企业官网建设流程全解析

做设备状态监测的人都明白一个道理：滚动轴承是旋转机械里最脆弱也最关键的一环。我接手这个课题的时候，正赶上现场一台压缩机无故振动超标，拆解后发现外圈已经出现严重的剥落坑。问题在于，从振动信号出现异常到轴承彻底失效，中间是有足够预警窗口的，如果能在早期从信号里识别出故障特征，完全可以把非计划停机变成计划内检修。这个想法驱动我完整走了一遍“基于MATLAB的滚动轴承故障诊断”的流程，从数据采集、信号预处理、特征提取到故障识别模型，每一步都踩了不少坑。这篇博客把这些经验和代码细节整理出来，给准备入行设备故障诊断、或者正在用MATLAB做振动分析的朋友一个参考。

1. 整体设计思路与MATLAB的选型逻辑

1.1 轴承故障诊断的本质是什么

滚动轴承故障诊断的核心任务，是从振动信号中识别出轴承的健康状态。轴承在运转时，滚动体与内外圈滚道接触，任何局部损伤（如点蚀、剥落、裂纹）都会在接触点产生周期性冲击，这种冲击会激励轴承座和传感器产生共振响应，表现为振动信号中的周期性脉冲成分。诊断的本质就是从淹没在大量噪声和背景振动中的信号里，找到这些周期脉冲，并判断它们对应的是外圈、内圈、滚动体还是保持架的故障。

这个问题的难点在于三点：第一，轴承故障信号通常很微弱，尤其是在早期阶段，特征成分的幅值可能只有正常振动水平的百分之几；第二，实际运行环境复杂，齿轮啮合、轴系不对中、不平衡等干扰都会掩盖轴承特征；第三，不同工况下（转速、负载变化）信号特征会发生偏移，模型泛化困难。理解了这些难点，后面每一步做法的逻辑就清晰了——预处理是为了提高信噪比，特征提取是为了量化故障特征，模式识别是为了自动分类。

1.2 为什么选择MATLAB而不是Python

很多初学者会纠结用MATLAB还是Python。我的项目经历给出的答案是：在信号处理链条上，MATLAB的效率比Python高太多。这不单是个人习惯的问题，而是MATLAB的信号处理工具箱和故障诊断相关函数已经非常成熟，很多标准流程只需要几行代码，比如带通滤波器的设计、包络谱分析、小波时频图绘制，都有现成的、经过大量验证的函数可以直接调用。Python当然也能做，但需要自己拼装scipy、numpy、pywt等库，在项目初期调试阶段效率差距非常明显。

MATLAB还有两个很实际的优势：一个是App Designer和工具箱的交互式操作，可以快速查看信号波形、频谱、时频图，对理解数据非常有帮助；另一个是代码可读性高，矩阵运算语法天然贴近信号处理的数学表达，对于工程技术人员来说学习和维护成本低。我项目后期需要把算法部署到测试台，用MATLAB Coder生成C代码也省了不少事。如果你手头已经有MATLAB使用经验，做故障诊断完全没必要换Python；如果是从零开始，我更推荐先用MATLAB跑通全流程，后面有需要再迁移。

2. 数据准备与信号预处理

2.1 数据来源与采集参数设定

我使用的数据来自公开的凯斯西储大学滚动轴承故障数据集，这是行业内最经典、引用最多的轴承故障数据。实验台由电机、扭矩传感器、测功机和被测轴承组成，通过电火花加工在轴承上设置单点故障，故障直径有0.18mm、0.36mm和0.54mm三档，分别对应轻微、中等和严重故障。采样频率有12kHz和48kHz两档，我选择了12kHz档的驱动端加速度信号，因为它的信号频带已经足够覆盖轴承故障特征，数据量也更适中。

采集参数设定是整个诊断流程的地基。这里有两个关键参数要特别留意：采样率fs和采样时长T。采样率决定了能够分析的最高频率（奈奎斯特频率为fs/2），对于滚动轴承诊断，一般要求采样率至少为最高关注频率的2.5倍。12kHz采样率意味着有效分析带宽到6kHz，对于多数工业轴承的故障特征频率（通常在几百赫兹到两三千赫兹）以及轴承座共振频带（一般在3-6kHz）是足够的。采样时长决定了频率分辨率：Δf = 1/T。如果转频是30Hz，故障特征频率在100-200Hz范围，频率分辨率至少要做到1Hz以下才能准确分辨特征频率附近的边带。我取每段信号1秒，频率分辨率1Hz，够用。如果转速更低，就需要延长采样时长。

2.2 预处理该做什么

拿到原始振动信号后不能直接提取特征，必须先做预处理，这一步直接决定了后面特征提取的质量。我的预处理链条分三步：去均值、带通滤波、数据切分。

去均值是必须的第一步。加速度传感器采集的原始信号往往存在直流偏移，这个偏移来自传感器本身的偏置电压和采集电路的零漂。如果不做去均值，做FFT时直流分量会泄漏到邻近频点，掩盖低频段的有用信息。MATLAB里一句x = x - mean(x)就解决了。

带通滤波的选带逻辑值得细说。轴承故障信号的典型频域特征是：低频段有转频及其谐波，中频段有故障特征频率，高频段有轴承座共振峰。为了突出故障冲击成分，需要做带通滤波。我参考了一个工程经验法则：带通范围选在轴承座共振频带，通常用1kHz-5kHz或者更高。但实际操作中这个范围不能拍脑袋定，要先看原始信号的功率谱密度，找出共振峰的位置再确定频带。我用pwelch函数画出功率谱，观察到这个数据集在3kHz-5kHz有明显的高频共振能量集中区域，于是把带通滤波范围定为2kHz-5kHz。滤波器的实现用designfilt设计巴特沃斯带通滤波器，阶数选4到6，阶数太低过渡带太宽，阶数太高容易引起相位失真。注意滤波后要用filtfilt做零相位滤波，避免信号相位偏移影响后续的时域特征计算。

数据切分是把长信号切成固定长度的样本段。这里有一个非常容易犯的错误：切分时相邻样本之间如果重叠太多，会引入数据泄漏，导致训练集和测试集之间存在信息重叠，模型评估结果虚高。我采用的策略是每段信号长度取2048个采样点（约0.17秒），确保每段至少包含若干个转频周期和故障冲击周期，段与段之间不重叠。切分后的每个样本作为一个独立的样本单元，用于后续特征提取和模型训练。

2.3 预处理完整代码示例

下面这段代码是我预处理环节的完整实现，包含了从读数据到输出干净样本的全过程：

% 读取凯斯西储大学轴承数据 % 文件来自12kHz驱动端采集，负载0马力，转速约1797rpm data = load('97.mat'); % 正常状态数据 x_raw = data.X097_DE_time; % 驱动端加速度信号 fs = 12000; % 采样率 12kHz % 第一步：去均值 x = x_raw - mean(x_raw); % 第二步：看功率谱，确定共振频带 [pxx, f] = pwelch(x, hann(4096), 2048, 8192, fs); plot(f, 10*log10(pxx)); xlabel('频率 (Hz)'); ylabel('功率谱密度 (dB/Hz)'); % 观察共振峰，判断带通范围，我这边看到3k-5k有能量集中 % 第三步：零相位带通滤波 d = designfilt('bandpassiir', ... 'FilterOrder', 4, ... 'HalfPowerFrequency1', 2000, ... 'HalfPowerFrequency2', 5000, ... 'SampleRate', fs); x_filtered = filtfilt(d, x); % 第四步：切分为样本段 segLen = 2048; % 每段采样点数 numSeg = floor(length(x_filtered) / segLen); segments = zeros(segLen, numSeg); for k = 1:numSeg segments(:, k) = x_filtered((k-1)*segLen + 1 : k*segLen); end % 每一列是一个样本段，后续特征提取按列处理

这段代码里我觉得最值得反复推敲的就是滤波器参数的确定。designfilt里的阶数和截止频率如果选得不合适，要么滤不掉干扰，要么连故障冲击的有用成分都削掉了。之前我偷懒直接用默认参数跑，后面做包络谱发现特征频率处的幅值异常低，反过来查才发现带通范围设错了，把共振峰的主要频段挡在了外面。从那以后我固定了一个习惯：先可视化功率谱，再确定滤波参数，绝不在参数没看清之前盲目定滤波器。

3. 特征提取——从时域到时频域

3.1 时域统计特征：快速有效的第一道筛选

时域特征是最直观、计算成本最低的故障指示器。基本的思路是：轴承出现故障后，振动信号的统计特性会改变，比如幅值增大、脉冲成分增多、波形偏离正态分布。我提取的时域特征包括：均方根值、峭度、偏度、峰值因子、波形因子、脉冲因子和裕度因子。

RMS值是反映振动能量总体水平的指标，轴承磨损或剥落会导致RMS上升，但它对早期局部损伤不敏感，因为局部冲击的持续时间短、能量占比小。峭度是四阶中心矩标准化的结果，对脉冲成分极其敏感——正常轴承信号的峭度接近3（正态分布），而早期故障信号由于周期性冲击的存在，峭度可能飙升到10以上。这也是为什么峭度被广泛用来做轴承早期故障的快速筛查指标。峰值因子（峰值除以RMS）和脉冲因子也有类似的敏感性，但它们的缺点都是抗噪性差，一个极端噪声尖峰就能把它们拉高。

实际处理中，我会把所有时域特征拼成一个特征向量。比如对每个样本段计算RMS、峭度、偏度、峰值因子、波形因子、脉冲因子、裕度因子，这样每个样本得到一个7维特征向量。正常状态和故障状态在这个特征空间里往往已经有明显的可分性，可以用scatter3先画出来看看分布。不过时域特征有个天然短板——它们丢失了频域信息，无法区分外圈故障和内圈故障（两者都产生周期性脉冲，时域统计特性相近），所以光靠时域特征只能判断“有没有故障”，不能回答“故障在哪里”。要回答这个问题，必须做频域分析。

3.2 频域与包络谱：定位故障部位的关键

频域分析的核心是找到故障特征频率。不同的轴承故障部位对应不同的特征频率，它们由轴承几何参数和转频决定。常用计算公式如下：

• 外圈故障特征频率 BPFO = (n/2) × fr × (1 - d/D × cos α)
• 内圈故障特征频率 BPFI = (n/2) × fr × (1 + d/D × cos α)
• 滚动体故障特征频率 BSF = (D/(2d)) × fr × [1 - (d/D × cos α)²]
• 保持架故障特征频率 FTF = (fr/2) × (1 - d/D × cos α)

其中n是滚动体个数，fr是轴转频（Hz），d是滚动体直径，D是轴承节圆直径，α是接触角。以我实验用的6205-2RS深沟球轴承为例：n=9，d=7.94mm，D=39.04mm，α=0°，在转速1797rpm（fr≈29.95Hz）下：

• BPFO ≈ 4.5 × 29.95 × (1 - 7.94/39.04) ≈ 107.3Hz
• BPFI ≈ 4.5 × 29.95 × (1 + 7.94/39.04) ≈ 162.2Hz
• BSF ≈ (39.04/15.88) × 29.95 × [1 - (0.2034)²] ≈ 69.5Hz
• FTF ≈ 14.975 × (1 - 0.2034) ≈ 11.9Hz

这些计算值就是后面对照频谱图判断故障类型的“标尺”。直接对原始信号做FFT的频谱往往在共振频带处有一大片能量隆起，故障特征频率反而被淹没。这时候就需要用希尔伯特变换做包络解调，把高频共振成分中的调制信息提取出来。包络谱分析的逻辑是：故障冲击激励轴承座共振，形成高频振荡，而故障特征频率恰恰调制在这个高频振荡上。希尔伯特变换能求出信号的上包络（解析信号的幅值），对包络再取FFT，就把“高频载波”换成了“低频调制频率”，故障特征频率就清晰暴露出来了。MATLAB里直接用abs(hilbert(x_filtered))得到包络，然后对包络做FFT。

我在实际诊断中遇到过这样一个典型案例：一段外圈故障信号，直接看原始FFT频谱，只看到4.5kHz附近有个大包，完全分不清故障类型；做了包络谱之后，在107Hz处出现明显峰值，并且还有二倍频约214Hz的谐波，这个“基频+谐波”的谱线组合模式非常典型，基本可以确认外圈故障。内圈故障在包络谱上的特征是故障特征频率FSI处有峰值，同时由于内圈随轴旋转，故障点相对传感器的位置周期变化，会额外产生转频fr的边带调制，所以看包络谱时如果发现BPFI两侧有间隔约fr的边带，更加支持内圈故障的判断。滚动体故障的情况复杂一些，因为滚动体自转的同时还会在保持架内公转，故障点周期性改变径向载荷方向，所以包络谱中BSF处的峰值往往不如外圈故障那么突出，有时还需要结合时频图综合判断。

3.3 时频域方法：处理变转速工况的进阶方案

固定转速工况下，频域分析已经足够。但实际工业设备的转速往往是波动的，转频和故障特征频率随时间漂移，直接用FFT频率成分被“平均”掉，谱峰模糊。这种情况就需要用时频分析。我尝试了两种方法：短时傅里叶变换（STFT）和连续小波变换（CWT）。

STFT通过窗函数把信号切成短段，每段做FFT，得到频率随时间变化的二维图谱。MATLAB里的spectrogram函数可以直接画出瀑布图。它的局限在于窗长固定，时间分辨率和频率分辨率不可兼得——窗越长频率分辨率越高但时间分辨率越差。对于轴承这种瞬态冲击信号，STFT常常显得“糊”。

CWT用可伸缩平移的小波基函数来替代固定窗，在低频段频率分辨率好，高频段时间分辨率好，这种多分辨率特性很契合轴承冲击信号的时频特性。MATLAB里cwt(x_filtered, fs)一行命令就能得到小波时频图，实时显示效果相当直观。在时频图上，正常轴承信号的背景均匀；出现故障后，可以看到与特征频率对应的横向亮条带，冲击越大，条带越亮。

不过，小波变换也有代价：计算量比STFT大得多，12kHz采样率、1秒信号做CWT，在普通笔记本上要几十秒。而且小波基函数和分解层数需要根据信号特性调，我常用的经验是选Morlet小波（MATLAB默认），尺度范围设为自动，实际效果已经足够。如果要用小波特征做批量样本的机器学习分类，时间成本会是个问题。我在项目中做了取舍：定转速数据集用FFT+包络谱做特征提取，变转速或者验证“技术展示效果”时才上CWT时频图。

4. 故障识别模型的选择与实现

4.1 传统机器学习路线：SVM和KNN

特征提取完成后，故障识别问题就变成了一个标准的分类问题。每个样本已经用一个特征向量表示（我拼接了时域特征和包络谱特征，合计约30维），带标签，接下来要做的就是把数据集划分为训练集和测试集，训练分类器，评估泛化性能。

我第一个用的分类器是支持向量机（SVM）。MATLAB里的fitcecoc函数可以直接训练多分类SVM，底层自动为每个类别对构建二分类器，用一对一策略完成多类判别的组合。这里有一个参数至关重要：核函数的选择。我测试了线性核和高斯核（RBF），发现线性核在四分类任务（正常、外圈故障、内圈故障、滚动体故障）上准确率只有85%左右，换RBF核之后可以达到96%以上。原因很直观：不同故障类型的特征空间分布并不是线性可分的，特别是外圈和内圈故障的特征有部分交叠，RBF核通过隐式映射到高维空间，把这些交叠区域分开了。用fitcecoc的时候，我设置了'OptimizeHyperparameters', 'auto'，让MATLAB自动做超参数调优，跑一轮交叉验证大概需要几分钟，省去手动调gamma和KernelScale的麻烦。

K近邻（KNN）是另一个简单但有效的选择，fitcknn跑起来极快，关键参数是邻居数K和距离度量方式。我发现K=5、距离度量用欧氏距离效果已经不错，准确率和SVM相当，但预测时间远短于SVM。这给了我很重要的启发：很多场景下不需要追求“最先进”的模型，简单模型如果特征提取得足够好，效果不输复杂模型。我之前看过一些入门的代码，上来就用深度学习，其实没必要——特征质量决定上限，分类器只是逼近这个上限。

4.2 深度学习的尝试：一维CNN和LSTM

传统机器学习方法需要人工设计特征，而深度学习方法可以自动从原始信号中学习特征表示。我用MATLAB深度学习工具箱搭建了一维卷积神经网络（1D-CNN），把原始振动信号（2048点）直接作为输入，网络结构是：卷积层（16个滤波器，核大小3）→ ReLU → 池化层 → 卷积层（32个滤波器）→ ReLU → 池化层 → 全连接层 → Softmax输出层。训练用trainNetwork，优化器用Adam，初始学习率0.001，BatchSize 64，最大训练轮数30。

训练过程中我遇到的最大问题是过拟合——训练集准确率很快跑到99%，但验证集准确率只有88%左右。特征维度高、样本量少（每个类别切分后只有几百个样本），是过拟合的两个直接原因。我加了dropout层（概率0.5），情况有所缓解，但仍不如SVM好。另一个问题是训练时间，CPU训练一轮要十分钟左右，如果没GPU就得很有耐心。最终我评估下来，在这个数据集上1D-CNN的优势并不明显，反而SVM+人工特征的组合更稳定。这让我坚定了“先特征后模型”的思路，深度学习不是银弹，尤其在样本量不够大的工业场景里，人工特征的先验知识仍然很有价值。

LSTM我也试过，用于建模信号中的时序依赖。理论上轴承振动信号是周期性的，LSTM应该能捕捉到这种时间结构。但实践效果一般，主要原因是我的样本段长度只有2048点，LSTM的参数规模相对样本量来说偏大，训练不稳定，准确率在92%左右波动。如果需要处理连续长时信号、在线流式诊断，LSTM才有更大优势，短样本场景意义不大。

4.3 结果评估与对比

模型训练完后，评估不能只看准确率。我用了混淆矩阵和逐类别的精确率、召回率、F1分数来分析每一类的错误分布。MATLAB里confusionchart直接画出混淆矩阵，直观方便。我的SVM模型在正常状态和外圈故障上的识别几乎没有错误，但在内圈故障和滚动体故障之间偶尔混淆。这个现象有物理背景：内圈故障和滚动体故障的包络谱特征本身就比较相似（都有较强的转频调制成分），单纯从频域特征上区分确实困难。后来我加入了时频域特征（比如CWT小波系数的能量分布）作为额外维度，把混淆率降下来了将近一半。

评估时还有一个关键点：数据集划分必须注意不能泄漏。我踩过一个坑——直接把所有样本随机打乱再划分训练测试集，结果性能虚高到99.8%。原因是相邻时间段的样本来自同一段连续信号，高度相关，随机划分导致“训练集中出现过测试集的信息”。正确做法是按“时间片段”划分，保证训练集和测试集来自不同的时间窗口，我后来改成前80%时间的样本作为训练集，后20%作为测试集，性能立刻“正常”地下降到96%左右。这个降幅看似“变差了”，但反映的是真实泛化能力。

5. 常见问题与排查经验

5.1 数据不均衡问题怎么处理

真实工业场景中，正常状态的样本远多于故障状态的样本，可能出现9:1甚至更极端的比例。直接用原始数据训练，分类器会“学会”把大部分样本判为正常，因为这样整体准确率已经很高，但故障样本识别率极低。我在模拟这种场景时试过几种方法：最简单的是欠采样，随机丢弃正常样本使两类数量均衡，但这样浪费了大量数据；更推荐的是过采样，用SMOTE算法合成少数类样本，MATLAB里可以用smote函数实现（部分工具箱版本支持），在特征空间中对少数类样本插值生成新样本。实际测试中，SMOTE后故障类别的召回率提升了20多个百分点，整体F1从0.82上升到0.93，效果明显。如果数据倾斜极端且原始信号段充足，也可以考虑先切分原始信号来扩充少数类，再在特征层面做均衡。

5.2 采样率不足、信号混叠和滤波器失真的排查

采样率不足在早期做实验时常常被忽略。我试过用4kHz采样率去分析一个故障特征频率为160Hz的轴承信号，理论上160Hz远低于奈奎斯特频率2kHz，应该没问题，但实际出来的包络谱乱成一片。排查后发现，问题出在轴承座的共振频率（可能在6-8kHz，远超4kHz采样率的分析范围）与低频故障特征频率之间的调制关系上。包络解调需要“高频载波”存在才能解出“低频调制”，采样率不足导致高频共振成分被混叠到低频区，破坏了包络谱的有效性。解决方法是：要么提高采样率，要么先做模拟滤波（抗混叠滤波）再降采样。工业测试中做预分析时，我一般先用48kHz采样，确认主要能量分布后再决定是否降到12kHz，避免一开始就丢失高频信息。

5.3 滤波器参数调试经验：先画图，再定参

滤波器设计看似简单，实际坑最多。我最初做带通滤波时直接指定2kHz-5kHz，没先观察功率谱，结果把一段在1.8kHz有明显共振峰的信号给滤“削”了。经验教训：任何滤波参数都要基于信号的实际谱特征来决定。具体流程分三步：先用pwelch看全频段功率谱，标出共振峰位置；再根据共振峰宽度确定滤波带宽（比如共振峰中心在3.5kHz、宽度约1kHz，带通就设3kHz-4kHz）；最后用fvtool查看滤波器幅频特性，确认过渡带衰减达标。此外要检查滤波是否引入了相位失真，用filtfilt做零相位滤波后，幅值和相位都不会被扭曲，这对后续提取冲击波形很重要。

5.4 数据切分窗口长度选择的经验法则

窗口长度（每段信号的采样点数）选择直接影响特征提取的稳定性。窗口太短，段内可能不包含完整的故障冲击序列，峭度等统计量波动大；窗口太长，段数变少，训练样本不足。我的经验法则是：每段至少包含10到20个故障特征周期，同时确保转频周期的整数倍关系。以转频30Hz、故障频率160Hz为例，10个故障周期约0.0625秒，对应750个采样点，实际取2048个点为好（留足冗余，同时是2的幂，方便FFT计算）。另外切分样本后建议做个快速检查：随机抽几个样本画时域波形，确认冲击特征还在，没有在切分时被切断。

5.5 MATLAB版本与工具箱兼容性

有些读者可能在代码运行中遇到“函数未定义”的问题。我用的部分函数（如designfilt、filtfilt、fitcecoc、cwt）需要Signal Processing Toolbox、Statistics and Machine Learning Toolbox和Wavelet Toolbox。运行代码前先用ver检查工具箱是否安装完整。不同版本间cwt的调用方式有差异：R2021a之前用的是cwt(x, 'bump', fs)这种语法，R2021b之后改为cwt(x, fs)，旧脚本可能直接报错。建议在使用前doc cwt查看当前版本的帮助文档。如果工具箱缺失，很多信号处理函数用基础MATLAB也能自己写，但工程效率会低很多，还是建议装好对应工具箱。

结语

这个项目做完之后的体会是，滚动轴承故障诊断的完整链路里，真正决定成败的往往不是模型多高级，而是每一步是否做扎实：预处理时是否确定了正确的带通范围，特征提取时是否理解了每种特征的物理含义和局限，数据划分时是否避免了泄漏，评价时是否看了混淆矩阵而非只看准确率。MATLAB在这条链路上确实提供了非常完整的工具支持，但工具终究只是放大“对问题的理解”，理解越深，工具越能派上用场。如果你刚开始走这条路，我建议先用公开数据集跑通全流程，再尝试换转速、换故障尺寸、加噪声来测试方法的鲁棒性，这个过程获得的感知比任何模型代码都更宝贵。