基于多指标优化TQWT稀疏表示的轴承故障诊断

强煜栋; 万方义; 张春林; 张昌兴

doi:10.16579/j.issn.1001.9669.2026.05.014

您当前的位置：

首页 >

文章列表页 >

基于多指标优化TQWT稀疏表示的轴承故障诊断

·振动·噪声·监测·诊断· | 更新时间：2026-05-19

- 基于多指标优化TQWT稀疏表示的轴承故障诊断
- Bearing fault diagnosis based on multi-index optimization TQWT sparse representation
- 机械强度 2026年48卷第5期页码：117-125
- 作者机构：
  
  1.西北工业大学航空学院，西安 710072
  2.西安电子科技大学先进材料与纳米科技学院，西安 710126
- 作者简介：
  
  强煜栋，男，2001年生，陕西渭南人，硕士；主要研究方向为旋转机械故障诊断、强化学习及路径规划；E-mail：QiangVD@mail.nwpu.edu.cn。
  万方义（通信作者），男，1973年生，陕西西安人，博士，副教授；主要研究方向为飞行器综合测试与健康管理、飞行器结构、机构健康管理及演示试验；E-mail：fwan@nwpu.edu.cn。
- 基金信息：
  
  国家自然科学基金项目(11972314)
- DOI：10.16579/j.issn.1001.9669.2026.05.014
  中图分类号： TH212;TH213.3
- 收稿：2024-07-08，
  
  修回：2024-09-29，
  
  纸质出版：2026-05-15
- 稿件说明：
移动端阅览
强煜栋，万方义，张春林，等. 基于多指标优化TQWT稀疏表示的轴承故障诊断［J］. 机械强度，2026，48（5）：117-125.

QIANG Yudong，WAN Fangyi，ZHANG Chunlin，et al. Bearing fault diagnosis based on multi-index optimization TQWT sparse representation［J］. Journal of Mechanical Strength，2026，48（5）：117-125.
强煜栋，万方义，张春林，等. 基于多指标优化TQWT稀疏表示的轴承故障诊断［J］. 机械强度，2026，48（5）：117-125. DOI： 10.16579/j.issn.1001.9669.2026.05.014.

QIANG Yudong，WAN Fangyi，ZHANG Chunlin，et al. Bearing fault diagnosis based on multi-index optimization TQWT sparse representation［J］. Journal of Mechanical Strength，2026，48（5）：117-125. DOI： 10.16579/j.issn.1001.9669.2026.05.014.

摘要

目的

针对轴承振动故障特征提取精度偏低、故障信息易被强噪声淹没、信号自适应构建缺乏合理评价指标以及数据量冗余等问题，开展轴承故障特征增强与故障诊断方法研究。提出了一种引入非凸正则项系数的稀疏分解方法，并基于多指标特征矩阵实现信号自适应重构。

方法

首先，通过tunable Q-factor 小波变换（Tunable Q-factor Wavelet Transform

TQWT）对信号进行稀疏分解，获得信号的最简表达，构造非凸惩罚函数以提升重构信号的稀疏性，同时保留关键故障特征信息；其次，综合谐波与噪声能量比、峭度偏斜度比及稀疏度构建融合指标参数矩阵，用于优选可调小波参数与稀疏惩罚项阈值；最后，利用优选参数完成信号去噪与重构，再对重构信号进行解调分析，提取轴承故障特征信息。

结果

仿真信号与试验结果表明，所提方法能够有效提取轴承早期故障冲击特征，实现轴承振动故障的准确诊断。

Abstract

Objective

Aiming at the problems of low precision in bearing vibration fault feature extraction

fault information easily submerged by strong noise

lack of reasonable evaluation indices for adaptive signal construction

and data redundancy

a study on bearing fault feature enhancement and fault diagnosis was conducted.

Methods

A sparse decomposition method with non-convex regularization coefficients wass proposed

and adaptive signal reconstruction is realized based on a multi-index feature matrix. Firstly

the signal is sparsely decomposed via tunable Q-factor wavelet transform (TQWT) to obtain its most concise representation. A non-convex penalty function is constructed to improve the sparsity of the reconstructed signal while retaining key fault feature information. Secondly

a fused index parameter matrix was established by integrating harmonic-to-noise energy ratio

kurtosis-skewness ratio

and sparsity

which was adopted to optimize the parameters of tunable wavelets and the threshold of sparse penalty terms. Finally

signal denoising and reconstruction were completed using the optimized parameters

and demodulation analysis was performed on the reconstructed signal to extract bearing fault feature information.

Results

Simulation and test results show that the proposed method can effectively extract the impact features of early bearing faults and achieve accurate diagnosis of bearing vibration faults.

关键词

Keywords

references

王洪伟 . 航空发动机滚动轴承故障诊断与预测关键技术研究［D］. 南京：南京航空航天大学， 2015 ： 1 - 160 .

WANG Hongwei . Research on key technologies of fault diagnosis and prediction of aero-engine rolling bearing ［D］. Nanjing ： Nanjing University of Aeronautics and Astronautics ， 2015 ： 1 - 160 . （In Chinese）

孙鑫威，纪爱敏，杜占涛，等 . 动车组齿轮箱滚动轴承变转速故障诊断方法［J］. 哈尔滨工业大学学报， 2023 ， 55 （ 1 ）： 106 - 115 .

SUN Xinwei ， JI Aimin ， DU Zhantao ， et al . Fault diagnosis method for variable speed of rolling bearing in EMU gearbox ［J］. Journal of Harbin Institute of Technology ， 2023 ， 55 （ 1 ）： 106 - 115 . （In Chinese）

TSENG L M ， CHUANG C Y ， CHUA S K ， et al . Identification of coronary culprit lesion in ST elevation myocardial infarction by using deep learning ［J］. IEEE Journal of Translation Engineering in Health Medicine ， 2022 ， 11 ： 70 - 79 .

KHALIL N ， HIPPENSTIEL R . Wavelet transforms of correlation functions of frequency hopped signals ［C］// Conference Record of The Thirtieth Asilomar Conference on Signals，Systems and Computers . New York ： IEEE ， 1996 ： 1205 - 1208 .

SELESNICK I W . The double-density dual-tree DWT ［J］. IEEE Transactions on Signal Processing ， 2004 ， 52 （ 5 ）： 1304 - 1314 .

唐贵基，王晓龙 . 可调品质因子小波变换在滚动轴承微弱故障特征提取中的应用［J］. 中国电机工程学报， 2016 ， 36 （ 3 ）： 746 - 754 .

TANG Guiji ， WANG Xiaolong . Application of tunable Q-factor wavelet transform to feature extraction of weak fault for rolling bearing ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 3 ）： 746 - 754 . （In Chinese）

余发军，周凤星 . 基于EEMD和自相关函数特性的自适应降噪方法［J］. 计算机应用研究， 2015 ， 32 （ 1 ）： 206 - 209 .

YU Fajun ， ZHOU Fengxing . Adaptive de-noising method based on EEMD and autocorrelation function property ［J］. Application Research of Computers ， 2015 ， 32 （ 1 ）： 206 - 209 . （In Chinese）

MALLAT S G . A theory for multiresolution signal decomposition：the wavelet representation ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 1989 ， 11 （ 7 ）： 674 - 693 .

LIU H N ， LIU C L ， HUANG Y X . Adaptive feature extraction using sparse coding for machinery fault diagnosis ［J］. Mechanical Systems and Signal Processing ， 2011 ， 25 （ 2 ）： 558 - 574 .

CUI L L ， WANG J ， LEE S . Matching pursuit of an adaptive impulse dictionary for bearing fault diagnosis ［J］. Journal of Sound and Vibration ， 2014 ， 333 （ 10 ）： 2840 - 2862 .

XU Z B ， CHANG X Y ， XU F M ， et al . L1/2 regularization：a thresholding representation theory and a fast solver ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2012 ， 23 （ 7 ）： 1013 - 1027 .

WANG Y ， ZENG J S ， PENG Z M ， et al . Linear convergence of adaptively iterative thresholding algorithms for compressed sensing ［J］. IEEE Transactions on Signal Processing ， 2015 ， 63 （ 11 ）： 2957 - 2971 .

SELESNICK I ， FARSHCHIAN M . Sparse signal approximation via nonseparable regularization ［J］. IEEE Transactions on Signal Processing ， 2017 ， 65 （ 10 ）： 2561 - 2575 .

WANG S B ， SELESNICK I ， CAI G G ， et al . Nonconvex sparse regularization and convex optimization for bearing fault diagnosis ［J］. IEEE Transactions on Industrial Electronics ， 2018 ， 65 （ 9 ）： 7332 - 7342 .

SELESNICK I W . Wavelet transform with tunable Q-factor ［J］. IEEE Transactions on Signal Processing ， 2011 ， 59 （ 8 ）： 3560 - 3575 .

WANG B ， LEI Y G ， LI N P ， et al . A hybrid prognostics approach for estimating remaining useful life of rolling element bearings ［J］. IEEE Transactions on Reliability ， 2020 ， 69 （ 1 ）： 401 - 412 .

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

基于多模态信息融合的抽油机故障诊断技术研究

基于广义球面坐标变换的最大相关皮尔逊相关系数解卷积轴承故障诊断算法

基于扩散卷积神经网络的三相感应电动机轴承故障诊断研究

基于双通道信息融合和VCC-FuseNet的电机滚动轴承故障诊断

基于深度学习与SMOTE数据增强的旋转机械故障诊断研究