1. 项目背景与核心价值
空气压缩机作为工业领域的核心动力设备,其运行状态直接影响生产线的稳定性。传统振动分析采用傅里叶变换,但面对非平稳信号时存在明显局限。我在某汽车制造厂设备维护期间,曾遇到主压缩机轴承故障误报导致产线停机的案例,这促使我深入研究小波散射网络(Wavelet Scattering Network)这一新兴时频分析工具。
与深度学习需要海量数据不同,小波散射网络通过预定义的小波滤波器组提取信号特征,特别适合工业场景下样本量有限的故障诊断。MATLAB R2021b的Scattering Transform工具箱实现了该算法的工程化应用,我们团队用其将某型号螺杆式压缩机的故障识别准确率从83%提升至96%。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术方案设计
2.1 信号采集方案
采用三轴加速度传感器(频响范围5-10kHz)采集压缩机壳体振动信号,采样频率设为25.6kHz以满足Nyquist定理。实测中发现,传感器安装位置对信噪比影响显著:驱动端轴承座垂直方向通常包含最丰富的故障特征。
关键经验:安装时用Loctite 648胶剂固定传感器,避免螺栓连接引入额外共振
2.2 小波散射网络参数设计
matlab复制sf = waveletScattering2('SignalLength', 8192,...
'InvarianceScale', 0.5,...
'QualityFactors', [8 1],...
'OversamplingFactor', 2);
- InvarianceScale:设为0.5秒以捕捉轴承故障特征频率(通常100Hz-2kHz)
- QualityFactors:第一级小波组Q=8增强频率分辨率,第二级Q=1保持时域定位
- 通过Morlet小波构建的滤波器组可自动提取信号的多尺度包络特征
2.3 特征降维与分类
散射系数经过对数变换后,采用t-SNE降至3维可视化。某次实测数据呈现明显聚类:
- 正常状态:集中在原点附近
- 内圈故障:沿X轴发散
- 外圈故障:呈环状分布
使用SVM分类器时,核函数选择RBF(σ=0.3)
