多传感器信号处理专题|(1)多传感器优势及数据可视化案例
目录
1 多传感器相对于单传感器的优势
1.1. 提升信息全面性与可靠性
1.2. 增强故障检测灵敏度与早期诊断能力
1.3. 提高诊断精度与鲁棒性
1.4. 适应复杂工况与动态环境
1.5. 实现故障定位与机理分析
2 多传感器轴承故障信号处理步骤与方法总表
3 多传感器信号的可视化观测
3.1多传感器信号的可视化观测的重要性
3.2常见的多传感器信号可视化图表及其核心作用
4 可视化案例及代码
4.1 时域域波形图
4.2 轴心轨迹图与边缘电流频谱
（以上标记章节为本文内容）
1 多传感器相对于单传感器的优势
1.1. 提升信息全面性与可靠性
（1）覆盖多维故障特征
单传感器局限：
仅能捕捉单一物理量（如振动），可能遗漏其他故障特征（如温度升高、声发射信号）。
多传感器优势：
○振动传感器：检测冲击性故障（如剥落、裂纹）。
○声发射传感器：敏感于早期微裂纹释放的高频应力波。
○温度传感器：监测润滑失效或过载导致的温升。
○电流传感器（电机轴承）：通过电流谐波分析间接诊断故障。
示例：轴承外圈故障可能同时引起高频振动和温度上升，单一振动传感器可能被噪声干扰，而多传感器联合可交叉验证。
（2）抗干扰与容错能力
单传感器风险：
若传感器失效或信号受强噪声污染（如现场电磁干扰），诊断系统可能完全失效。
多传感器优势：
○通过数据融合（如D-S证据理论）剔除异常传感器数据。
○即使某一传感器失效，其他传感器仍能提供有效信息。
1.2. 增强故障检测灵敏度与早期诊断能力
（1）微弱信号检测
单传感器：
早期故障信号可能较弱且被噪声掩盖（如轴承初始点蚀）。
多传感器通过以下方式提升信噪比：
○空间降噪：多个振动传感器通过相干分析抑制非相关噪声。
○频域互补：声发射传感器捕捉高频微弱信号，振动传感器分析低频特征。
（2）多物理量协同预警
案例：
○润滑不足时，温度传感器先于振动传感器发出预警。
○滚动体裂纹初期，声发射信号比振动信号更敏感。
1.3. 提高诊断精度与鲁棒性
（1）特征互补性
单传感器：
可能因工况变化（如负载、转速）导致特征偏移。
多传感器：
○时域（振动）+ 频域（声发射）+ 稳态参数（温度）的组合可减少误判。
○深度学习应用：多通道输入（如振动+温度+电流）的故障诊断模型比单通道准确率提升10%~30%（见IEEE PHM竞赛数据）。
（2）复杂故障区分
复合故障诊断（如轴承剥落与齿轮断齿共存）：
○单传感器信号频谱混叠，难以分离。
○多传感器可通过振动信号（轴承故障频带）与声音信号（齿轮啮合频率）联合分析实现解耦。
1.4. 适应复杂工况与动态环境
（1）变工况鲁棒性
转速或负载变化时，单传感器特征可能大幅波动。
多传感器通过以下方式稳定诊断：
○温度-振动关联模型：排除因负载增加导致的振动幅值误判。
○电流-振动融合：电机轴承故障在电流谐波中表现更稳定。
（2）环境干扰抑制
工业现场常见干扰（如电磁噪声、机械冲击）：
○多传感器通过空间分布（如对角布置振动传感器）区分设备故障与外部冲击。
1.5. 实现故障定位与机理分析
（1）故障源定位
单传感器：
难以确定故障位置（如轴承内圈 vs. 外圈）。
多传感器：
○通过相位差分析（多个振动传感器）定位故障点。
○声发射传感器阵列实现波达方向（DOA）估计。
（2）故障演化分析
结合温度趋势（缓慢变化）与振动瞬态冲击，可判断故障发展阶段。
2 多传感器轴承故障信号处理步骤与方法总表
根据第一节中多传感器相较于单传感器的优缺点，可以得出在某些故障诊断任务中，多传感器的多源信号可以帮助我们更好的进行故障诊断工作，为此我们需要理清多传感器轴承故障信号处理步骤与方法，在这里总结为表2.1。
表2.1 多传感器轴承故障信号处理步骤与方法总结
处理阶段 | 具体步骤 | 方法/技术 |
1. 数据采集 | 多传感器同步采集 | - 硬件同步（如PXI平台） - 软件同步（时间戳对齐） |
传感器类型选择 | - 振动（加速度计） - 声发射 - 温度 - 电流（电机轴承） | |
2. 预处理 | 去噪 | - 小波阈值去噪（如Db4小波） - 卡尔曼滤波 |
异常值处理 | - IQR（四分位距）剔除 - 滑动窗口修复 | |
归一化 | - Min-Max标准化 - Z-score标准化 | |
3. 信号融合 | 数据级融合 | - 时域信号拼接 - 时频图叠加（STFT/WVD） |
特征级融合 | - 时/频/非线性特征提取 - PCA/LDA降维 | |
决策级融合 | - D-S证据理论 - 加权投票法 | |
4. 特征增强 | 故障特征提取 | - 包络谱分析（Hilbert变换） - 快速谱峭度（Fast Kurtogram） |
深度学习特征提取 | - 1D-CNN（原始信号） - 2D-CNN（时频图输入） | |
5. 故障诊断 | 传统机器学习 | - SVM（RBF核） - 随机森林 |
深度学习 | - LSTM（时序信号） - Transformer（长序列依赖） | |
迁移学习 | - 预训练ResNet微调（时频图分类） | |
6. 验证优化 | 性能评估 | - 混淆矩阵 - ROC-AUC曲线 |
在进行这些步骤之前我们可以先进行一些必要的人工观测，分析多传感器信号的一些比较明显的特征，为后续的故障诊断工作做一个初步的准备。
3.1多传感器信号的可视化观测的重要性
1. 数据质量检查
一眼发现噪声、异常值或传感器故障（如信号丢失、漂移）。
2. 故障特征快速定位
时频图直接显示故障频率（如轴承外圈缺陷的谐波）。
3. 多传感器关联分析
散点图/热力图揭示振动、温度等参数间的隐藏关系（如高温+高频振动=润滑失效）。
4. 算法调试与验证
对比去噪前后频谱，验证滤波效果；可视化模型注意力区域（如CNN热力图）。
3.2常见的多传感器信号可视化图表及其核心作用
1. 时域波形图
●作用：直观显示信号幅值随时间变化，快速捕捉异常冲击、周期性脉冲。
●适用场景：初步判断信号是否包含故障特征（如轴承剥落导致的冲击）。
2. 频谱图（FFT）
●作用：将信号分解为频率成分，识别故障特征频率（如BPFO、BPFI）。
●适用场景：确认故障类型（如外圈/内圈缺陷）。
3. 时频分析图（小波变换/STFT）
●作用：同时观察信号在时间和频率上的演变，定位瞬态故障。
●适用场景：非平稳信号分析（如变转速工况）。
4. 散点图/相关图
●作用：分析多传感器数据的相关性（如振动 vs. 温度）。
●适用场景：发现故障的跨模态特征（如温度升高伴随振动能量增加）。
5.轴心轨迹图
●作用：直观显示转子的运动状态，反映轴承或轴系的动态特性（如不对中、摩擦、松动等故障）
●适用场景：区分故障类型，不同故障（如不平衡、油膜涡动）会在轨迹上形成特定形状（如椭圆、8字形）。
6. 平行坐标图
●作用：同时显示多个特征与故障类别的关系，辅助特征选择。
●适用场景：高维特征数据降维前的分析。
7. 三维声场图（DOA）
●作用：通过声发射传感器阵列定位故障源空间位置。
●适用场景：复杂机械结构的故障定位。
当我们得到故障信号数据后，首先需要根据传感器的信号类型（振动，温度，电流等）确定可视化方法，才能更好的观察信号的特征，本节所采用的数据皆为本公众 号案例数据，为真实采集的多传感器信号。
4.1 时频域波形图
实验共采集五个通道的信号，采样频率为8000Hz，转速为2600r/min 前三个通道为轴承座两个径向方向（X,Y）和一个轴向方向（Z）的振动信号，由加速度传感器测得，第四和第五通道为连接故障轴承转轴的径向振动，由非接触式的电涡流传感器测得，因此该案例主要以分析时频谱图与轴向轨迹图为主。
代码如下：
# 1. 数据加载函数def load_bearing_data(csv_path):"""加载轴承振动数据参数:csv_path: 数据文件路径，应包含5列传感器数据返回:X: 振动数据矩阵 (n_samples x 5)y: 故障标签 (若无则返回None)"""data = pd.read_csv(csv_path)X = data.iloc[:, :5].values # 前5列作为特征y =Nonereturn X, ydef plot_time_frequency(X, fs):"""绘制时域和频域波形"""n_samples = X.shape[0]plt.figure(figsize=(14, 10))for i in range(5):# 时域图plt.subplot(5, 2, 2 * i + 1)plt.plot(X[:500, i], color='royalblue')plt.title(f'Sensor {i + 1} - Time Domain', fontweight='bold')plt.xlabel('Sample')plt.ylabel('Amplitude')plt.grid(True, alpha=0.3)# 频域图plt.subplot(5, 2, 2 * i + 2)yf = fft(X[:, i])xf = fftfreq(n_samples, 1 / fs)[:n_samples // 2]plt.plot(xf, 2 / n_samples * np.abs(yf[:n_samples // 2]), color='crimson')plt.title(f'Sensor {i + 1} - Spectrum', fontweight='bold')plt.xlabel('Frequency (Hz)')plt.ylabel('Magnitude')plt.xlim(0, fs // 2)plt.grid(True, alpha=0.3)plt.tight_layout()plt.show()
图4.1 时频域波形图
4.2轴心轨迹图与边缘电流频谱
图4.2为轴心轨迹图与边缘电流频谱，左半部分为轴心轨迹图，反映转子在二维平面内的运动轨迹，右半部分为边缘电流频谱，通过电流谐波检测电气或机械故障。
代码如下：
def plot_eddy_current_analysis(eddy_data, fs):"""电涡流传感器专用分析"""n_samples = eddy_data.shape[0]plt.figure(figsize=(14, 5))# 轴心轨迹plt.subplot(121)plt.plot(eddy_data[:, 0], eddy_data[:, 1],linewidth=0.5,color='darkgreen',alpha=0.7)plt.title('Orbit Diagram', fontweight='bold')plt.xlabel('X displacement (normalized)')plt.ylabel('Y displacement (normalized)')plt.axis('equal')plt.grid(True, alpha=0.3)# 电涡流频谱plt.subplot(122)yf = fft(eddy_data[:, 0])freqs = fftfreq(n_samples, 1 / fs)[:n_samples // 2]plt.plot(freqs, 2 / n_samples * np.abs(yf[:n_samples // 2]),color='purple')plt.title('Eddy Current Spectrum', fontweight='bold')plt.xlabel('Frequency (Hz)')plt.ylabel('Magnitude')plt.xlim(0, 500) # 重点关注低频plt.grid(True, alpha=0.3)plt.tight_layout()plt.show()
图4.2 轴心轨迹图与边缘电流频谱
根据以往研究人员对轴心轨迹形状的分析，将其与可能发生的故障总结为下表：
表4.1 轴心轨迹与可能发生的故障分析
下面是对边缘电流频谱的分析：
●基频（1×转频）：正常运转的主频，幅值异常升高可能提示不平衡或松动。
●谐波（2×、3×转频）：常见于轴不对中或弯曲。
●高频成分（如轴承故障频率）：BPFO（外圈故障频率）、BPFI（内圈故障频率）等边带成分。
