“滚动轴承故障诊断MATLAB程序：快速谱峭度与谱峭度+包络谱分析”
滚动轴承故障诊断MATLAB程序：快速谱峭度、谱峭度+包络谱分析 滚动轴承故障诊断是机械工程领域的一个重要研究方向。滚动轴承是一种常见的机械元件，用于支撑和转动机械装置中的轴。然而，由于长时间使用或其他原因，滚动轴承可能会出现故障，例如磨损、裂纹或松动等。因此，及时准确地诊断滚动轴承的故障非常重要，以避免设备损坏或生产中断。 MATLAB是一种强大的科学计算和数据分析工具，广泛应用于工程、科学和技术领域。它提供了丰富的函数和工具箱，可以用于信号处理、数据分析、图像处理等各种任务。在滚动轴承故障诊断中，MATLAB可以用于处理和分析滚动轴承的振动信号，以提取特征并判断是否存在故障。 快速谱峭度和谱峭度+包络谱分析是滚动轴承故障诊断中常用的方法之一。快速谱峭度是一种用于检测信号中频率成分变化的方法，可以帮助确定滚动轴承是否存在故障。谱峭度+包络谱分析结合了快速谱峭度和包络谱分析，可以更准确地识别滚动轴承的故障类型和程度。 总之，滚动轴承故障诊断是一个重要的领域，通过使用MATLAB编写的程序和快速谱峭度、谱峭度+包络谱分析等方法，可以帮助工程师和技术人员及时准确地诊断滚动轴承的故障。
一、算法概述
快速谱峭度（Fast Kurtogram）算法是由J. Antoni提出的一种用于瞬态故障检测的关键技术，广泛应用于机械系统（如滚动轴承）的故障诊断领域。该算法通过金字塔式的信号分解，计算不同频率段和分解层级下的峭度值，生成可视化的谱峭度图（Kurtogram），从而精准定位包含瞬态脉冲信号的最优频带，为后续带通滤波和故障特征提取提供依据。
滚动轴承故障诊断MATLAB程序：快速谱峭度、谱峭度+包络谱分析 滚动轴承故障诊断是机械工程领域的一个重要研究方向。滚动轴承是一种常见的机械元件，用于支撑和转动机械装置中的轴。然而，由于长时间使用或其他原因，滚动轴承可能会出现故障，例如磨损、裂纹或松动等。因此，及时准确地诊断滚动轴承的故障非常重要，以避免设备损坏或生产中断。 MATLAB是一种强大的科学计算和数据分析工具，广泛应用于工程、科学和技术领域。它提供了丰富的函数和工具箱，可以用于信号处理、数据分析、图像处理等各种任务。在滚动轴承故障诊断中，MATLAB可以用于处理和分析滚动轴承的振动信号，以提取特征并判断是否存在故障。 快速谱峭度和谱峭度+包络谱分析是滚动轴承故障诊断中常用的方法之一。快速谱峭度是一种用于检测信号中频率成分变化的方法，可以帮助确定滚动轴承是否存在故障。谱峭度+包络谱分析结合了快速谱峭度和包络谱分析，可以更准确地识别滚动轴承的故障类型和程度。 总之，滚动轴承故障诊断是一个重要的领域，通过使用MATLAB编写的程序和快速谱峭度、谱峭度+包络谱分析等方法，可以帮助工程师和技术人员及时准确地诊断滚动轴承的故障。
本套代码基于MATLAB开发，实现了快速谱峭度的完整计算流程，支持两种核心算法（滤波器组分解法、短时傅里叶变换法）和两种峭度度量方式（经典峭度、稳健峭度），并提供信号预白化、瞬态信号滤波、包络谱分析等辅助功能，形成了从信号输入到故障特征可视化的全流程解决方案。
二、核心功能模块
2.1 信号预处理模块
信号预处理的核心目标是降低噪声干扰，提升后续谱峭度计算的准确性，主要功能为信号预白化，由demoFastKurtogram.m、Untitled2.m等演示脚本中的预处理逻辑实现。
功能细节
- 均值去除：消除信号中的直流分量，避免直流偏移对峭度计算的影响，公式为
x = x - mean(x)。 - 线性预测（LPC）滤波：通过LPC算法估计信号的功率谱密度，生成逆滤波器对信号进行白化处理，减少信号自相关性。关键参数包括LPC阶数（默认100阶），处理后需切除滤波器 transient 部分（前100个采样点），避免引入新的瞬态干扰。
- 用户交互选择：运行时通过输入
0（否）或1（是），决定是否启用预白化功能，默认推荐启用（尤其适用于强背景噪声场景）。
应用场景
当原始信号存在明显的周期性干扰（如电网噪声、设备正常运转的谐波成分）或强自相关性时，预白化可有效突出隐藏的故障瞬态信号，提升谱峭度图的分辨率。
2.2 快速谱峭度计算模块
该模块是算法的核心，负责实现信号的多尺度分解和峭度计算，核心入口函数为Fast_Kurtogram.m，支持两种分解算法和两种峭度度量方式，具体功能如下：
2.2.1 算法选择（opt1参数）
| 算法类型 | 参数值 | 核心原理 | 适用场景 |
|---|---|---|---|
| 滤波器组分解法 | opt1=1 | 基于小波包变换的金字塔式分解，使用二分滤波器组（DBFB）和三分滤波器组（TBFB）对信号进行多尺度频带分割，计算每个频带的峭度值 | 需高频率分辨率的场景，如低速机械故障诊断（故障特征频率较低） |
| 短时傅里叶变换法 | opt1=2 | 通过滑动汉宁窗对信号进行短时傅里叶变换（STFT），将时频平面划分为不同窗口长度的频带，计算各频带峭度 | 需平衡时频分辨率的场景，如高速设备的瞬态故障定位 |
2.2.2 峭度度量选择（opt2参数）
峭度是衡量信号脉冲特性的统计量，本代码支持两种度量方式，由kurt.m函数实现：
- 经典峭度（opt2=1）：基于四阶统计量，公式为
K = (E[|x|⁴]/(E[|x|²])²) - C（实信号C=3，复信号C=2）。对强脉冲信号敏感，适用于故障初期（瞬态脉冲明显）的场景。 - 稳健峭度（opt2=2）：基于包络的二阶统计量，公式为
K = (E[|x|²]/(E[|x|])²) - C（实信号C=1.57，复信号C=1.27）。对脉冲噪声的鲁棒性更强，适用于信号被强脉冲噪声污染的场景（如设备振动中的冲击干扰）。
2.2.3 关键约束与参数
- 最大分解层级（nlevel）：由信号长度决定，最大允许层级为
log2(length(x)) - 7，推荐值为6-8（如采样长度12000时，nlevel=6），避免分解过度导致频带分辨率下降。 - 采样频率（Fs）：默认值为1，实际应用中需设置为信号真实采样频率（如滚动轴承数据常用12000Hz），用于频带中心频率和带宽的计算。
2.3 谱峭度可视化模块
该模块将计算得到的峭度值以彩色图像形式展示，帮助用户直观定位最优频带，核心功能由Fast_Kurtogram.m中的图形绘制逻辑实现。
可视化输出要素
- 坐标轴定义：
- 横轴（X轴）：频率（Hz），根据采样频率和分解层级计算，覆盖0~Fs/2（奈奎斯特频率）。
- 纵轴（Y轴）：分解层级，滤波器组法中包含整数级（二分频带）和非整数级（三分频带），短时傅里叶变换法中为窗口长度的对数（log2(Nw)）。
- 颜色映射：颜色深浅代表峭度值大小，颜色越亮（如红色）表示峭度越高，对应包含瞬态脉冲的频带。
- 关键信息标注：标题中显示最大峭度值（Kmax）、对应层级、频带带宽（Bw）和中心频率（fc），帮助用户快速获取最优滤波参数。
示例输出解读
若输出标题为fb-kurt.2 - Kmax=5.2 @ level 6, Bw= 93.75Hz, fc=1171.88Hz，表示：
- 采用滤波器组法（fb）和经典峭度（kurt.2）；
- 最大峭度值为5.2，位于第6层级；
- 最优频带的带宽为93.75Hz，中心频率为1171.88Hz。
2.4 瞬态信号滤波与包络谱分析模块
该模块基于谱峭度图定位的最优频带，对原始信号进行带通滤波，并可选分析滤波后信号的包络谱，核心函数为Findwavkurt.m（滤波器组法）和Findstftkurt.m（短时傅里叶变换法）。
2.4.1 瞬态信号滤波流程
- 用户交互输入：
- 最优中心频率（fi）：输入谱峭度图中高峭度频带对应的频率值（0~Fs/2）。
- 最优层级（lev）：输入高峭度频带对应的分解层级（0~nlevel）。 - 带通滤波器设计：
- 滤波器组法：根据层级和中心频率，调用KwpQfilt.m生成小波包滤波器，对信号进行带通滤波。
- 短时傅里叶变换法：基于选定窗口长度（Nw=2^lev）和中心频率，生成汉宁窗调制的带通滤波器，通过fftfilt函数实现滤波。 - 滤波结果输出：输出滤波后的信号（复信号或实信号），并绘制原始信号与滤波信号的时域波形图，标注脉冲阈值（基于瑞利分布，
raylinv.m计算）。
2.4.2 包络谱分析
包络谱是提取机械故障特征频率的关键工具，流程如下：
- 包络计算：对滤波后的信号取绝对值（或复包络的模），得到信号包络。
- 傅里叶变换：对包络信号进行FFT，生成包络谱，突出故障特征频率（如轴承内圈、外圈故障频率）。
- 可视化：绘制包络谱图，横轴为频率（Hz），纵轴为谱幅值，帮助用户识别故障特征。
功能价值
通过带通滤波可有效提取隐藏在噪声中的瞬态信号，包络谱则将时域脉冲信号转换为频域特征，直接对应设备的故障类型（如轴承外圈故障对应外圈特征频率），为故障诊断提供直接依据。
三、代码运行流程
以滚动轴承故障诊断为例，基于demoFastKurtogram.m的完整运行流程如下：
3.1 准备阶段
- 数据加载：加载目标信号数据（如西储大学轴承数据，
X106DEtime为驱动端振动信号），设置采样频率（Fs=12000Hz）和分解层级（nlevel=6）。 - 预白化选择：输入
1启用预白化，去除信号均值和自相关性；输入0跳过预白化。
3.2 谱峭度计算与可视化
- 算法与峭度选择：
- 输入1选择滤波器组法（opt1=1），或2选择短时傅里叶变换法（opt1=2）。
- 输入1选择经典峭度（opt2=1），或2选择稳健峭度（opt2=2）。 - 谱峭度图生成：代码自动计算各频带峭度值，生成彩色谱峭度图，标注最大峭度对应的频带参数。
3.3 瞬态滤波与包络谱分析
- 滤波选择：输入
1启动瞬态信号滤波，输入0结束流程。 - 参数输入：
- 输入最优中心频率（如1171.88Hz，来自谱峭度图）。
- 输入最优层级（如6，来自谱峭度图）。 - 包络谱选择：输入
1查看包络谱，输入0仅查看滤波信号。 - 循环或结束：输入
1继续选择其他频带滤波，输入0结束运行，输出滤波信号和分析结果。
四、关键函数依赖关系
代码中各函数分工明确，形成紧密的依赖关系，核心依赖链如下：
- 入口函数：
Fast_Kurtogram.m（谱峭度计算与流程控制）。 - 信号分解函数：
- 滤波器组法：DBFB.m（二分滤波）、TBFB.m（三分滤波）、KwpQ.m（小波包分解与峭度计算）。
- 短时傅里叶变换法：Kffft.m（STFT分解）、Kf_W.m（Welch法计算峭度）。 - 滤波函数：
Findwavkurt.m（滤波器组法滤波）、Findstftkurt.m（STFT法滤波）、KwpQfilt.m（小波包滤波实现）。 - 辅助函数：
kurt.m（峭度计算）、max_IJ.m（找最大峭度位置）、raylinv.m（瑞利分布阈值计算）、binary.m（二进制编码，用于小波包节点定位）。
五、应用场景与注意事项
5.1 典型应用场景
- 机械故障诊断：滚动轴承、齿轮箱等旋转机械的早期故障检测（如轴承外圈剥落、齿轮齿面磨损）。
- 瞬态信号提取：强噪声背景下的脉冲信号定位（如电力系统的雷击脉冲、声呐信号中的目标脉冲）。
5.2 注意事项
- 参数设置：
- 分解层级（nlevel）需根据信号长度调整，过长可能导致频带过窄，过短则分辨率不足。
- 预白化仅在信号自相关性强时启用，若信号本身脉冲特征明显，禁用预白化可避免特征丢失。 - 结果解读：
- 谱峭度图中高峭度值不一定对应故障，需结合设备结构和故障特征频率（如轴承故障频率公式）验证。
- 包络谱分析时需关注谐波成分，单一频率峰值可能为干扰，谐波簇则更可能是故障特征。 - 数据要求：输入信号需为单通道时域信号，采样频率需准确（直接影响频带计算精度），建议采样长度为2的幂次（如8192、16384）以优化FFT性能。
六、参考文献
J. Antoni,Fast Computation of the Kurtogram for the Detection of Transient Faults, Mechanical Systems and Signal Processing, Vol. 21, January 2007, pp. 108-124.