1. 项目背景与核心价值

三相交流电机作为工业领域的核心动力设备，其轴承状态直接影响生产线的运行稳定性。传统振动分析方法在复杂工况下存在特征提取不充分、故障识别率低的问题。本项目针对这一痛点，提出了一套融合EEMD（集合经验模态分解）、IMF（本征模态函数）包络分析和PSD（功率谱密度）的复合特征工程方案，结合深度学习网络实现轴承故障的精准诊断。

这套方法的价值在于：

• 通过EEMD分解有效解决了非平稳振动信号的时频分析难题
• 利用IMF包络PSD特征构建方法，显著提升了故障特征的区分度
• 采用端到端的网络训练策略，实现了从原始振动信号到故障分类的自动化流程
• 在实测数据中取得了98.7%的故障识别准确率，比传统方法提升约15%

2. 技术方案整体架构

2.1 信号处理流程设计

整个技术路线包含四个关键阶段：

1. 信号预处理 ：对原始振动信号进行去噪和归一化
2. EEMD分解 ：通过噪声辅助分析获取IMF分量
3. 特征提取 ：计算IMF包络谱的PSD特征
4. 模型训练 ：构建并优化深度学习分类网络

关键设计选择：采用EEMD而非传统EMD，是为了解决模态混叠问题。通过添加白噪声的多次分解平均，能获得更稳定的IMF分量。

2.2 核心算法选型对比

方法	优势	适用场景	本项目选择原因
EMD	计算量小	平稳信号	存在模态混叠
EEMD	抗模态混叠	非平稳信号	适合电机振动特性
VMD	频带分离好	强噪声环境	参数敏感
WT	时频定位准	瞬态分析	基波选择困难

3. 关键实现步骤详解

3.1 EEMD分解实施

具体操作流程：

1. 设置白噪声幅值（通常为信号标准差0.1-0.3倍）
2. 确定集成次数（建议50-100次）
3. 执行EMD分解获得各次IMF
4. 对IMF集合进行均值计算

# PyEMD库实现示例
from PyEMD import EEMD
eemd = EEMD(noise_width=0.2, trials=50)
IMFs = eemd.eemd(signal)

参数设置经验 ：

• 噪声幅值过大会淹没真实信号特征
• 集成次数不足会导致残余噪声影响
• 建议通过信噪比(SNR)评估分解质量

3.2 IMF包络PSD特征构建

1. 对每个IMF进行Hilbert变换得到包络信号
2. 计算包络信号的功率谱密度
3. 提取特征频带能量占比

% MATLAB包络分析示例
[env, f] = envelope(imf);
[pxx, freq] = pwelch(env,[],[],[],fs);
feature = bandpower(pxx, freq, [1000 3000], 'psd');

特征选择技巧 ：

• 重点关注3-5kHz频段（轴承故障特征频带）
• 计算各IMF能量熵作为辅助特征
• 保留前6个IMF通常已包含主要故障信息

3.3 深度学习网络设计

采用1D CNN-LSTM混合架构：

• CNN层：3层，kernel_size=5, filters=64
• LSTM层：2层，units=128
• 输出层：Softmax分类

model = Sequential()
model.add(Conv1D(64, 5, activation='relu', input_shape=(None, 1)))
model.add(MaxPooling1D(2))
model.add(LSTM(128, return_sequences=True))
model.add(Flatten())
model.add(Dense(num_classes, activation='softmax'))

网络优化要点 ：

• 使用Adam优化器配合余弦退火学习率
• 添加BatchNormalization提升训练稳定性
• 采用Focal Loss解决类别不平衡问题

4. 工程实践与问题排查

4.1 数据采集注意事项

• 采样频率应至少为轴承故障特征频率的5倍
• 建议使用三轴加速度传感器同步采集
• 每个样本长度建议0.5-1秒（约5000-10000点）

典型数据问题 ：

1. 信号饱和：检查传感器量程设置
2. 基线漂移：检查安装松动或接地问题
3. 周期性干扰：排查周边设备振动耦合

4.2 特征提取常见异常

现象	可能原因	解决方案
IMF分量异常	噪声幅值不当	调整noise_width参数
包络谱模糊	信号信噪比低	增加EEMD集成次数
PSD峰值偏移	转速波动	采用阶比分析替代

4.3 模型训练技巧

• 数据增强方法：
  • 添加高斯噪声（SNR>20dB）
  • 随机时间偏移（<5%长度）
  • 幅度缩放（±10%范围）
• 早停策略建议：
  • 监控验证集loss
  • patience设为10-15epoch
  • 恢复最佳权重

5. 实际应用效果验证

在某汽车电机生产线实测结果：

• 数据集：620组样本（4类故障+正常）
• 设备：ABB 7.5kW三相异步电机
• 对比方法：

方法	准确率	F1-score
传统FFT	83.2%	0.801
EMD-SVM	87.6%	0.853
本方法	98.7%	0.983

部署建议 ：

1. 边缘计算方案：NVIDIA Jetson TX2
2. 实时性要求：单次分析<50ms
3. 模型更新周期：建议每月重新训练

这套方法在多个工业现场验证中表现出色，特别是对早期微弱故障的检测灵敏度显著优于传统方法。在实际部署时，建议重点关注振动传感器的安装位置和采样同步性，这对最终效果影响很大。