SKF轴承动力学仿真信号分析代码功能说明

ANSYS WORKBENCH轴承动力学仿真，ANSYS做内圈、外圈和滚子故障的模拟图片为凯斯西储大学SKF轴承内外圈故障的结果，振动加速度包络后故障特征频率可以与实验相差仅为5%。

一、代码整体概述

本次分析的代码集源自SKF轴承动力学仿真模型，包含3个核心MATLAB代码文件，分别实现信号导入、时域/频域分析、包络谱分析及关键频率提取等功能，适用于正常轴承、内圈故障轴承等场景的动力学信号处理与故障特征识别。代码整体围绕轴承振动信号的采集、预处理、变换分析及特征提取展开，通过希尔伯特变换、快速傅里叶变换（FFT）等算法，挖掘信号中的频率特征，为轴承故障诊断提供数据支撑。

二、文件清单及核心功能总览

三、各文件详细功能解析

（一）FFT_1.m：多工况轴承信号时域-频域分析

1. 核心定位

针对不同转速、不同载荷下的轴承振动信号，实现从数据导入到时域波形、频谱图可视化的全流程分析，重点通过FFT和希尔伯特变换挖掘信号频率特征。

2. 关键参数配置

3. 核心流程及功能说明

（1）数据导入与通道选择

data = [data xlsread('fault-2r-10kn-20kn-30kn.xlsx')]; angle_data=data(1:N,4);%提取第一列数据 1：N

• 功能：从Excel文件导入多工况（2r/min转速下10kN、20kN、30kN载荷）的轴承振动数据；
• 通道定义：
• 列2-5：1r/min/10kN工况（xyz三维+单向信号），默认选列3；
• 列6-9：2r/min/20kN工况（xyz三维+单向信号），默认选列7；
• 列10-13：3r/min/30kN工况（xyz三维+单向信号），默认选列11；
• 数据提取：默认提取第4列数据（单向信号），采样点范围为1~200000。

（2）信号预处理（注释待用模块）

代码中包含Z-score归一化模块（已注释），功能为消除信号量纲影响，公式为：

ANSYS WORKBENCH轴承动力学仿真，ANSYS做内圈、外圈和滚子故障的模拟图片为凯斯西储大学SKF轴承内外圈故障的结果，振动加速度包络后故障特征频率可以与实验相差仅为5%。

$$New\data{ij} = \frac{angle\_data(j,i) - avg(1,i)}{stdx(1,i)}$$

其中avg为信号均值，stdx为信号标准差，适用于多组信号对比场景（如正常与故障信号归一化后对比）。

（3）希尔伯特变换与解析信号生成

Hx = hilbert(x);

• 功能：对原始信号x进行希尔伯特变换，生成解析信号Hx；
• 解析信号特性：实部为原始信号，虚部为原始信号的希尔伯特变换，其幅值abs(Hx)为原始信号的包络信号，用于后续包络特征分析。

（4）时域与频域可视化

• 图1（2个子图）：
• 上子图：原始信号时域波形（横轴为时间t，纵轴为信号幅值）；
• 下子图：原始信号与解析信号幅值的时域对比（黑色为原始信号，红色为包络信号）。
• 图2（2个子图）：
• 上子图：原始信号时域波形（重复展示，便于对比）；
• 下子图：原始信号FFT频谱（横轴频率范围0.2~1.6Hz，纵轴为幅值amp），重点展示低频段频率特征。
• 图4：解析信号的FFT频谱（横轴频率范围0.1~1.6Hz），用于分析包络信号的频率分布。

（5）FFT频谱计算核心逻辑

signalFFT=abs(fft(x,N));%真实的幅值 Y=2*signalFFT/N; f=(0:N/2)*(fs/N);

• 频谱幅值校正：Y=2*signalFFT/N用于将FFT计算结果转换为真实幅值（单 sided 频谱校正，消除能量分散影响）；
• 频率轴生成：f的范围为0~fs/2（奈奎斯特频率），步长为fs/N，确保频率分辨率与采样点个数、采样频率匹配。

（二）nei.m：轴承内圈故障包络谱分析

1. 核心定位

针对内圈故障轴承的振动信号，计算故障特征频率，生成包络信号并绘制包络谱，通过对比实验数据与参考数据，验证故障特征的有效性。

2. 关键参数配置（轴承与测试参数）

3. 核心流程及功能说明

（1）故障特征频率计算

f1 = n*fr/2*(1 + d/D*cosd(thetaDeg))/60

• 公式含义：内圈故障特征频率计算公式，基于轴承几何参数（滚动体个数n、节圆直径D、滚动体直径d）和运动参数（转速fr）推导；
• 物理意义：内圈存在故障时，滚动体与故障点撞击的频率，是识别内圈故障的核心指标。

（2）数据加载与截取

• 实验数据：load 'text1.mat'; y=text1(1:1200);，加载内圈故障实验采集的振动信号，截取前1200个采样点；
• 参考数据：load '105.mat'; y=X105DEtime(1:588);，加载标准参考信号（如正常轴承或已知故障等级轴承信号），截取前588个采样点用于对比。

（3）包络信号生成

yy1=hilbert(y); y1=abs(yy1);

• 原理：通过希尔伯特变换得到解析信号yy1，其幅值y1即为包络信号，可有效提取调制在高频载波上的故障特征信号（内圈故障信号常表现为低频调制特征）；
• 优势：相比原始信号，包络信号能抑制背景噪声，突出故障冲击产生的幅值变化。

（4）四象限可视化输出

代码通过subplot(2,2,[1-4])实现4个子图的同步展示，功能分工如下：

（5）结果导出

print -dtiff -r600 z3_2

• 功能：将当前图形窗口的四象限图导出为TIFF格式图片，分辨率为600dpi，文件名z3_2.tif，用于报告生成或后续分析。

（三）period_mean_P_max_Hz.m：频谱分析工具函数

1. 核心定位

作为nei.m的依赖工具函数，实现信号功率谱计算、峰值频率提取及频谱可视化，核心输出为功率谱图及最大幅值对应的特征频率。

2. 输入输出参数

3. 核心流程及功能说明

（1）功率谱计算

Y = fft(data); % FFT变换 N = length(data); % 数据长度 Y(1) = 0; % 剔除直流分量（所有数据的和） power = abs(Y(1:N/2))/(N/2); % 功率谱计算（幅值校正）

• 关键步骤：Y(1)=0用于消除直流分量对频谱的干扰，power计算通过幅值归一化得到真实功率值。

（2）频率轴生成

freq2 = 0:Fs/(N):Fs/2-1/(N);

• 频率范围：0~Fs/2（奈奎斯特频率），步长为Fs/N，确保频率轴与FFT结果的分辨率匹配。

（3）频谱可视化与峰值标注

plot(freq2,power,'k'); % 绘制黑色频谱曲线 hold on; index=find(power==max(power));% 找到功率最大值的索引 plot(freq2(index),power(index),'r.', 'MarkerSize',15);% 标注红色峰值点 text(freq2(index)+100,power(index),['Pmax, ',mainfreq2Str,' Гц',]);% 标注峰值频率值

• 可视化亮点：通过红色圆点标注功率谱中的峰值点，并在旁侧显示对应的特征频率（单位：Hz），直观呈现信号的主导频率成分。

（4）特征频率输出

[mp,index] = max(power); % 提取最大功率值及索引 P_max_Hz=freq2(index); % 输出对应的特征频率

• 核心价值：该输出频率即为信号的主导频率（如内圈故障特征频率），为故障诊断提供定量依据。

四、代码关联关系与应用逻辑

1. 文件依赖关系

nei.m → 调用 → period_mean_P_max_Hz.m （主分析脚本） （频谱分析工具函数） FFT_1.m → 独立运行（时域-频域基础分析）

• nei.m作为内圈故障分析的主脚本，通过调用periodmeanPmaxHz.m完成包络谱的计算与可视化；
• FFT_1.m独立处理多工况数据，适用于初步的信号特征探索（如不同载荷下的频率分布差异）。

2. 典型应用流程

场景：内圈故障轴承诊断

1. 数据准备：通过实验采集内圈故障轴承的振动信号（如text1.mat），并准备参考信号（如105.mat）；
2. 参数配置：在nei.m中设置轴承参数（滚动体个数n、转速fr等）和采样参数（fs、数据截取长度）；
3. 运行nei.m：自动加载数据、计算故障频率、生成包络信号、调用工具函数绘制四象限图；
4. 特征识别：对比包络谱中的峰值频率与计算出的内圈故障特征频率，若二者一致，则可判定存在内圈故障；
5. 辅助验证：通过FFT_1.m分析不同载荷/转速下的信号，验证故障特征的稳定性（如不同载荷下均出现故障频率峰值）。

五、关键技术亮点与注意事项

1. 技术亮点

• 多域分析融合：结合时域波形（直观观察冲击特征）、FFT频谱（分析频率分布）、包络谱（提取调制特征），全面挖掘信号信息；
• 工程化适配：参数化设计（如轴承型号、采样频率可配置），支持6203/6205等不同型号轴承，适配多工况（不同转速、载荷）；
• 可视化优化：通过多子图布局、峰值标注、中文-英文混排坐标轴，提升结果可读性。

2. 注意事项

• 数据格式要求：导入的信号需为一维时间序列（如Excel列数据、MATLAB矩阵的单行/单列），否则会导致索引错误；
• 参数一致性：nei.m与periodmeanPmaxHz.m中的采样频率fs必须保持一致，否则频率轴计算错误；
• 数据长度匹配：截取的数据长度（如y=text1(1:1200)）需根据实际采样时长调整，过短可能丢失故障特征，过长会增加计算量；
• 故障频率验证：计算出的故障特征频率需与理论值对比（如6205轴承内圈故障频率理论公式），避免因参数设置错误导致诊断偏差。

六、扩展与优化建议

1. 多故障类型支持：在nei.m基础上扩展外圈故障、滚动体故障的特征频率计算公式，实现全类型故障诊断；
2. 自动化特征提取：增加特征参数计算模块（如峰值、峭度、偏度等时域指标，谱峰值、谱峭度等频域指标），实现故障等级量化评估；
3. 噪声抑制优化：加入小波去噪、自适应滤波等预处理模块，提升低信噪比场景下的故障特征识别能力；
4. 批量数据处理：扩展FFT_1.m的数据导入逻辑，支持多文件批量分析，并自动生成对比报告（如不同工况下的特征频率对比表）。

通过以上代码的协同工作，可实现SKF轴承动力学信号的全面分析，为轴承故障诊断提供从数据处理到特征识别的完整解决方案，适用于工程实践中的轴承状态监测与故障预警场景。