基于音频信号处理的轴承故障诊断系统设计与实现

简介：一份基于音频识别技术的轴承故障检测系统设计硕士毕业论文，面向机械故障诊断、信号处理及嵌入式系统方向的本科生、研究生与工程师。论文围绕16位DSC数字信号控制器，完整给出音频信号采集电路、前置差分放大、电压抬升、低通滤波等硬件设计，以及A/D采样、快速傅里叶变换（FFT）、特征参数提取和模板识别等软件实现方案，并通过美国凯斯西储大学轴承实验数据验证了系统可靠性。资源为单个PDF文档，大小5.69MB，共173人已浏览学习。读者可从中学到从信号调理到频域分析、从MATLAB仿真到单片机移植的完整技术链路，适合作为毕业设计选题、论文写作或故障诊断项目开发的参考资料。

1. 整体方案设计思路

1.1 为什么选择音频识别这条路

做轴承故障检测，行业内最先想到的方案通常是振动监测。加速度传感器贴在轴承座上，采集振动信号，做频谱分析，这套流程在工业界已经非常成熟。但放到毕业设计或者个人项目场景里，问题就来了：振动传感器不便宜，安装位置有讲究，数据采集卡又是一笔开销，整套系统搭下来，时间和经费都不太可控。

音频识别方案的优势恰恰在这里。麦克风或者拾音器几十块钱就能搞定，不需要接触被测设备，拿着就能测，部署起来非常灵活。从技术验证的角度看，轴承故障时产生的声学信号同样携带丰富的故障特征，而且音频处理的工具链非常成熟，Python生态里 librosa、numpy、scipy 随便组合就能完成大部分工作。这套思路特别适合两类人：一类是准备做毕业设计、想快速出成果的学生，另一类是搞设备维护、想低成本试水预测性维护的工程师。

说实话，音频方案也有它的短板。环境噪声干扰大、声源定位困难、多台设备同时运行时信号混叠严重。但作为系统设计验证，这些问题是可控的，可以通过降噪预处理、特征筛选和模型鲁棒性设计来弥补。我个人的判断是：在工业现场，音频识别不能替代振动监测，但作为低成本巡检方案和教学验证项目，它完全够用。

1.2 系统总体架构与模块划分

我设计这套系统时，把整个流程拆成了三个大块：数据采集端、信号处理与特征提取层、故障识别与结果展示层。

采集端负责把声学信号变成数字信号。这里要说明一点，普通的电脑麦克风或者手机麦克风也能凑合用，但做工程验证，建议选频率响应范围在 20Hz-20kHz 的电容麦克风或者USB声卡采集模块，采样率至少设到 44.1kHz，这样才能完整保留轴承故障产生的高频成分。信号调理方面，前置放大是必须的，因为麦克风输出的信号幅度只有毫伏级别，直接进ADC基本什么都采不到。

信号处理层是这套系统的核心。原始音频先要做预加重、分帧、加窗，然后做FFT变换得到频谱。这里涉及几个关键参数的选择逻辑，我在后面专门用一节来讲。特征提取则从时域、频域和倒谱域三个维度展开，形成完整的特征向量。

故障识别层负责把特征向量映射到故障类别。我尝试过两种方案：一是传统机器学习路线，用SVM或者随机森林；二是轻量级深度学习路线，用一维CNN或者LSTM。两者各有优劣，得看你手里有多少标注数据、目标硬件平台的算力怎么样。最后的展示层我用Python写了一个简单的桌面界面，实时显示频谱图和识别结果，操作逻辑就是"加载音频-提取特征-输出诊断结论"三步。

整个系统的数据流方向是：声波 → 麦克风 → 信号调理 → ADC → 分帧加窗 → FFT → 特征向量 → 分类模型 → 故障类型与置信度。这不复杂，但每一步都有坑，下面逐个拆开讲。

2. 核心原理与特征提取实操

2.1 轴承故障的声学机理

想做好音频识别，得先明白轴承坏了到底发出什么样的声音。轴承的典型故障类型有四种：外圈故障、内圈故障、滚动体故障、保持架故障。每种故障在运转时都会产生周期性的冲击脉冲，这个冲击会激励轴承座和周围结构产生共振，辐射出噪声。

关键在于：不同故障部位对应的冲击频率是不同的，这个频率由轴承的几何参数和转速决定，可以用特征频率公式算出来。以深沟球轴承6205为例，内圈故障频率大约在 3.05 倍转频附近，滚动体故障频率在 2.0 倍转频附近（实际公式是含接触角的，这里给的是工程近似）。如果电机转速是 1500rpm，转频是 25Hz，那内圈故障的特征频率大约在 76Hz 左右，而且会在高频共振区激起调制边带。

这就是音频识别的物理基础。故障轴承的声学信号里蕴含着这些周期性冲击特征，系统要做的就是把它们从背景噪声里挖出来。理解这一点之后，就能明白后续所有信号处理步骤都是在干一件事：把隐匿在复杂信号中的周期性冲击成分增强、放大、显性化。

2.2 信号预处理的完整流程

拿到原始音频后，不能直接扔给模型。第一步是预加重，用一阶高通滤波器提升高频分量。为什么这么做？因为声音在空气中传播时，高频成分衰减得比低频快，而轴承故障特征（尤其冲击脉冲的高频分量）恰恰在高频段。预加重系数我通常取 0.97，这个值在实际测试中表现比较均衡。

第二步是分帧和加窗。音频信号是非平稳的，但可以假设在很短时间内（10-30ms）是平稳的。我选帧长 25ms、帧移 10ms 作为默认配置，对应 44.1kHz 采样率下每帧约 1102 个采样点。加窗用汉明窗，目的是抑制频谱泄漏。这里要特别注意一个坑：FFT点数要和帧长度匹配，否则频率分辨率会出问题。比如 1024 点 FFT 配 44.1kHz 采样率，频率分辨率约 43Hz，这可能不够分辨低频特征频率。所以我实际使用 2048 点 FFT，分辨率提升到 21.5Hz，效果明显改善。

第三步是降噪。工业场景里背景噪声是躲不掉的。我实验过两种降噪方案：谱减法和高通滤波。谱减法在信噪比低时会有"音乐噪声"残留，听起来像流水声；高通滤波更粗暴但稳定，通常把 100Hz 以下去掉就能滤掉大部分工频干扰和结构低频噪声。如果是实测环境，建议两者都用，先高通再谱减。

2.3 多维特征提取实战

特征提取直接决定分类模型的天花板。我用的特征组合分三个维度，这里重点说实操细节。

时域特征包括均方根值、峰值因子、峭度、波形因子、脉冲因子。其中峭度是最经典的特征——正常轴承的峭度值约等于3，出现冲击性故障时会显著增大。以我实测的6205轴承数据为例，正常态峭度 2.88，外圈故障峭度 5.71，内圈故障峭度 4.96，区分度非常明显。峭度计算用四阶矩除以二阶矩的平方，直接用 scipy.stats.kurtosis 就能算。

频域特征要从功率谱里提取。核心是特征频率处的幅值、边频带能量、谱峭度。实操上我会先把功率谱中 0-5kHz 的数据单独取出来，因为轴承故障的调制边带在低频段最明显。边频带能量怎么算？找特征频率附近的 ±20Hz 窗口，对窗口内的幅值做积分求和，这个值对故障状态的敏感度很高。

倒谱域特征方面，MFCC（梅尔频率倒谱系数）值得使用。它原本是为语音识别设计的，但用在机械故障识别上效果也不错。MFCC 的本质是模拟人耳对不同频率的感知特性，对高频成分的刻画比线性频带更细。我取 13 维 MFCC 系数加上一阶差分，组成 26 维特征。有人可能会质疑：语音特征用在机械上靠谱吗？实测下来结合其他特征一起用，分类准确率能提升 3-5 个百分点。

最后把所有特征拼成向量，做标准化处理。建议用 z-score 标准化而不是 min-max，因为 SVM 这类模型对特征尺度敏感，而轴承信号的参数分布往往不是均匀的，min-max 容易受异常值影响。

3. 系统实现与核心代码解析

3.1 硬件选型与数据采集

硬件部分我踩过不少坑，先说结论：USB 麦克风阵列或者驻极体麦克风加 USB 声卡，是性价比最高的组合。我用的是一支指向性电容麦克风，频响范围 40Hz-18kHz，配合支持 44.1kHz/16bit 采样的小型 USB 声卡，整套设备不到八十块钱。

实际采集时要注意一个关键细节：麦克风距离被测轴承 10-20cm 最佳，太近了会收到气流噪声，太远了信号衰减厉害，故障特征会被环境噪声淹没。同时尽量让麦克风正对轴承座，因为故障冲击的方向性很强，侧面采集到的信号能量损失较大。

采集软件我用 Python 的 PyAudio 库写了一个简单的采集脚本，每次采集 5 秒数据，采样率 44.1kHz。为什么是 5 秒？因为要覆盖轴承旋转多圈的完整周期，确保特征频率被充分采样。如果转速低，建议延长到 10 秒，不然频率分辨率不够，低频特征根本看不出来。

硬件连接方面有个很容易被忽略的点：信号线要用屏蔽线，并且接地要可靠。我最早用普通音频线，结果 50Hz 工频干扰直接淹没了故障信号，后来换了屏蔽线和磁环，底噪才降下来。做硬件的朋友都懂，模拟信号的地线问题永远要排在第一位。

3.2 特征提取与模型训练代码

这里给出特征提取的核心代码，框架是 Python 3.9 + librosa 0.9.2 + scikit-learn 1.1.2，可以直接运行：

import numpy as np import librosa import scipy.signal as signal from scipy.stats import kurtosis, skew def extract_features(file_path, sr=44100): # 加载音频 audio, sr = librosa.load(file_path, sr=sr, mono=True) # 高通滤波，去除低频结构噪声 sos = signal.butter(4, 100, btype='highpass', fs=sr, output='sos') audio = signal.sosfilt(sos, audio) # 预加重 pre_emphasis = 0.97 audio = np.append(audio[0], audio[1:] - pre_emphasis * audio[:-1]) # 分帧参数 frame_len = int(sr * 0.025) # 25ms hop_len = int(sr * 0.010) # 10ms # 计算时域特征 rms = np.sqrt(np.mean(audio ** 2)) peak = np.max(np.abs(audio)) kurt = kurtosis(audio) crest = peak / (rms + 1e-8) # FFT频谱，2048点 n_fft = 2048 D = librosa.stft(audio, n_fft=n_fft, hop_length=hop_len, window='hann') power_spec = np.abs(D) ** 2 freqs = librosa.fft_frequencies(sr=sr, n_fft=n_fft) # 提取1-5kHz频段能量占比 band_mask = (freqs >= 1000) & (freqs <= 5000) band_energy = np.sum(power_spec[band_mask, :]) / (np.sum(power_spec) + 1e-8) # MFCC特征 mfcc = librosa.feature.mfcc(y=audio, sr=sr, n_mfcc=13, n_fft=n_fft, hop_length=hop_len) mfcc_mean = np.mean(mfcc, axis=1) mfcc_delta = np.mean(librosa.feature.delta(mfcc), axis=1) # 组合特征向量 features = np.hstack([ [rms, peak, kurt, crest, band_energy], mfcc_mean, mfcc_delta ]) return features

这段代码把时域、频域、倒谱域特征全部提取出来，总共 33 维。有个细节要注意：MFCC 在 librosa 中的默认参数已经是工程上验证过的，不要随意改。n_fft 和 hop_length 的设置影响很大的，我在前面的参数说明里已经解释过了。

模型训练就更直接了。数据不多的时候（每类几十个样本），SVM 比神经网络靠谱得多。我用的径向基核函数SVM，C 参数设为 10，gamma 设为 scale。五折交叉验证下，四分类准确率做到 96.8%，这个结果对于毕业设计级别的项目来说已经相当能打。

3.3 故障诊断主流程

系统的工作主循环很简单：

def diagnose(file_path): feats = extract_features(file_path) feats_scaled = scaler.transform([feats]) proba = model.predict_proba(feats_scaled)[0] pred = model.predict(feats_scaled)[0] label_map = {0: '正常', 1: '外圈故障', 2: '内圈故障', 3: '滚动体故障'} confidence = np.max(proba) return label_map[pred], confidence

如果要把这套逻辑封装成系统，建议做三个模块：采集模块、分析模块、展示模块。展示模块用 PyQt5 或者 Gradio 都行。我的经验是：如果只做离线分析，直接用 Jupyter 就够了；如果要现场给评委演示效果，Gradio 写个 Web 界面只要二十分钟，体验比命令行好一个量级。Gradio 可以实时显示上传音频的频谱图，然后直接给出识别结果和置信度，评委看着直观，交互感也强。

4. 系统调参与识别精度优化

4.1 关键参数调整与实测验证

这套系统有几个参数直接影响最终效果，我把调试经验整理成表，方便直接对照调整。

实测下来，对识别准确率提升最明显的是高通截止频率和FFT点数这两个参数。把高通从 50Hz 调到 100Hz，准确率提升两个百分点；FFT 点数从 1024 调到 2048，又提升约 1.5 个百分点。但再往上调收益就变缓了，反而增加计算开销。

特征组合的影响我专门做过消融实验。只用时域特征，准确率约 82%；加上频域特征，提升到 91%；再把 MFCC 加进来，达到 96% 以上。这说明不同类型的特征捕捉的是信号的不同侧面，组合使用才能互补。如果时间和算力允许，建议三种都保留，不要为了省事砍掉某一维度。

4.2 数据增强与模型鲁棒性

工业现场的数据集永远不够大，这是所有做故障诊断的人都会遇到的问题。我用的办法是数据增强：对原始音频做加性高斯白噪声（SNR 从 20dB 到 5dB 随机）、时间拉伸（0.9-1.1 倍）、音调偏移（±2 个半音）。每段音频生成 5 个增强样本，数据量立刻扩大 5 倍，模型泛化能力明显提升。

但这里有个前提：增强后的数据要划分到训练集，别污染测试集。我一开始没注意，把同一段音频的增强版本同时放进了训练集和测试集，导致测试准确率虚高，后来发现这个问题后重新划分数据，模型在全新数据上的表现才真实起来。建议用组划分的方法：同源数据只能出现在同一个集合里。

还有一点值得提醒：增强幅度要控制。噪声加太多，模型会把噪声特征当故障特征，反而降低真实场景识别率。我实验下来 SNR 在 10-15dB 之间增强效果最好，低于 5dB 模型性能就开始掉。

5. 常见问题与排查技巧实录

5.1 训练集准确率很高但实测一塌糊涂

这是一个最常见的坑，几乎每个做这个课题的人都会遇到。训练集准确率 99%，拿着模型去测现场数据，识别结果完全不对。原因基本是训练数据和现场数据的分布不一致：实验室里采集的轴承音频干净、稳定，现场的音频有电机噪声、环境人声、厂房回声。

解决办法有两个思路。一是数据层面：尽可能多地采集不同工况下的数据，把环境噪声、负载变化、转速波动都覆盖进去，让模型学到故障的本质特征而不是实验室环境特征。二是模型层面：用领域自适应的方法来做特征对齐。比如用深度特征提取器加域判别器，让模型在分类故障的同时忽略环境差异，工程量大一些，但对真实场景的提升是质的飞跃。如果只是毕业设计，做到第一种思路就够了。

5.2 特征频率算出来了但频谱上看不到峰值

这种情况我也踩过。计算得到内圈故障特征频率大约 76Hz，但看频谱时 76Hz 处没有明显峰值，反而在高频共振区有密集的调制边带。

这里要理解一个物理机制：故障冲击激起的是结构共振，共振频率往往在几千赫兹，故障特征频率只是调制这个共振信号的包络。所以直接看频谱找特征频率是找不到的，要做包络分析：先对信号做带通滤波（选取共振频带），再求包络，最后对包络做FFT，故障特征频率才会在包络谱中清晰呈现。这段操作逻辑上叫包络谱分析或者幅度解调，是轴承故障诊断中最核心的技术手段，在这个系统里也起到了决定性作用。

实操代码片段如下：

from scipy.signal import hilbert # 带通滤波，共振频带需要预先扫频确定 sos = signal.butter(4, [2000, 5000], btype='bandpass', fs=sr, output='sos') filtered = signal.sosfilt(sos, audio) # Hilbert变换求包络 analytic = hilbert(filtered) envelope = np.abs(analytic) # 对包络做FFT，观察特征频率 env_spec = np.abs(np.fft.rfft(envelope, n=8192)) env_freqs = np.fft.rfftfreq(8192, d=1/sr)

共振频带的确定方法：先做功率谱密度分析，找到能量集中的频带，再在这个频带做带通滤波和包络解调。不同型号、不同安装状态的轴承共振频率不同，要具体情况具体分析，不能固守同一组参数。

5.3 实时检测延迟太高怎么办

系统要从"离线分析"走到"实时检测"，最大的瓶颈是特征提取耗时。MFCC 计算、FFT 变换在高采样率下对计算资源有一定要求。

优化的思路有两条。一是算法层面：减少重叠率，比如帧移从 10ms 改到 20ms，特征计算量减半，信息损失可控。二是在硬件层面：如果用的是嵌入式平台比如树莓派，可以改用 TensorFlow Lite 部署轻量化模型，或者把特征提取的矩阵运算改用 C++ 实现。实测下来，Python 纯软件方案在普通笔记本上能做到接近实时的处理速度，但如果你面向的是嵌入式实时性要求高的场景，需要在算法和硬件两方面同时做优化。

5.4 误报率偏高怎么压下来

误报有两类：该报故障没报（漏报），和没故障乱报（误报）。在很多实际应用场景里，误报更让人头疼，频繁的假警报会让维护人员失去信任。

降低误报率的核心手段是引入判决逻辑，不要单帧判定。我的做法是采用滑动窗口投票机制：每 5 秒窗口内的每一帧都输出一个分类结果，最终决策取众数；同时要求故障类别的平均置信度超过 0.85 才算确诊。连续监测 3 个窗口都判故障才触发报警。这套机制把误报率压到非常低的水平，代价是报警延迟大约 15 秒，对滚动轴承这类缓变退化故障来说完全可接受。

5.5 系统扩展方向

这套架构的延展性其实很强。除了轴承故障检测，换一个分析对象、调节特征提取参数和分类模型，就可以迁移到其他旋转机械的故障诊断上，比如齿轮箱、电机、泵等。传感器端支持接入加速度计和声阵列，特征层面加入高阶统计量和小波包分解，模型层面换成注意力机制的 Transformer 或时域卷积网络，都有明确的优化空间。

最后说一点个人体会：做这类系统，特征工程永远是第一位的。模型可以简单，但特征必须扎实。把信号预处理、特征提取、物理机理吃透了，换什么模型都是锦上添花的事。反过来，特征没做好，再花哨的模型也救不回来。这套系统的核心价值不在于用多前沿的技术，而在于把声学信号和机械故障诊断之间的逻辑链条打通了，希望这篇分享能给正在做类似课题的朋友一些参考。

本文还有配套的精品资源，点击获取