【MATLAB源码-第430期】基于MATLAB的卷积神经网络的永磁同步电机轴承故障检测与分类方法设仿真.

操作环境：

MATLAB 2024a

1、算法描述

摘要

永磁同步电机具有功率密度高、效率高、调速性能好和运行稳定性强等优点，已广泛应用于工业驱动、新能源装备、电动汽车、精密伺服系统和智能制造设备中。轴承作为永磁同步电机机械支撑与旋转传动系统中的关键部件，其健康状态会直接影响电机运行的平稳性、可靠性和安全性。当轴承出现内圈损伤、外圈损伤或滚动体损伤时，电机振动信号中会产生周期性冲击、局部能量突变和频率结构变化。如果故障不能被及时识别，电机可能进一步出现振动加剧、噪声升高、转矩波动、温升异常甚至停机损坏等问题。因此，对永磁同步电机轴承进行有效的状态监测和故障识别具有重要工程意义。

本文围绕永磁同步电机轴承多状态故障诊断问题，设计一种基于时频图转换与卷积神经网络的智能识别方法。该方法首先对轴承振动信号进行分段、去均值和标准化处理，使不同样本具有统一的数据尺度；随后利用短时频谱分析方法将一维振动信号转换为二维时频图，使信号中的时域冲击特征和频域能量分布能够同时表达；最后构建二维卷积神经网络，对正常状态、内圈故障、滚动体故障和外圈故障进行分类识别。实验结果表明，在当前数据划分和训练条件下，该方法能够有效区分永磁同步电机轴承的不同运行状态，测试结果具有较好的分类一致性。研究结果说明，时频图能够较好保留轴承振动信号中的非平稳特征，卷积神经网络能够自动提取具有判别能力的深层特征，从而提升轴承故障诊断的自动化水平和识别准确性。

关键词：永磁同步电机；轴承故障诊断；振动信号；时频图；卷积神经网络；状态识别

1 引言

永磁同步电机是现代电气传动系统中的重要执行部件。由于永磁同步电机具有效率高、体积小、动态响应快和控制性能好的特点，其在新能源车驱动系统、工业伺服系统、风机泵类负载、机器人关节、电主轴和高端装备中得到了广泛应用。随着设备运行时间增加，电机内部机械部件会受到长期载荷、转速变化、润滑状态、安装误差和外界冲击等因素影响。其中，轴承故障是电机常见机械故障之一，也是影响电机运行可靠性的重要因素。

轴承故障通常具有渐进发展的特点。早期故障可能只表现为轻微振动异常或局部冲击增强，若没有及时识别，损伤区域会逐渐扩大，最终影响电机转子支撑精度和整体运行稳定性。在永磁同步电机中，轴承故障不仅会造成机械振动和噪声增加，还可能引起转矩脉动、定转子气隙变化和电磁力波动。因此，轴承健康状态监测不仅属于机械故障诊断问题，也与电机系统的安全运行和维护策略密切相关。

传统轴承故障诊断方法通常依赖人工特征提取。常见特征包括振动信号的均方根值、峰值、峭度、偏度、频谱峰值、包络谱特征和特征频率分量等。这类方法具有较好的物理意义，便于工程人员理解和分析。但在复杂工况下，电机振动信号往往具有非线性、非平稳和多频率耦合特点。单一时域特征或频域特征可能难以完整表达故障状态差异。当噪声较强、样本类别较多或运行负载发生变化时，人工特征方法的稳定性和泛化能力容易受到影响。

近年来，深度学习方法逐渐应用于旋转机械故障诊断。卷积神经网络能够通过多层卷积结构自动提取局部特征和深层抽象特征，减少对人工特征设计的依赖。已有研究表明，将振动信号转换为图像形式后再输入卷积神经网络，可以利用CNN在二维特征提取方面的优势，提高轴承故障识别能力。Hoang和Kang提出了基于振动图像与卷积神经网络的滚动轴承故障诊断方法，说明振动信号图像化表达能够支持CNN完成有效分类。 CWRU轴承数据中心提供了正常轴承和故障轴承测试数据，并记录了电机负载、转速、故障位置等实验条件，该数据常用于轴承故障诊断算法验证。

基于上述背景，本文以永磁同步电机轴承状态识别为应用对象，采用振动信号时频图转换与卷积神经网络相结合的方法，对正常状态、内圈故障、滚动体故障和外圈故障进行分类研究。本文方法的基本思路是：先将原始一维振动信号转换为更适合深度网络学习的二维时频图，再利用CNN自动学习不同故障状态下的深层特征，最终完成多类别轴承故障诊断。

2 永磁同步电机轴承故障特征分析

永磁同步电机的轴承主要承担转子支撑、旋转定位和机械载荷传递作用。轴承运行状态良好时，转子能够保持较稳定的旋转中心，电机整体振动水平较低。当轴承局部出现损伤时，滚动体与故障区域周期性接触，会在振动信号中产生冲击成分。不同故障位置对应不同的接触过程，因此振动信号的时间波形、频率分布和能量集中区域也会表现出差异。

内圈故障通常与转轴同步旋转相关。当内圈存在局部剥落或裂纹时，故障点会随转子转动不断进入受载区域。由于故障位置随旋转周期变化，振动冲击往往具有较明显的周期性和调制特征。外圈故障通常发生在轴承固定外圈位置，当滚动体经过外圈损伤区域时会形成冲击响应。由于外圈故障位置相对固定，振动响应可能在特定方向或特定测点上更明显。滚动体故障则与滚动体自身表面损伤有关，其振动信号可能同时受到滚动体自转、公转和接触状态变化影响，信号结构通常更复杂。

对于永磁同步电机而言，轴承故障信号还可能与电机电磁振动、机械安装误差、负载扰动和控制系统动态响应叠加在一起。因此，仅从原始时域波形中判断故障类别并不容易。频域分析可以揭示不同频率成分的能量分布，但普通频谱难以反映故障特征随时间变化的过程。时频分析方法能够在时间和频率两个维度上描述振动信号，更适合处理轴承故障这类非平稳信号。

本文采用时频图作为CNN输入特征。时频图能够把一段振动信号表示为二维矩阵，其中一个维度反映时间变化，另一个维度反映频率分布，矩阵幅值反映局部频率能量强弱。相比单纯时域波形，时频图能更直观地表达冲击发生时刻和频率能量变化；相比单纯频谱，时频图又能保留信号局部变化过程。因此，时频图适合作为永磁同步电机轴承故障智能识别的输入形式。

3 故障诊断方法设计

本文方法主要包括数据读取、信号预处理、样本构建、时频图转换、网络训练和分类评价几个环节。整个流程围绕轴承振动信号展开，目标是从原始振动数据中提取能够区分不同轴承状态的有效特征，并通过卷积神经网络完成自动识别。

首先，系统读取轴承振动信号。振动信号通常由加速度传感器采集，能够反映电机运行过程中的机械冲击、转动不平衡和局部缺陷响应。对于轴承故障诊断而言，驱动端振动信号具有较高应用价值，因为其距离电机轴承较近，对轴承局部故障较为敏感。公开数据集中的文件通常以MATLAB格式保存，并包含驱动端、风扇端振动信号以及电机转速等信息。CWRU数据说明中指出，其数据文件为MATLAB格式，并包含风扇端、驱动端振动数据和电机转速信息。

其次，系统对振动信号进行预处理。由于不同原始数据文件的信号长度、幅值水平和采集状态可能存在差异，直接输入网络会增加训练难度。因此，本文先对信号进行去均值处理，降低直流偏置影响；再进行标准化处理，使样本幅值尺度更加统一。随后，系统按照固定长度将连续振动信号划分为多个片段。每个片段作为一个独立样本，用于后续时频图构建。通过这种方式，单个长时间振动信号可以生成多个训练样本，有助于提高样本利用率。

再次，系统将一维振动片段转换为二维时频图。时频图构建过程采用局部窗口分析思想。系统把振动片段划分为多个短时间窗口，并对每个窗口计算频谱幅值。由于轴承故障冲击往往只在局部时间内发生，局部频谱能够更好地保留故障瞬态特征。随后，系统对频谱幅值进行对数压缩和归一化处理，使强弱能量区域都能在图像中得到合理表达。最后，系统将时频矩阵统一调整为固定尺寸，作为卷积神经网络的输入。

最后，系统构建CNN分类模型。卷积神经网络由输入层、卷积层、批归一化层、激活层、池化层、全连接层和分类层组成。卷积层负责提取时频图中的局部纹理和能量分布特征；批归一化层用于稳定训练过程；激活层增强模型非线性表达能力；池化层降低特征维度并保留主要响应；全连接层完成深层特征整合；分类层输出最终类别结果。通过端到端训练，网络能够从时频图中自动学习不同轴承状态之间的差异。

4 卷积神经网络分类模型

卷积神经网络适合处理具有局部相关性的二维数据。永磁同步电机轴承振动信号转换成时频图后，不同故障状态会在图像中形成不同的能量纹理和分布模式。正常状态下，时频图通常更平稳，局部突变较少。故障状态下，局部冲击会引起较明显的频率能量增强，不同故障类型的增强区域和变化规律也会有所不同。CNN能够通过卷积核在局部区域内提取这些差异，并通过多层结构形成更高层次的特征表示。

本文模型采用多层二维卷积结构。第一层卷积主要提取基础纹理，例如局部能量边缘、条纹变化和低层频率分布。第二层卷积进一步提取更复杂的局部结构，例如连续冲击产生的时频纹理和不同频带之间的组合特征。第三层卷积则用于形成更抽象的类别判别信息，使正常状态、内圈故障、滚动体故障和外圈故障在特征空间中更容易分离。

为了提高训练稳定性，模型在卷积层之后加入批归一化处理。批归一化能够缓解训练过程中数据分布变化带来的影响，使网络收敛更加平稳。激活函数用于引入非线性表达能力，使模型能够拟合复杂的故障特征分布。池化操作用于降低特征图尺寸，减少参数数量，同时保留较强的局部响应。模型末端使用全连接层和分类层输出最终诊断结果。

与传统人工特征分类方法相比，CNN方法的优势在于不需要人为指定某一个特征作为判断依据。传统方法通常需要先计算时域、频域或包络谱特征，再选择合适分类器进行识别。这一过程依赖经验，并且不同工况下特征有效性可能发生变化。CNN则能够从输入样本中自动学习多层次特征，对复杂信号具有更强的表达能力。对于永磁同步电机轴承故障这类非平稳振动问题，CNN与时频图结合具有较好的适用性。

5 实验结果分析

实验结果显示，基于时频图和卷积神经网络的故障诊断方法能够对永磁同步电机轴承不同状态进行有效识别。从原始振动信号可以观察到，正常状态下振动幅值较为稳定，波形变化相对平缓；故障状态下振动信号中存在更明显的冲击分量和幅值波动。这说明轴承局部故障会改变电机运行过程中的机械振动响应。

从频域结果来看，不同故障状态在频率能量分布上存在差异。正常状态的频谱分布相对集中，故障状态则可能在某些频段出现能量增强。内圈故障、滚动体故障和外圈故障由于故障位置和接触方式不同，其频谱结构也会呈现不同特征。频域分析能够反映信号整体频率组成，但对于冲击发生时间和局部能量变化的表达能力有限。因此，本文进一步采用时频图作为深度学习模型输入。

从时频图结果来看，不同轴承状态在二维时频平面上表现出明显差异。正常状态的时频能量分布较平稳，故障状态则会出现局部高能量区域或更明显的纹理变化。时频图将时间变化和频率变化结合起来，使轴承故障信号中的非平稳特征能够更完整地表达。这种表达方式为CNN提取深层特征提供了较好的输入基础。

从分类结果来看，卷积神经网络能够对四类轴承状态形成较清晰的判别。测试结果表明，在当前训练集、验证集和测试集划分条件下，模型对正常状态、内圈故障、滚动体故障和外圈故障均具有较好的识别效果。混淆矩阵能够反映不同类别之间的错分情况。当前实验中，各类别样本被正确归入对应类别，说明模型已经学习到较有效的故障判别特征。精确率、召回率和F1值进一步说明模型在各类状态识别上具有一致性。

需要注意的是，当前实验结果应理解为在特定数据集、特定样本划分和特定训练参数下得到的结果。CWRU数据集常被用作轴承故障诊断算法验证，但已有研究指出，若样本划分方式不够严格，深度学习模型在该数据集上的结果可能偏乐观。因此，本文结果能够说明该方法在当前实验条件下具有良好分类能力，但不能直接等同于其在所有实际永磁同步电机现场工况中都能保持相同效果。若进一步应用到工程现场，还需要增加跨转速、跨负载、跨设备、强噪声和早期微弱故障条件下的验证。

6 工程应用价值

永磁同步电机在实际应用中通常承担连续运行任务。对于工业生产线、驱动系统和新能源装备而言，电机故障可能造成停机损失和维护成本增加。轴承作为易损部件，其早期状态识别对于设备预测性维护具有重要意义。本文方法通过振动信号实现轴承状态分类，具有较强的工程应用价值。

首先，该方法能够减少人工特征设计工作。传统故障诊断往往需要根据经验选择特征参数，并结合故障机理进行人工判断。本文方法通过时频图和CNN自动学习故障特征，可以降低人工经验依赖，提高诊断流程的自动化程度。

其次，该方法能够增强非平稳信号表达能力。永磁同步电机轴承故障信号具有冲击性和局部变化特点，单纯时域或频域分析可能无法完整描述其特征。时频图能够同时表达时间和频率信息，有利于识别不同故障状态之间的细微差异。

再次，该方法具有一定扩展性。本文框架不仅适用于正常、内圈故障、滚动体故障和外圈故障四类识别，也可以扩展到不同故障程度、不同转速、不同负载和不同安装状态下的多类别识别任务。若后续引入迁移学习、注意力机制或轻量化网络，还可以进一步提高模型在复杂工况和边缘设备中的应用能力。深度迁移学习已经成为轴承故障诊断研究的重要方向之一，其核心目标是提升模型在不同设备、不同工况和不同数据分布条件下的适应能力。

7 结论

本文面向永磁同步电机轴承故障诊断问题，提出一种基于时频图转换和卷积神经网络的多状态识别方法。该方法以轴承振动信号为输入，通过信号预处理、样本分段、时频图构建和CNN分类，实现正常状态、内圈故障、滚动体故障和外圈故障的自动识别。与传统人工特征方法相比，该方法能够从二维时频图中自动提取深层特征，减少人为特征选择带来的不确定性。

实验结果表明，时频图能够较好表达永磁同步电机轴承振动信号中的局部冲击和频率变化特征，卷积神经网络能够进一步从中学习具有分类能力的特征表示。在当前数据划分条件下，模型能够对四类轴承状态实现有效区分，说明该方法具有较好的故障识别能力。

后续研究可以从三个方面继续完善。第一，可以引入真实永磁同步电机台架数据，验证模型在不同转速、不同负载和不同安装条件下的泛化能力。第二，可以增加噪声干扰、变工况和早期轻微故障样本，使诊断模型更接近实际工业环境。第三，可以结合迁移学习、轻量化网络和在线监测系统，使该方法更适合工程部署。总体来看，基于时频图和卷积神经网络的永磁同步电机轴承故障诊断方法具有较好的研究价值和工程应用前景。

参考文献

[1] Zhang, Wei, et al. “A Deep Convolutional Neural Network with New Training Methods for Bearing Fault Diagnosis under Noisy Environment and Different Working Load.” Mechanical Systems and Signal Processing, vol. 100, 2018, pp. 439–453.

[2] Hoang, Duy-Tang, and Hee-Jun Kang. “Rolling Element Bearing Fault Diagnosis Using Convolutional Neural Network and Vibration Image.” Cognitive Systems Research, vol. 53, 2019, pp. 42–50.

[3] Lei, Yaguo, et al. “Applications of Machine Learning to Machine Fault Diagnosis: A Review and Roadmap.” Mechanical Systems and Signal Processing, vol. 138, 2020, article 106587.

[4] Ahmed, Hosameldin O. A., and Asoke K. Nandi. “Connected Components-Based Colour Image Representations of Vibrations for a Two-Stage Fault Diagnosis of Roller Bearings Using Convolutional Neural Networks.” Chinese Journal of Mechanical Engineering, vol. 34, 2021.

[5] Hendriks, Jacob, Patrick Dumond, and D. A. Knox. “Towards Better Benchmarking Using the CWRU Bearing Fault Dataset.” Mechanical Systems and Signal Processing, vol. 169, 2022, article 108732.

[6] Chen, Xiaohan, et al. “Deep Transfer Learning for Bearing Fault Diagnosis: A Systematic Review Since 2016.” IEEE Transactions on Instrumentation and Measurement, vol. 72, 2023, pp. 1–21.

[7] Hakim, M., et al. “A Systematic Review of Rolling Bearing Fault Diagnoses Based on Deep Learning and Transfer Learning: Taxonomy, Overview, Application, Open Challenges, Weaknesses and Recommendations.” Ain Shams Engineering Journal, vol. 14, no. 4, 2023.

[8] Li, Yang, Xiaojiao Gu, and Yonghe Wei. “A Deep Learning-Based Method for Bearing Fault Diagnosis with Few-Shot Learning.” Sensors, vol. 24, no. 23, 2024, article 7516.

[9] Fu, Guanghua, Qingjuan Wei, and Yongsheng Yang. “Bearing Fault Diagnosis with Parallel CNN and LSTM.” Mathematical Biosciences and Engineering, vol. 21, 2024.

[10] Zhao, J., et al. “A Comprehensive Review of Deep Learning-Based Fault Diagnosis Methods for Rolling Bearings.” AIP Advances, vol. 15, no. 2, 2025.

2、仿真结果演示