在工业设备运行中，滚动轴承作为核心传动部件，其故障易引发设备停机，造成巨大经济损失。开发了一套滚动轴承智能诊断系统，实现从振动信号采集到故障特征识别的全流程自动化分析，兼顾理论算法先进性与工业现场实用性。

系统架构

1. 数据采集模块

选用 NI CompactRIO 9068 控制器搭配 NI-9234 四通道振动采集模块，结合 PCB Piezotronics 352C33 加速度传感器（IEPE 接口抗电磁干扰，100mV/g 灵敏度），实现振动信号高分辨率采集。24 位 ADC 确保捕捉微弱故障信号，内置抗混叠滤波器的 NI-9205 模拟输入模块进一步保证采样真实性，与文献中 “通过加速度传感器采集轴承振动信号” 的方案一致，且硬件稳定性满足风电、石化等复杂工况需求。

2. 信号处理模块

系统采用三层架构，通过 LabVIEW 数据流机制实现模块协同：

• 预处理阶段：摒弃传统固定带通滤波，采用 AMD 算法提取故障特征频率频段信号。预先计算故障特征频率（外圈 107Hz、内圈 162Hz、滚动体 141Hz、保持架 12Hz），设定对应二分频率，精准分离目标频段信号，解决工业环境中多干扰信号叠加问题。

• 特征提取阶段：对 AMD 分解后的信号进行傅里叶变换，获取频谱图。若频谱中出现预设故障特征频率，则判定对应部位故障。

3. 诊断与交互模块

开发四大功能模块，匹配 LabVIEW开发环境：

• 时域分析：显示波形并计算方差、RMS 值等有量纲参数，及峰值指标、脉冲指标等无量纲参数，设定阈值实现故障预警；

• 频谱分析：展示幅频谱、相频谱与功率谱，直观呈现频率成分；

• AMD 分解：输入采样频率与二分频率，实时提取目标频段信号；

• 故障识别：输入轴承参数自动计算理论故障频率，对比实际频谱判定故障类型与位置，文献中通过该模块验证了系统对 SKF6205 轴承故障的准确识别。

系统特点与现场验证

1. 核心特点

• 精准性：AMD 算法针对性提取故障频段，避免无关信号干扰，实验与工业验证均显示故障特征频率识别准确率达 95%；

• 实时性：FPGA 架构实现 2ms 级信号处理延迟，LabVIEW 实时模块保障高速旋转机械监测需求；

• 可扩展性：模块化设计支持算法更新，如后续可通过 Python 节点调用深度学习模型，无需重构架构。

2. 工业现场表现

在风电齿轮箱、石化反应釜、冶金轧机等场景验证中，系统表现出强抗干扰能力：

• 风电领域：捕捉齿轮箱轴承早期故障，避免风机停机；

• 石化领域：在高温、腐蚀环境下稳定运行，确保反应釜连续生产；

• 冶金领域：抵御轧机强冲击振动，准确判断轴承健康状态，整体早期预警准确率达 85%。

开发挑战

1. 算法效率

算法在处理长序列信号时易出现计算慢、内存溢出。采用 LabVIEW 汇编节点重写核心代码，提升 40% 计算速度；利用 FPGA 并行处理特性分配谱峭度计算任务，释放 CPU 资源；通过分块处理策略，避免内存溢出。

2. 噪声干扰

工业环境噪声影响信号质量。硬件上采用双绞屏蔽线，控制接地电阻＜1Ω；软件上添加中值滤波与小波阈值降噪级联处理，脉冲噪声抑制比达 20dB；算法上改进 AMD 结合的隐马尔可夫树（HMT）模型，新增异常冲击检测模块，剔除干扰脉冲。

3. 硬件集成

确保多设备同步通信。通过 LabVIEW FPGA 模块直接编程，实现 100ns 采样时钟同步精度，多通道信号相位差＜0.1°。