基于 FBEWT 与 EIRVM 的滚动体轴承故障诊断方法

为何隐蔽的轴承问题不容忽视

从火车车轮到工厂输送带与风力涡轮，无数机械依赖滚动体轴承——由钢球或滚柱填充的小金属环，使轴平稳旋转。当这些部件开始裂纹或磨损时，早期警告通常是隐藏在噪声中的微弱振动。错过这些线索可能导致突发故障、高昂维修费用，甚至安全事故。本文提出了一种新的方法，可以在数据嘈杂、负载变化的工况下更早、更可靠地捕捉这些微弱信号并识别轴承故障。

更智能的振动模式解读

作者着重于如何将原始振动数据转为清晰的轴承行为图像，并教计算机去阅读这些图像。他们引入了一种称为傅里叶—贝塞尔经验小波变换（FBEWT）的方法，而不是依赖固定的信号分析配方。简单来说，FBEWT 将振动记录重构为时频图像——一种显示每个时刻哪些振动成分处于活动状态的热图。通过使用特殊的数学波形（贝塞尔函数）并对数据自适应，FBEWT 能分离出常被旧方法混淆的重叠振动分量。结果是更清晰、更锐利的图像，故障相关的模式比背景噪声更容易被识别。

将图像变为有辨识度的纹理

一旦将振动数据转换为时频图像，下一步便是提取分类器可处理的紧凑数值指纹。研究者将每张图像视作有纹理的照片，测量图像中像素亮度如何共现，从而得到所谓的纹理度量。这些纹理特征捕捉了诸如对比度、平滑性和规则性等属性，反映了受损轴承表面产生的重复冲击模式。与平均值或方差等简单统计相比，这些纹理描述符更好地保留了与内圈、外圈或滚动体裂纹相关的细微局部结构。

灵活且精简的学习机器

为判定轴承的健康状态，论文改进了一种概率模型——相关向量机（RVM）。增强的增量式 RVM（EIRVM）学会识别真正有用的训练样本并仅保留一小部分称为相关向量的样本，从而减少内存与计算开销。关键在于，它可以在新数据到来时在线更新，而无需从头重训，这对于工业在线监测是实用需求。为了微调最敏感的参数——用于衡量样本相似度的核宽度，作者引入了一种受灰狼群猎食行为启发并结合混沌理论的元启发式搜索（CGWO）。这一巧妙的搜索策略能高效探索参数空间，避免过早陷入次优解。

方法验证

所提出的 FBEWT–EIRVM 流程在若干常用的实验台轴承故障数据集以及来自实际运行工业装置的测量数据上进行了评估。在每种情况下，该方法需区分健康轴承与内圈、外圈或滚动体有缺陷的轴承，并在不同载荷和加入人工噪声的条件下完成识别。在所有情景中，新方法相比竞品始终表现出更高的分类精度，包括传统的经验小波分析配合标准 RVM，乃至现代的卷积与循环神经网络组合。值得注意的是，当向数据中注入强噪声时，其性能几乎保持不变，表明对干扰具有较强的鲁棒性。

对日常机械的意义

对非专业读者而言，本文的信息是：这项研究提供了一种更可靠的旋转机械“听诊器”。通过生成更清晰的轴承振动图像并将其与紧凑且可自我更新的学习算法结合，FBEWT–EIRVM 框架能在信号微弱或嘈杂的情况下高置信度地检测早期故障。在实践中，这意味着维护团队可以更早发现问题、更合理地安排检修，从而降低关键设备（从交通系统到发电厂）的停机时间和风险。

引用: Zheng, Q., Li, Y., Chen, Y. et al. Fault diagnosis method of rolling-element bearings via FBEWT and EIRVM. Sci Rep 16, 14532 (2026). https://doi.org/10.1038/s41598-026-44164-6

关键词: 轴承故障诊断, 振动分析, 机械健康监测, 时频成像, 智能维护