简介此压缩包面向机械工程、自动化及设备健康监测人员聚焦滚动轴承外圈故障的人工模拟与诊断借助completeu42方法与完全集成经验模态分解CEEMD处理振动信号实现故障特征提取与结果可视化。包内共3个文件均为MATLAB脚本分别用于数据预处理、CEEMD自适应分解以及故障信号的傅里叶变换与包络谱绘制压缩包总大小约1024B体积虽小但针对性强。已有143人学习下载适合具备信号处理基础的学习者用于课程设计或故障诊断入门。通过脚本可复现完整的滚动轴承外圈故障诊断流程理解CEEMD如何将非平稳信号分解为固有模态函数并从频谱图中辨识外圈故障特征频率进而掌握从信号采集、特征提取到诊断结论的完整链路。无论是初学者理解算法逻辑还是工程师评估诊断方案均能从中获得参考价值尤其适用于人工模拟故障场景下的算法快速验证。1. 滚动轴承故障诊断为什么 CEEMD 加包络谱能看清外圈故障拿到这份 MATLAB 资源时我最先注意到的是里面三个脚本一个未命名的主程序、一段外圈故障的傅里叶与包络谱分析、一段外圈故障的 CEEMD 分解结果。这正是滚动轴承故障诊断里最经典的一条技术路线——先用包络谱找故障特征频率再用 CEEMD 做自适应分解做交叉验证。很多刚入行的工程师直接拿原始信号做 FFT发现外圈故障的特征峰被噪声淹没就误以为轴承是好的实际上问题出在分析路径上。这套资源的意义在于它把「人工模拟外圈故障 → 信号分解 → 特征提取」完整串了一遍适合正在做设备状态监测、故障诊断课程设计或者准备故障诊断方向论文复现的人。接下来我会按三个脚本的实际分工把原理、执行步骤和参数设置全部拆开讲。2. 外圈故障诊断的核心逻辑包络谱和 CEEMD 分别解决什么问题2.1 故障特征频率的计算先知道该找什么再动手分析滚动轴承故障诊断的第一步不是打开 MATLAB 开始跑代码而是先算出故障特征频率的理论值。外圈故障时滚动体滚过外圈滚道上的损伤点会产生周期性的冲击这个冲击的重复频率就是外圈故障特征频率 BPFO。计算公式是[ \text{BPFO} \frac{n \cdot f_r}{2} \left(1 - \frac{d}{D} \cos \alpha \right) ]其中 (n) 是滚动体个数(f_r) 是轴的转频(d) 是滚动体直径(D) 是节圆直径(\alpha) 是接触角。以常见的深沟球轴承 6205 为例滚动体 9 个节圆直径约 39.04mm滚动体直径约 7.94mm接触角近似为 0。如果轴转速是 1770rpm转频 (f_r 29.5\text{Hz})代入公式算出 BPFO 大约是 105.8Hz。我一般会把这个值记在分析笔记第一行后面所有谱图分析都拿它当标尺。这里有个容易搞混的点BPFO 是外圈故障特征频率BPFI 是内圈故障特征频率两者公式里的符号方向相反。外圈故障时损伤点在固定位置每次有滚动体滚过就冲击一次冲击间隔非常稳定所以包络谱上 BPFO 处会有一个非常尖锐的峰内圈故障时损伤点随内圈旋转冲击信号会被转频调制谱图上除了 BPFI 还会出现 BPFI ± n×fr 的边带。这份资料里明确标注了外圈故障所以分析时直接锁定 BPFO 及其倍频。实际处理中还需要考虑频率分辨率的问题。频率分辨率 (\Delta f f_s / N)其中 (f_s) 是采样率(N) 是数据点数。如果采样率 12000Hz数据长度 12000 点分辨率刚好是 1Hz能分辨 105.8Hz 附近 1Hz 以内的偏移。如果数据太短分辨率不足BPFO 峰值会被拉宽甚至和旁边噪声混在一起这也是后面踩坑部分要展开讲的问题。2.2 CEEMD 的原理为什么不用 EMD 也不用 EEMD拿到外圈故障信号后最大的麻烦是振动信号里混着转频、谐波、随机噪声和结构共振响应故障冲击成分往往只占很小能量。直接做包络谱有时不够干净所以需要先做信号分解把故障冲击从混合信号里剥出来。经验模态分解 EMD 的思路是把信号按频率从高到低逐层剥离成本征模态函数 IMF但 EMD 存在模态混叠的问题——一个 IMF 里同时含有不同时间尺度的成分故障冲击很容易被拆散到多个相邻 IMF 里。EEMD 通过在原始信号上反复添加白噪声再分解利用白噪声的统计特性来避免模态混叠代价是计算量大幅增加且重构误差会随着噪声叠加次数累积。CEEMD 的全称是 Complementary Ensemble Empirical Mode Decomposition它把每对正负白噪声同时加到原始信号上再做分解正负噪声在最终求平均时相互抵消残余噪声远小于 EEMD迭代次数也少一半。正是因为这个原因CEEMD 在机械故障诊断里被广泛使用尤其适合轴承这种冲击成分弱、背景噪声强的信号。CEEMD 分解的结果是一组从高频到低频排列的 IMF 分量。外圈故障冲击属于宽带高频信号通常会集中在前面几个 IMF 里后续的 IMF 慢慢过渡到转频和趋势项。实际分析时并不是把每个 IMF 都拿去做包络谱而是先计算每个 IMF 和原始信号的相关系数挑出相关系数最高的那个分量再对它做包络谱分析。这样做的逻辑是相关系数高说明这个 IMF 保留的原始信号成分最多故障特征最可能藏在里面。文件里的waiquanguzhangCEEMDfenjiejieguo.m之所以叫「分解结果」就是从这一步开始把信号拆开给你看。3. MATLAB 脚本逐段拆解三个文件怎么组成一条完整诊断链路3.1 主脚本的数据导入与转频设置先看环境准备。这套代码的运行条件是 MATLAB R2016 及以上版本需要信号处理工具箱和 MATLAB 的 CEEMDAN 函数支持。CEEMDAN 官方版本可从加拿大研究团队维护的网站获取将ceemdan.m及其依赖函数放到当前工作目录或 MATLAB 搜索路径下即可。压缩包里的Untitledz.m是一个未命名脚本作用是把采集到的振动数据读进工作区完成基础的参数设置。%% 主脚本数据导入与基础参数设置 clear; clc; close all; fs 12000; % 采样率 12kHz需要与采集设备设置一致 load(completeu42.mat); % 读入采集数据变量名以实际文件为准 x data(:, 1); % 取第一个通道的振动信号 N length(x); % 数据点数 t (0 : N - 1) / fs; % 时间轴 fr 1770 / 60; % 转频 29.5Hzload 之后先检查工作区里实际生成的变量名不要想当然地写data。很多采集设备导出的 MAT 文件里存的是vib、x或者结构体加载后用whos看一眼变量名再往下写。转频的赋值也不建议写死更好的方式是写成fr rpm / 60把转速设成一个可修改的输入参数这样以后换一组转速数据不用改后面的分析代码。3.2 傅里叶与包络谱锁定故障特征频率waiquanguzhangdefuliyebianhuanjibaoluopu.m这个文件名的含义是「外圈故障的傅里叶变换及包络谱」核心操作分三步对原始信号做 FFT 观察整体频谱结构、带通滤波、Hilbert 解调后对包络做 FFT。%% 外圈故障信号傅里叶变换与包络谱分析 X fft(x); L length(x); f fs * (0 : (L / 2)) / L; magnitude abs(X(1 : L / 2 1)); figure; plot(f, magnitude); % 原始频谱 title(原始信号频谱); xlabel(频率 (Hz)); ylabel(幅值); [b, a] butter(4, [800 4000] / (fs / 2), bandpass); x_filtered filtfilt(b, a, x); % 零相位带通滤波 xh hilbert(x_filtered); % Hilbert 变换求解析信号 env abs(xh); % 包络信号 env env - mean(env); % 去掉直流分量 Y fft(env); f_env fs * (0 : (L / 2)) / L; mag_env abs(Y(1 : L / 2 1)); figure; plot(f_env, mag_env); title(包络谱); xlabel(频率 (Hz)); ylabel(幅值);这段代码里最关键的参数是带通滤波的截止频率 800 到 4000Hz。外圈故障冲击会激起轴承座和传感器的结构共振共振频带通常落在 1kHz 到 5kHz 之间选取这个范围可以把故障调制成分保留下来同时去掉转频和低频频段的干扰。滤波器的阶数选 4 阶主要是兼顾过渡带陡峭程度和数值稳定性阶数太高会出现通带纹波和相位畸变。用filtfilt而不是filter是因为前者做零相位滤波不会让冲击峰在时间轴上产生偏移包络谱里的峰值频率更准。这是习惯差异但直接影响峰值定位精度。包络谱出来后重点看 BPFO 理论值附近有没有尖峰。一般转速有轻微波动时 BPFO 实际峰和理论值的偏差在 0.5Hz 以内都正常。如果偏差太大返回检查转频设置和轴承参数。3.3 CEEMD 分解从信号里剥离故障冲击waiquanguzhangCEEMDfenjiejieguo.m做的是 CEEMD 分解和后处理。分解前我建议先对信号做降采样把采样率从 12000Hz 降到 3000Hz 左右因为 CEEMD 的计算量和数据长度近似线性增长数据量太大会让分解过程非常漫长。%% CEEMD 分解与故障特征 IMF 筛选 x_resample resample(x, 1, 4); % 12kHz - 3kHz fs_new fs / 4; Nstd 0.1; % 白噪声幅值取信号标准差的 0.1 倍 NR 50; % 添加白噪声的对数 imfs ceemdan(x_resample, Nstd, NR); num_imf size(imfs, 1); corr_coef zeros(num_imf, 1); for i 1 : num_imf corr_coef(i) corr(x_resample, imfs(i, :)); end [~, idx] max(corr_coef(1 : min(5, num_imf))); % 只在高频 IMF 里找 imf_sel imfs(idx, :);白噪声幅值 Nstd 和噪声对数 NR 是最需要调的两个参数。Nstd 一般在信号标准差的 0.1 到 0.2 倍之间太小起不到避免模态混叠的作用太大又会让分解结果里出现虚假振荡。NR 在 50 到 100 之间超过 100 对结果提升有限反而把运行时间拉长几倍。选 IMF 时只在前面几个里找最大值因为外圈故障冲击是高频成分即使后边某个 IMF 相关系数更高那也大概率是转频或趋势项不是我们要的故障特征。找到目标 IMF 之后对它再做一次包络谱对比 3.2 节直接对滤波信号做的包络谱。两次分析在 BPFO 处都有明显峰值才能确认诊断结论。这也是为什么这套资源要把 FFT 包络谱和 CEEMD 分解分成两个独立文件——它们是互相验证的关系不是重复劳动。4. 避坑与常见问题五个真实场景下的翻车记录与排查方法4.1 现象一直接对原始信号做 FFT看不到任何故障特征峰我刚接触轴承故障诊断时也犯过这个错拿原始加速度信号做 FFT发现频谱里只有转频 29.5Hz 和它的几个谐波BPFO 附近几乎看不到东西。原因是外圈故障的冲击信号幅值很小被淹没在结构共振和随机噪声里低频段频谱能量被转频主导故障特征根本出不来。解决方法是先带通滤波再包络解调。带通滤波把 800 到 4000Hz 的共振频带单独拎出来Hilbert 变换提取包络后故障冲击的重复频率才会在包络谱里呈现为清晰的峰值。这是一整套流程少了滤波只做包络同样不行低频干扰会照样进入到包络里。4.2 现象二CEEMD 运行时特别慢或者直接内存不足CEEMD 的 sifting 过程本质上是一个迭代寻优过程每个 IMF 要迭代几十到上百次数据越长耗时越久。有的原始数据采样率 50kHz、时长几十秒直接喂给ceemdan函数会让 MATLAB 卡死。解决思路先降采样。轴承故障特征频率集中在 5kHz 以下保留到奈奎斯特频率 10kHz 足够理论上采样率可以降到 10kHz我习惯再降一点到 3000Hz 左右分解速度能快一个数量级。另外把 NR 从 100 降到 50分解时间差不多减半效果差异不大。4.3 现象三包络谱上 BPFO 处的峰和理论值明显对不上包络谱里 BPFO 附近有一个峰但位置偏离理论值好几赫兹或者峰值变得很宽。最常见原因是频率分辨率不够。采样率 12000Hz 时如果你只有 4096 个点分辨率 2.93HzBPFO 处根本无法定位到精确值。还有一个原因是轴的瞬时转速波动转频变化会直接体现在故障特征频率上。解决办法是增长数据长度保证频率分辨率小于 0.5Hz也就是至少 2 秒的数据。如果只有短数据可以在峰附近做插值细化谱但治标不治本还是重新采集或拼接数据更可靠。4.4 现象四CEEMD 分解出的 IMF 除了第一个外全是噪声设置 Nstd 0.3 时CEEMD 分解出来的中间几个 IMF 完全没有周期性看起来像纯随机噪声。这是因为白噪声幅值设得太大真实信号成分被噪声主导。IMF 的包络谱里可能会出现一些与故障无关的宽峰干扰判断。把 Nstd 调到 0.1 再重新分解IMF 的周期性会明显改善。判断标准是看 IMF 的时域波形有没有规律性的冲击间隔如果冲击间隔接近 1/BPFO说明这个 IMF 是有效的故障分量。4.5 现象五completeu42 这个文件名在整个代码工程里搜不到完整解压后发现代码里没有一处出现completeu42字符串新手上路可能以为拿错了包。completeu42大概率是原始振动数据的文件名或者采集系统导出的标识符并不是某个算法或命令。处理方法是用load(completeu42.mat)前先who查看文件里存了什么变量名再看这个变量名有没有被主脚本引用。数据文件放好后主脚本、频谱分析脚本、CEEMD 脚本是可以直接逐段运行的。5. CEEMD 谱图结果判读进阶如何区分真实故障特征与虚假峰拿到手三个 .m 文件跑通以后真正的能力提升在于学会读图。先用理论公式算出 BPFO 约 105.8Hz再在包络谱上找峰。需要注意以下几个频点特征成分频率值判读要点转频 fr29.5Hz轴转动频率出现是正常的BPFO约 105.8Hz外圈故障主峰应最明显2×BPFO约 211.6Hz故障冲击非正弦导致的谐波边带BPFO ± fr转速波动或载荷调制时出现正常不加判据实际谱图上即使故障冲击真实存在BPFO 峰的幅值也不一定是最高的。峰高受传递路径、传感器安装位置和共振频带影响判断标准是「该频点是否显著高于周围噪声基底」而不是「该频点是否为全图最高」。我曾经见过一个样本BPFO 峰值只有旁边随机噪声的 2.5 倍但结合时域包络里周期冲击间隔依然能确认外圈故障。另一个实用技巧是做交叉验证。CEEMD 分解后选出相关系数最高的 IMF对其做包络谱观察 BPFO 峰是否依旧存在。如果直接包络谱和 IMF 包络谱都在同一频点出现峰值诊断结论的可信度会大幅提升。可以写一个简单的保存脚本用[peaks, locs] findpeaks(mag_env, f_env, MinPeakHeight, ...)把峰值频率自动导出成表格比手工读图靠谱得多。从那以后我每次做完 CEEMD 分解都会强制走一遍「理论值计算 → 直接包络谱 → IMF 包络谱」三件套确认所有峰都能对应上才敢写诊断结论。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/31 9:47:10 · 阅读 1.2k CEEMD与包络谱在滚动轴承外圈故障诊断中的应用与MATLAB实现
简介此压缩包面向机械工程、自动化及设备健康监测人员聚焦滚动轴承外圈故障的人工模拟与诊断借助completeu42方法与完全集成经验模态分解CEEMD处理振动信号实现故障特征提取与结果可视化。包内共3个文件均为MATLAB脚本分别用于数据预处理、CEEMD自适应分解以及故障信号的傅里叶变换与包络谱绘制压缩包总大小约1024B体积虽小但针对性强。已有143人学习下载适合具备信号处理基础的学习者用于课程设计或故障诊断入门。通过脚本可复现完整的滚动轴承外圈故障诊断流程理解CEEMD如何将非平稳信号分解为固有模态函数并从频谱图中辨识外圈故障特征频率进而掌握从信号采集、特征提取到诊断结论的完整链路。无论是初学者理解算法逻辑还是工程师评估诊断方案均能从中获得参考价值尤其适用于人工模拟故障场景下的算法快速验证。1. 滚动轴承故障诊断为什么 CEEMD 加包络谱能看清外圈故障拿到这份 MATLAB 资源时我最先注意到的是里面三个脚本一个未命名的主程序、一段外圈故障的傅里叶与包络谱分析、一段外圈故障的 CEEMD 分解结果。这正是滚动轴承故障诊断里最经典的一条技术路线——先用包络谱找故障特征频率再用 CEEMD 做自适应分解做交叉验证。很多刚入行的工程师直接拿原始信号做 FFT发现外圈故障的特征峰被噪声淹没就误以为轴承是好的实际上问题出在分析路径上。这套资源的意义在于它把「人工模拟外圈故障 → 信号分解 → 特征提取」完整串了一遍适合正在做设备状态监测、故障诊断课程设计或者准备故障诊断方向论文复现的人。接下来我会按三个脚本的实际分工把原理、执行步骤和参数设置全部拆开讲。2. 外圈故障诊断的核心逻辑包络谱和 CEEMD 分别解决什么问题2.1 故障特征频率的计算先知道该找什么再动手分析滚动轴承故障诊断的第一步不是打开 MATLAB 开始跑代码而是先算出故障特征频率的理论值。外圈故障时滚动体滚过外圈滚道上的损伤点会产生周期性的冲击这个冲击的重复频率就是外圈故障特征频率 BPFO。计算公式是[ \text{BPFO} \frac{n \cdot f_r}{2} \left(1 - \frac{d}{D} \cos \alpha \right) ]其中 (n) 是滚动体个数(f_r) 是轴的转频(d) 是滚动体直径(D) 是节圆直径(\alpha) 是接触角。以常见的深沟球轴承 6205 为例滚动体 9 个节圆直径约 39.04mm滚动体直径约 7.94mm接触角近似为 0。如果轴转速是 1770rpm转频 (f_r 29.5\text{Hz})代入公式算出 BPFO 大约是 105.8Hz。我一般会把这个值记在分析笔记第一行后面所有谱图分析都拿它当标尺。这里有个容易搞混的点BPFO 是外圈故障特征频率BPFI 是内圈故障特征频率两者公式里的符号方向相反。外圈故障时损伤点在固定位置每次有滚动体滚过就冲击一次冲击间隔非常稳定所以包络谱上 BPFO 处会有一个非常尖锐的峰内圈故障时损伤点随内圈旋转冲击信号会被转频调制谱图上除了 BPFI 还会出现 BPFI ± n×fr 的边带。这份资料里明确标注了外圈故障所以分析时直接锁定 BPFO 及其倍频。实际处理中还需要考虑频率分辨率的问题。频率分辨率 (\Delta f f_s / N)其中 (f_s) 是采样率(N) 是数据点数。如果采样率 12000Hz数据长度 12000 点分辨率刚好是 1Hz能分辨 105.8Hz 附近 1Hz 以内的偏移。如果数据太短分辨率不足BPFO 峰值会被拉宽甚至和旁边噪声混在一起这也是后面踩坑部分要展开讲的问题。2.2 CEEMD 的原理为什么不用 EMD 也不用 EEMD拿到外圈故障信号后最大的麻烦是振动信号里混着转频、谐波、随机噪声和结构共振响应故障冲击成分往往只占很小能量。直接做包络谱有时不够干净所以需要先做信号分解把故障冲击从混合信号里剥出来。经验模态分解 EMD 的思路是把信号按频率从高到低逐层剥离成本征模态函数 IMF但 EMD 存在模态混叠的问题——一个 IMF 里同时含有不同时间尺度的成分故障冲击很容易被拆散到多个相邻 IMF 里。EEMD 通过在原始信号上反复添加白噪声再分解利用白噪声的统计特性来避免模态混叠代价是计算量大幅增加且重构误差会随着噪声叠加次数累积。CEEMD 的全称是 Complementary Ensemble Empirical Mode Decomposition它把每对正负白噪声同时加到原始信号上再做分解正负噪声在最终求平均时相互抵消残余噪声远小于 EEMD迭代次数也少一半。正是因为这个原因CEEMD 在机械故障诊断里被广泛使用尤其适合轴承这种冲击成分弱、背景噪声强的信号。CEEMD 分解的结果是一组从高频到低频排列的 IMF 分量。外圈故障冲击属于宽带高频信号通常会集中在前面几个 IMF 里后续的 IMF 慢慢过渡到转频和趋势项。实际分析时并不是把每个 IMF 都拿去做包络谱而是先计算每个 IMF 和原始信号的相关系数挑出相关系数最高的那个分量再对它做包络谱分析。这样做的逻辑是相关系数高说明这个 IMF 保留的原始信号成分最多故障特征最可能藏在里面。文件里的waiquanguzhangCEEMDfenjiejieguo.m之所以叫「分解结果」就是从这一步开始把信号拆开给你看。3. MATLAB 脚本逐段拆解三个文件怎么组成一条完整诊断链路3.1 主脚本的数据导入与转频设置先看环境准备。这套代码的运行条件是 MATLAB R2016 及以上版本需要信号处理工具箱和 MATLAB 的 CEEMDAN 函数支持。CEEMDAN 官方版本可从加拿大研究团队维护的网站获取将ceemdan.m及其依赖函数放到当前工作目录或 MATLAB 搜索路径下即可。压缩包里的Untitledz.m是一个未命名脚本作用是把采集到的振动数据读进工作区完成基础的参数设置。%% 主脚本数据导入与基础参数设置 clear; clc; close all; fs 12000; % 采样率 12kHz需要与采集设备设置一致 load(completeu42.mat); % 读入采集数据变量名以实际文件为准 x data(:, 1); % 取第一个通道的振动信号 N length(x); % 数据点数 t (0 : N - 1) / fs; % 时间轴 fr 1770 / 60; % 转频 29.5Hzload 之后先检查工作区里实际生成的变量名不要想当然地写data。很多采集设备导出的 MAT 文件里存的是vib、x或者结构体加载后用whos看一眼变量名再往下写。转频的赋值也不建议写死更好的方式是写成fr rpm / 60把转速设成一个可修改的输入参数这样以后换一组转速数据不用改后面的分析代码。3.2 傅里叶与包络谱锁定故障特征频率waiquanguzhangdefuliyebianhuanjibaoluopu.m这个文件名的含义是「外圈故障的傅里叶变换及包络谱」核心操作分三步对原始信号做 FFT 观察整体频谱结构、带通滤波、Hilbert 解调后对包络做 FFT。%% 外圈故障信号傅里叶变换与包络谱分析 X fft(x); L length(x); f fs * (0 : (L / 2)) / L; magnitude abs(X(1 : L / 2 1)); figure; plot(f, magnitude); % 原始频谱 title(原始信号频谱); xlabel(频率 (Hz)); ylabel(幅值); [b, a] butter(4, [800 4000] / (fs / 2), bandpass); x_filtered filtfilt(b, a, x); % 零相位带通滤波 xh hilbert(x_filtered); % Hilbert 变换求解析信号 env abs(xh); % 包络信号 env env - mean(env); % 去掉直流分量 Y fft(env); f_env fs * (0 : (L / 2)) / L; mag_env abs(Y(1 : L / 2 1)); figure; plot(f_env, mag_env); title(包络谱); xlabel(频率 (Hz)); ylabel(幅值);这段代码里最关键的参数是带通滤波的截止频率 800 到 4000Hz。外圈故障冲击会激起轴承座和传感器的结构共振共振频带通常落在 1kHz 到 5kHz 之间选取这个范围可以把故障调制成分保留下来同时去掉转频和低频频段的干扰。滤波器的阶数选 4 阶主要是兼顾过渡带陡峭程度和数值稳定性阶数太高会出现通带纹波和相位畸变。用filtfilt而不是filter是因为前者做零相位滤波不会让冲击峰在时间轴上产生偏移包络谱里的峰值频率更准。这是习惯差异但直接影响峰值定位精度。包络谱出来后重点看 BPFO 理论值附近有没有尖峰。一般转速有轻微波动时 BPFO 实际峰和理论值的偏差在 0.5Hz 以内都正常。如果偏差太大返回检查转频设置和轴承参数。3.3 CEEMD 分解从信号里剥离故障冲击waiquanguzhangCEEMDfenjiejieguo.m做的是 CEEMD 分解和后处理。分解前我建议先对信号做降采样把采样率从 12000Hz 降到 3000Hz 左右因为 CEEMD 的计算量和数据长度近似线性增长数据量太大会让分解过程非常漫长。%% CEEMD 分解与故障特征 IMF 筛选 x_resample resample(x, 1, 4); % 12kHz - 3kHz fs_new fs / 4; Nstd 0.1; % 白噪声幅值取信号标准差的 0.1 倍 NR 50; % 添加白噪声的对数 imfs ceemdan(x_resample, Nstd, NR); num_imf size(imfs, 1); corr_coef zeros(num_imf, 1); for i 1 : num_imf corr_coef(i) corr(x_resample, imfs(i, :)); end [~, idx] max(corr_coef(1 : min(5, num_imf))); % 只在高频 IMF 里找 imf_sel imfs(idx, :);白噪声幅值 Nstd 和噪声对数 NR 是最需要调的两个参数。Nstd 一般在信号标准差的 0.1 到 0.2 倍之间太小起不到避免模态混叠的作用太大又会让分解结果里出现虚假振荡。NR 在 50 到 100 之间超过 100 对结果提升有限反而把运行时间拉长几倍。选 IMF 时只在前面几个里找最大值因为外圈故障冲击是高频成分即使后边某个 IMF 相关系数更高那也大概率是转频或趋势项不是我们要的故障特征。找到目标 IMF 之后对它再做一次包络谱对比 3.2 节直接对滤波信号做的包络谱。两次分析在 BPFO 处都有明显峰值才能确认诊断结论。这也是为什么这套资源要把 FFT 包络谱和 CEEMD 分解分成两个独立文件——它们是互相验证的关系不是重复劳动。4. 避坑与常见问题五个真实场景下的翻车记录与排查方法4.1 现象一直接对原始信号做 FFT看不到任何故障特征峰我刚接触轴承故障诊断时也犯过这个错拿原始加速度信号做 FFT发现频谱里只有转频 29.5Hz 和它的几个谐波BPFO 附近几乎看不到东西。原因是外圈故障的冲击信号幅值很小被淹没在结构共振和随机噪声里低频段频谱能量被转频主导故障特征根本出不来。解决方法是先带通滤波再包络解调。带通滤波把 800 到 4000Hz 的共振频带单独拎出来Hilbert 变换提取包络后故障冲击的重复频率才会在包络谱里呈现为清晰的峰值。这是一整套流程少了滤波只做包络同样不行低频干扰会照样进入到包络里。4.2 现象二CEEMD 运行时特别慢或者直接内存不足CEEMD 的 sifting 过程本质上是一个迭代寻优过程每个 IMF 要迭代几十到上百次数据越长耗时越久。有的原始数据采样率 50kHz、时长几十秒直接喂给ceemdan函数会让 MATLAB 卡死。解决思路先降采样。轴承故障特征频率集中在 5kHz 以下保留到奈奎斯特频率 10kHz 足够理论上采样率可以降到 10kHz我习惯再降一点到 3000Hz 左右分解速度能快一个数量级。另外把 NR 从 100 降到 50分解时间差不多减半效果差异不大。4.3 现象三包络谱上 BPFO 处的峰和理论值明显对不上包络谱里 BPFO 附近有一个峰但位置偏离理论值好几赫兹或者峰值变得很宽。最常见原因是频率分辨率不够。采样率 12000Hz 时如果你只有 4096 个点分辨率 2.93HzBPFO 处根本无法定位到精确值。还有一个原因是轴的瞬时转速波动转频变化会直接体现在故障特征频率上。解决办法是增长数据长度保证频率分辨率小于 0.5Hz也就是至少 2 秒的数据。如果只有短数据可以在峰附近做插值细化谱但治标不治本还是重新采集或拼接数据更可靠。4.4 现象四CEEMD 分解出的 IMF 除了第一个外全是噪声设置 Nstd 0.3 时CEEMD 分解出来的中间几个 IMF 完全没有周期性看起来像纯随机噪声。这是因为白噪声幅值设得太大真实信号成分被噪声主导。IMF 的包络谱里可能会出现一些与故障无关的宽峰干扰判断。把 Nstd 调到 0.1 再重新分解IMF 的周期性会明显改善。判断标准是看 IMF 的时域波形有没有规律性的冲击间隔如果冲击间隔接近 1/BPFO说明这个 IMF 是有效的故障分量。4.5 现象五completeu42 这个文件名在整个代码工程里搜不到完整解压后发现代码里没有一处出现completeu42字符串新手上路可能以为拿错了包。completeu42大概率是原始振动数据的文件名或者采集系统导出的标识符并不是某个算法或命令。处理方法是用load(completeu42.mat)前先who查看文件里存了什么变量名再看这个变量名有没有被主脚本引用。数据文件放好后主脚本、频谱分析脚本、CEEMD 脚本是可以直接逐段运行的。5. CEEMD 谱图结果判读进阶如何区分真实故障特征与虚假峰拿到手三个 .m 文件跑通以后真正的能力提升在于学会读图。先用理论公式算出 BPFO 约 105.8Hz再在包络谱上找峰。需要注意以下几个频点特征成分频率值判读要点转频 fr29.5Hz轴转动频率出现是正常的BPFO约 105.8Hz外圈故障主峰应最明显2×BPFO约 211.6Hz故障冲击非正弦导致的谐波边带BPFO ± fr转速波动或载荷调制时出现正常不加判据实际谱图上即使故障冲击真实存在BPFO 峰的幅值也不一定是最高的。峰高受传递路径、传感器安装位置和共振频带影响判断标准是「该频点是否显著高于周围噪声基底」而不是「该频点是否为全图最高」。我曾经见过一个样本BPFO 峰值只有旁边随机噪声的 2.5 倍但结合时域包络里周期冲击间隔依然能确认外圈故障。另一个实用技巧是做交叉验证。CEEMD 分解后选出相关系数最高的 IMF对其做包络谱观察 BPFO 峰是否依旧存在。如果直接包络谱和 IMF 包络谱都在同一频点出现峰值诊断结论的可信度会大幅提升。可以写一个简单的保存脚本用[peaks, locs] findpeaks(mag_env, f_env, MinPeakHeight, ...)把峰值频率自动导出成表格比手工读图靠谱得多。从那以后我每次做完 CEEMD 分解都会强制走一遍「理论值计算 → 直接包络谱 → IMF 包络谱」三件套确认所有峰都能对应上才敢写诊断结论。希望帮到你。本文还有配套的精品资源点击获取