频带优选傅里叶分解方法及其在滚动轴承故障诊断中的应用

黄斯琪; 张信群; 刘世杰; 谭志银; 何凯

doi:10.16578/j.issn.1004.2539.2025.09.019

您当前的位置：

首页 >

文章列表页 >

频带优选傅里叶分解方法及其在滚动轴承故障诊断中的应用

开发应用 | 更新时间：2025-09-20

- 频带优选傅里叶分解方法及其在滚动轴承故障诊断中的应用
- Frequency band optimization Fourier decomposition method and its application in fault diagnosis of rolling bearings
- 机械传动 2025年49卷第9期页码：151-161
- 作者机构：
  
  1.滁州职业技术学院电气工程学院，滁州 239000
  2.山西北方机械制造有限责任公司，太原 030009
- 作者简介：
  
  黄斯琪，女，1994年生，安徽巢湖人，硕士研究生，助教；主要研究方向为设备状态监测与故障诊断；huangsiqi@chzc.edu.cn。
  谭志银，男，1983年生，安徽滁州人，硕士研究生，副教授；主要研究方向为机电一体化；tanzhiyin@chzc.edu.cn。
- 基金信息：
  
  安徽省高校自然科学重点研究项目(2024AH051443);滁州职业技术学院科技创新平台项目(YJP-2021-02);滁州职业技术学院质量工程项目(2024xjjnds244556)
- DOI：10.16578/j.issn.1004.2539.2025.09.019
  中图分类号： TH165+.3;TH17
- 收稿日期：2025-01-16，
  
  修回日期：2025-03-29，
  
  纸质出版日期：2025-09-15
- 稿件说明：
移动端阅览
黄斯琪，张信群，刘世杰，等. 频带优选傅里叶分解方法及其在滚动轴承故障诊断中的应用［J］. 机械传动，2025，49（9）：151-161.

HUANG Siqi，ZHANG Xinqun，LIU Shijie，et al. Frequency band optimization Fourier decomposition method and its application in fault diagnosis of rolling bearings［J］. Journal of Mechanical Transmission，2025，49（9）：151-161.
黄斯琪，张信群，刘世杰，等. 频带优选傅里叶分解方法及其在滚动轴承故障诊断中的应用［J］. 机械传动，2025，49（9）：151-161. DOI： 10.16578/j.issn.1004.2539.2025.09.019.

HUANG Siqi，ZHANG Xinqun，LIU Shijie，et al. Frequency band optimization Fourier decomposition method and its application in fault diagnosis of rolling bearings［J］. Journal of Mechanical Transmission，2025，49（9）：151-161. DOI： 10.16578/j.issn.1004.2539.2025.09.019.

摘要

目的

傅里叶分解方法是一种能够根据信号频谱特征自适应确定模态分量的方法。然而，该方法在提取非平稳信号的模态分量时，容易产生大量无效窄带分量，不利于故障特征的精准识别。为解决这一问题，提出一种频带优选傅里叶分解方法（Frequency Band Optimization Fourier Decomposition Method

FBO-FDM）。

方法

首先，以傅里叶变换为基础，按照高频至低频的顺序对原始傅里叶谱进行扫描分割，获取初始分割边界；其次，提出一种频带重构策略，利用多尺度排列熵偏均值（Partial Mean of Multi-scale Permutation Entropy

PMMPE）对各分割边界内的频带信息进行量化处理，将PMMPE大于其均值的频带保留，去除无效窄带分量；最后，采用自适应多尺度形态学滤波对重构分量进行滤波处理，去除噪声及无关分量的影响。采用所提方法对滚动轴承仿真信号进行分析，并与傅里叶分解方法（Fourier Decomposition Method

FDM）、经验小波变换（Empirical Wavelet Transform

EWT）和变分模态分解（Variational Mode Decomposition

VMD）方法进行了对比。

结果

结果表明，所提方法能够更有效地识别出故障特征频率，并且具有更高的信噪比；同时，其对有色噪声也有较好的降噪效果。将所提方法应用于实测振动信号分析中，进一步验证了所提方法频带划分及故障诊断能力的优越性。

Abstract

Objective

The Fourier decomposition method (FDM) is a method that adaptively determines modal components based on signal spectral characteristics. However

when extracting modal components from non-stationary signals

this method tends to generate numerous invalid narrow-band components

which hinders the precise identification of fault features. To address this issue

a frequency band optimization Fourier decomposition method (FBO-FDM) was proposed.

Methods

Firstly

based on Fourier transform

the original Fourier spectrum was scanned and segmented in the order from high frequency to low frequency to obtain initial segmentation boundaries. Secondly

a frequency band reconstruction strategy was established.The partial mean of multi-scale permutation entropy (PMMPE) was used to quantify the frequency band information within each segmentation boundary

and bands with PMMPE values greater than the mean were retained to remove invalid narrow-band components. Finally

adaptive multi-scale morphological filtering was applied to the reconstructed components to eliminate the influence of noise and irrelevant components. The proposed method was analyzed using rolling bearing simulation signals and compared with FDM

empirical wavelet transform (EWT)

and variational mode decomposition (VMD).

Results

The results show that FBO-FDM can more effectively identify fault characteristic frequencies with a higher signal-to-noise ratio (SNR)

and exhibites better noise reduction performance for colored noise. When applied to the analysis of measured vibration signals

the comparative results further validate the superiority of FBO-FDM in frequency band division and fault diagnosis capability.

关键词

Keywords

references

王兴龙，郑近德，潘海洋，等 . 基于MED与自相关谱峭度图的滚动轴承故障诊断方法［J］. 振动与冲击， 2020 ， 39 （ 18 ）： 118 - 124 .

WANG Xinglong ， ZHENG Jinde ， PAN Haiyang ， et al . Fault diagnosis method for rolling bearings based on minimum entropy deconvolution and autograms ［J］. Journal of Vibration and Shock ， 2020 ， 39 （ 18 ）： 118 - 124 .

HUANG N E ， SHEN Z ， LONG S R ， et al . The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis ［J］. Proceedings of the Royal Society of London Series A：Mathematical，Physical and Engineering Sciences ， 1998 ， 454 （ 1971 ）： 903 - 995 .

冀浩非，刘慧玲，董加强 . 基于APIT-SA-MEMD和FLLE的齿轮故障识别［J］. 机械传动， 2022 ， 46 （ 11 ）： 161 - 169 .

JI Haofei ， LIU Huiling ， DONG Jiaqiang . Gear fault diagnosis based on APIT-SA-MEMD and FLLE ［J］. Journal of Mechanical Transmission ， 2022 ， 46 （ 11 ）： 161 - 169 .

肖俊青，金江涛，李春，等 . 基于CEEMDAN模糊熵CNN轴承故障诊断研究［J］. 机械强度， 2023 ， 45 （ 1 ）： 26 - 33 .

XIAO Junqing ， JIN Jiangtao ， LI Chun ， et al . Research on bearing fault diagnosis based on CEEMDAN fuzzy entropy and convolutional neural network ［J］. Journal of Mechanical Strength ， 2023 ， 45 （ 1 ）： 26 - 33 .

YEH J R ， SHIEH J S ， HUANG N E . Complementary ensemble empirical mode decomposition： a novel noise enhanced data analysis method ［J］. Advances in Adaptive Data Analysis ， 2010 ， 2 （ 2 ）： 135 - 156 .

WANG Y H ， HU K ， LO M T . Uniform phase empirical mode decomposition：an optimal hybridization of masking signal and ensemble approaches ［J］. IEEE Access ， 2018 ， 6 ： 34819 - 34833 .

项伟，李如玉，王慧，等 . 基于自适应EEMD与Fast Kurtogram的齿轮箱故障诊断［J］. 机械强度， 2022 ， 44 （ 5 ）： 1024 - 1031 .

XIANG Wei ， LI Ruyu ， WANG Hui ， et al . Fault diagnosis of gearbox based on adaptive EEMD and Fast Kurtogram ［J］. Journal of Mechanical Strength ， 2022 ， 44 （ 5 ）： 1024 - 1031 .

宋宇博，刘运航，朱大鹏 . 自适应UPEMD-MCKD轴承故障特征提取方法［J］. 振动与冲击， 2023 ， 42 （ 3 ）： 83 - 91 .

SONG Yubo ， LIU Yunhang ， ZHU Dapeng . Adaptive UPEMD-MCKD rolling bearing fault feature extraction method ［J］. Journal of Vibration and Shock ， 2023 ， 42 （ 3 ）： 83 - 91 .

GILLES J . Empirical wavelet transform ［J］. IEEE Transactions on Signal Processing ， 2013 ， 61 （ 16 ）： 3999 - 4010 .

ZHENG J D ， HUANG S Q ， PAN H Y ， et al . An improved empirical wavelet transform and refined composite multiscale dispersion entropy-based fault diagnosis method for rolling bearing ［J］. IEEE Access ， 2019 ， 8 ： 168732 - 168742 .

乔志城，刘永强，廖英英 . 改进经验小波变换与最小熵解卷积在铁路轴承故障诊断中的应用［J］. 振动与冲击， 2021 ， 40 （ 2 ）： 81 - 90 .

QIAO Zhicheng ， LIU Yongqiang ， LIAO Yingying . Application of improved wavelet transform and minimum entropy deconvolution in railway bearing fault diagnosis ［J］. Journal of Vibration and Shock ， 2021 ， 40 （ 2 ）： 81 - 90 .

DRAGOMIRETSKIY K ， ZOSSO D . Variational mode decomposition ［J］. IEEE Transactions on Signal Processing ， 2014 ， 62 （ 3 ）： 531 - 544 .

刘俊利，缪炳荣，张盈，等 . 一种基于改进VMD和UMAP的滚动轴承故障特征提取方法［J］. 机械传动， 2023 ， 47 （ 6 ）： 130 - 138 .

LIU Junli ， MIAO Bingrong ， ZHANG Ying ， et al . A fault feature extraction method of rolling bearings based on optimized VMD and UMAP ［J］. Journal of Mechanical Transmission ， 2023 ， 47 （ 6 ）： 130 - 138 .

钟先友，何流，赵潇 . 基于SVMD与参数优化MCKD的轴承故障诊断［J］. 机电工程， 2024 ， 41 （ 7 ）： 1179 - 1188 .

ZHONG Xianyou ， HE Liu ， ZHAO Xiao . Bearing fault diagnosis based on SVMD and parameter optimized MCKD ［J］. Journal of Mechanical & Electrical Engineering ， 2024 ， 41 （ 7 ）： 1179 - 1188 .

黄斯琪 . 傅里叶分解方法（FDM）及其在滚动轴承故障诊断中的应用研究［D］. 马鞍山：安徽工业大学， 2020 ： 7 - 68 .

HUANG Siqi . Fourier decomposition method （FDM） and its application in rolling bearing fault diagnosis ［D］. Ma’anshan ： Anhui University of Technology ， 2020 ： 7 - 68 .

SINGH P ， JOSHI S D ， PATNEY R K ， et al . The Fourier decomposition method for nonlinear and non-stationary time series analysis ［J］. Proceedings Mathematical，Physical，and Engineering Sciences ， 2017 ， 473 （ 2199 ）： 20160871 .

郑近德，潘海洋，程军圣，等 . 基于自适应经验傅里叶分解的机械故障诊断方法［J］. 机械工程学报， 2020 ， 56 （ 9 ）： 125 - 136 .

ZHENG Jinde ， PAN Haiyang ， CHENG Junsheng ， et al . Adaptive empirical Fourier decomposition based mechanical fault diagnosis method ［J］. Journal of Mechanical Engineering ， 2020 ， 56 （ 9 ）： 125 - 136 .

AZIZ W ， ARIF M . Multiscale permutation entropy of physiological time series ［C］// 2005 Pakistan Section Multitopic Conference ， 2005 ： 1 - 6 .

伍济钢，文港 . 基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法［J］. 航天器环境工程， 2023 ， 40 （ 1 ）： 99 - 106 .

WU Jigang ， WEN Gang . Rolling bearing fault diagnosis method based on optimized multi-scale permutation entropy and convolutional neural network ［J］. Spacecraft Environment Engineering ， 2023 ， 40 （ 1 ）： 99 - 106 .

武哲，张强，黄华蒙，等 . 基于多尺度排列熵的复合行星齿轮故障诊断研究［J］. 机械设计与制造， 2020 （ 9 ）： 182 - 186 .

WU Zhe ， ZHANG Qiang ， HUANG Huameng ， et al . Research on fault diagnosis of compound planetary gear based on dynamic model and multiscale permutation entropy ［J］. Machinery Design & Manufacture ， 2020 （ 9 ）： 182 - 186 .

姜战伟 . 变分模态分解方法及其在机械故障诊断中的应用研究［D］. 马鞍山：安徽工业大学， 2017 ： 17 - 52 .

JIANG Zhanwei . Variational modal decomposition method and its application in mechanical fault diagnosis ［D］. Ma’anshan ： Anhui University of Technology ， 2017 ： 17 - 52 .

张炎亮，李营 . 基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断［J］. 电子测量技术， 2023 ， 46 （ 19 ）： 29 - 34 .

ZHANG Yanliang ， LI Ying . Rolling bearing fault diagnosis based on multi-scale permutation entropy and IWOA-SVM ［J］. Electronic Measurement Technology ， 2023 ， 46 （ 19 ）： 29 - 34 .

黄斯琪，谭志银，杨思国，等 . 改进的傅里叶分解方法及其在滚动轴承故障诊断中的应用［J］. 振动与冲击， 2023 ， 42 （ 12 ）： 178 - 186 .

HUANG Siqi ， TAN Zhiyin ， YANG Siguo ， et al . An improved Fourier decomposition method and its application in fault diagnosis of rolling bearings ［J］. Journal of Vibration and Shock ， 2023 ， 42 （ 12 ）： 178 - 186 .

HUANG S Q ， ZHENG J D ， PAN H Y ， et al . Order-statistic filtering Fourier decomposition and its application to rolling bearing fault diagnosis ［J］. Journal of Vibration and Control ， 2022 ， 28 （ 13/14 ）： 1605 - 1620 .

郑近德，王兴龙，潘海洋，等 . 基于自适应自相关谱峭度图的滚动轴承故障诊断方法［J］. 中国机械工程， 2021 ， 32 （ 7 ）： 778 - 785 .

ZHENG Jinde ， WANG Xinglong ， PAN Haiyang ， et al . Rolling bearing fault diagnosis method based on adaptive autogram ［J］. China Mechanical Engineering ， 2021 ， 32 （ 7 ）： 778 - 785 .

LU S L ， HE Q B ， WANG J . A review of stochastic resonance in rotating machine fault detection ［J］. Mechanical Systems and Signal Processing ， 2019 ， 116 ： 230 - 260 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于M-YOLO网络的滚动轴承故障诊断模型

基于参数优化VMD和改进GoogLeNet的滚动轴承故障诊断

基于时间子序列的轴承特征提取方法

一种基于改进VMD和UMAP的滚动轴承故障特征提取方法

基于变分模态分解和卷积神经网络融合的滚动轴承故障诊断方法