响设备的安全性和效率。因此，准确识别和诊断滚动轴承故障具有重要的工程意义[1]。目前，主流的诊断方法主要依赖于分析机械设备运行过程中产生的振动信号，并通过从这些信号中提取特征频率来识别故障类型[2]。关于振动信号采集，根据传感器安装方法和测量原理，可以大致将方法分为接触式和非接触式测量[3]。接触式测量通常需要将振动传感器直接安装在设备表面。然而，在高温高压环境、大型复杂结构或轻质结构等特殊场景中，接触式安装往往受到限制，甚至可能引入额外的质量效应，从而阻碍准确振动信息的采集[4]。随着计算机视觉技术的快速发展，由于其高精度、易于安装以及能够进行全场测量的能力，非接触式测量已成为研究热点[5,6]。在各种视觉测量方法中，基于光流的振动测量技术应用最为广泛。光流技术通过分析连续的图像帧来估计像素级别甚至亚像素级别的运动，主要分为基于强度和基于相位的方法。基于强度的光流方法直接建立了局部灰度强度变化与位移之间的线性映射关系。代表性的方法包括Horn–Schunck（HS）[7]和Lucas–Kanade（LK）[8]。对于基于强度的光流方法，Yang等人[9]将HS光流与运动强度平均相结合，成功提取了三层建筑和悬臂梁的模态形状。Shan等人[10]利用振动位移与光强度变化之间的线性关系开发了一种抗噪的基于强度的光流方法，显著提高了计算效率。然而，基于强度的光流方法易受光照变化和环境噪声的影响，容易导致振动信息识别错误以及后续的诊断失败。相比之下，基于 fase 的光流方法依赖于傅里叶平移定理，该定理指出信号的空间平移在频域中严格对应于线性相位漂移而不是幅度变化[11,12]。这一特性将结构位移与局部信号能量分离，使其更适用于估计微小运动，并对亚像素位移具有更高的敏感性。对于基于 phase 的光流，Chen等人[13]将其与运动放大技术相结合以可视化结构振动模式；Miao等人[14]量化了非线性指标以满足线性相位特性的要求；Wang等人[15]引入了光照不变的对数加波尔滤波器来替代传统的加波尔滤波器，有效抑制了光照变化和纹理伪影；Zhang等人[16]采用数据驱动的方法优化了对数加波尔滤波器参数；Ai等人[17]通过使用具有无频域混叠特性的复杂可逆金字塔来测量目标大小与图像大小之间的关系，实现了自适应尺度选择；Ding等人[18]研究了在恒定和变化转速下旋转体的视觉振动测量；最近，Zhang等人[19]将改进的基于 phase 的运动估计与优化的IMCKD相结合用于滚动轴承故障诊断。这些研究表明基于视觉的振动测量在旋转机械监测中的潜力，但在光照变化和强噪声下从视频序列中鲁棒地提取微弱轴承故障特征仍然具有挑战性。总之，尽管基于 phase 的运动估计在多个领域表现出优越性，但在滚动轴承振动信号提取中的应用研究仍然相对较少。

滚动轴承的振动信号包含丰富的设备状态信息，但复杂的传输路径和环境噪声显著增加了信号分析的难度。在这些挑战中，从背景噪声中分离由故障引起的周期性脉冲对于实现精确诊断至关重要[20]。盲反卷积作为旋转机械故障诊断的主流信号处理技术，旨在通过设计逆滤波器来恢复复杂振动信号中的故障影响成分[21]。Wiggins等人[22]率先提出了最小熵反卷积（MED）算法，该算法最大限度地提高了清晰度，并已成功应用于齿轮和轴承的诊断。然而，这种方法倾向于放大孤立脉冲，对周期性故障影响不敏感。为了解决这一限制，随后开发了最大相关性峰度反卷积（MCKD）[23]和基于循环平稳性最大化的盲反卷积（CYCBD）[24]——以及它们的改进版本，如IMCKD[25]和ACYCBD[26]。这些方法有效地考虑了故障脉冲的周期性特征，但其性能仍然高度依赖于先前的循环频率估计的准确性。尽管IMCKD和ACYCBD尝试使用自相关或包络谱谐波积等方法自适应估计故障周期，但这些估计方法在高噪声环境中仍容易失败。这种失败会导致算法收敛到虚假的循环频率，从而无法提取正确的故障特征。为了解决精确循环频率估计的挑战，现有研究提出了几种优化策略：Liu等人[27]采用了量子遗传算法，将循环频率作为优化变量；Wang等人[28]提出了一种基于形态学包络的自相关函数的估计方法；Zou等人[29]通过引入多策略改进的粒子群优化算法实现了MCKD的参数适应；Zhang等人[30]通过使用特征能量比作为目标函数实现了参数适应；Huo等人[31]通过特征向量筛选改进了循环平稳性盲反卷积，用于旋转机械状态监测；Dong等人[32]提出了一种基于改进的CYCBD的自适应盲反卷积分解方法，用于复合轴承故障诊断，进一步表明在强噪声下，鲁棒的循环频率估计和反卷积参数选择对于提取微弱故障特征仍然至关重要。深度学习方法也广泛应用于滚动轴承故障诊断领域[33],[34],[35],[36]。然而，这些方法也有局限性：基于自相关和谐波求和的方法在强干扰下缺乏鲁棒性，而基于智能算法的优化过程计算成本高且容易陷入局部最优。深度学习方法通常依赖于大量的标记数据，其性能容易受到轴承类型、运行条件、噪声水平和采集条件变化的影响。因此，当应用场景发生变化时，通常需要重新训练或模型适配，这限制了它们的通用性。总之，当前研究仍面临两个主要挑战。首先，基于 phase 的视频运动估计在滚动轴承故障诊断中的应用仍然有限。由于轴承的表面纹理相对均匀以及工业环境中的复杂光照条件，难以从轴承视频中可靠地提取与振动相关的微弱相位变化。其次，尽管盲反卷积方法已被广泛用于增强轴承故障特征，但其性能强烈依赖于精确的循环频率估计，当从视频中提取的振动信号受到严重背景噪声和视觉干扰污染时，这种估计变得不可靠。为了解决这些挑战，本文提出了一种基于对数加波尔驱动的相位运动估计和多带融合快速谱相关的频率自适应CYCBD诊断框架。主要创新总结如下：
(1)引入了基于对数加波尔的PME用于基于视频的滚动轴承振动提取，使得在光照变化和视觉噪声下能够更鲁棒地获取相位信息。
(2)开发了一种多带融合快速谱相关策略用于循环频率估计。通过整合来自多个对故障敏感频率带的频谱相干信息，所提出的MB-FSC减少了单个带中随机干扰的影响，为CYCBD提供了更可靠的循环频率先验。
(3)通过将对数加波尔驱动的视频振动提取与MB-FSC引导的频率自适应CYCBD相结合，建立了一个集成的非接触式诊断框架，能够在复杂环境干扰下鲁棒地增强轴承视频序列中的微弱周期性故障脉冲。

本文的结构如下：第2节详细介绍了基于对数加波尔的PME原理和频率自适应CYCBD算法框架；第3节通过实验验证了所提方法的有效性；第4节讨论了该方法在实际工业应用中的局限性；第5节总结了全文。

部分摘录
基于加波尔的PME方法
基于加波尔的PME方法建立在傅里叶平移定理的基础上，该定理指出信号的空间平移在频域中表现为线性相位偏移[11,12]。加波尔小波是一种由高斯包络调制过的正弦函数，具有有限的空间支持域，适用于局部运动估计[14]。在基于加波尔的PME中，图像序列通过加波尔小波映射到复数域。二维加波尔小波可以表示为...

实验设置
为了验证基于对数加波尔滤波器的PME方法在复杂工业环境中的有效性，构建了一个实验平台，如图3所示。实验在稳定的设备运行条件下进行，使用高速工业相机捕获视频数据，同时记录来自激光位移传感器的位移信号作为参考真值。调整光源以确保最佳成像质量。

讨论与局限性
本文提出的框架提供了一种在复杂视觉干扰条件下进行滚动轴承故障诊断的非接触式策略。与接触式传感器相比，基于视频的测量方法不需要在测试结构上物理安装，适用于传感器安装困难或可能影响结构动态响应的场景。基于相位的视觉振动测量的亚像素测量精度也支持...

结论
本文提出了一种滚动轴承故障诊断方法，解决了复杂工业环境中非接触式检测的挑战。该方法将对数加波尔驱动的PME与多带融合快速谱相关（MB-FSC）相结合，以指导频率自适应CYCBD。该方法利用对光照变化不敏感的对数加波尔滤波器从视频片段中提取振动信号，然后利用MB-FSC精确估计周期频率，从而指导...

CRediT作者贡献声明
Kailun Zhang：撰写——原始稿件；可视化；方法论；概念化；验证。
Zhihai Wang：数据管理；调查；方法论；项目管理；资源；监督；验证；写作——审阅和编辑；资金筹集。
Sen Wang：数据管理；资源。
Xiaoqin Liu：监督。
Tao Liu：监督。