液体灌装机驱动电机轴承故障占电机总故障的41%，多传感信息融合诊断准确率达100%，声发射信号数据缩减率最高达95%，系统实时监测异常状态检出率超过95%，典型工况下转速2740r/min、负载5N·m。
一、行业背景：液体灌装机智能化升级与设备可靠性挑战
《2026-2031年全球及中国液体灌装机行业市场现状调研及发展前景分析报告》随着消费市场规模持续扩大，罐装饮料类消费品零售总额呈现稳健增长态势，作为自动化生产底层装备的液体灌装机，正加速向高度自动化、智能化、集成化方向发展。然而，设备内部的高度集成化使各子系统间相互依赖性显著增强，整机故障复杂性随之攀升，维护与维修成本持续上升。
驱动电机作为液体灌装机的核心动力单元，其运行状态直接决定灌装精度与生产效率，更关系到生产安全。历史案例表明，电机轴承失效可能引发严重安全事故，造成重大经济损失。研究表明，滚动轴承故障在电机总故障事件中占比高达41%，且轴承一旦发生故障极易引发连锁反应，导致电机不可逆的机械损伤。
液体灌装机驱动电机长期运行于高转速、重载荷、高温度的复杂工况，润滑条件恶劣，故障率显著提高。传统单一传感器监测手段存在信息单一、稳定性不足等瓶颈，难以满足现代液体灌装机对设备可靠性管理的严苛要求。多传感信息融合技术通过综合利用振动、声发射等多类传感器的故障信息，为滚动轴承故障诊断提供了有效途径，成为液体灌装机智能化运维的关键技术支撑。
二、技术路线：液体灌装机轴承故障诊断的多传感融合方案
针对液体灌装机驱动电机轴承故障诊断的技术需求，研究构建了基于振动与声发射信号融合的完整技术体系，涵盖实验平台搭建、信号预处理、特征提取、模型构建与系统集成等关键环节。
实验平台构建方面，设计搭建了液体灌装机驱动电机轴承故障模拟试验系统，核心组件包括变频驱动电机、磁粉制动器加载装置、轴承座与传感器阵列。系统可模拟典型工况(转速2740r/min，负载5N·m)，通过替换预制故障轴承，实现正常状态、内圈损伤、外圈损伤和滚珠损伤四种状态的精准复现。故障件依据国际标准制作，采用电火花加工在轴承内圈、外圈和滚动体表面植入标准化缺陷，确保实验的可重复性与可比性。
信号采集系统方面，振动信号采集采用压电式加速度传感器，配合恒流源供电，采样频率设置为10kHz;声发射信号采集采用谐振式声发射传感器，配合前置放大器，采样频率高达1MHz。双通道同步采集确保振动与声发射信号的时序一致性，为后续信息融合奠定数据基础。
三、信号处理：液体灌装机轴承监测数据的预处理创新
原始采集信号包含大量噪声与冗余信息，直接用于特征提取将严重影响诊断精度。研究针对振动信号与声发射信号的不同特性，分别开发了针对性的预处理算法。
振动信号降噪处理采用基于小波包分解的降噪算法。该算法通过设计低通与高通滤波器组，将信号分解为多层近似系数与细节系数，形成完全二叉树结构。针对液体灌装机轴承振动信号的特点，经实验优化确定最优参数组合：选用Bior3.9小波基函数，采用3层分解深度，应用Rigsure阈值准则进行软阈值量化处理。评价指标显示，该组合信噪比达22.81dB，相关系数0.9989，均方根误差仅0.116，在有效抑制噪声的同时最大程度保留了故障特征信息。包络谱分析验证表明，处理后信号可清晰辨识轴承各状态的故障特征频率及其倍频成分。
声发射信号数据缩减创新性地提出了基于快速峭度图的峰值保持降采样算法。声发射信号采样频率高达1MHz，数据量极为庞大，直接处理效率低下。快速峭度图算法通过计算信号各频率分量的峭度值，形成频率-峭度二维映射，峭度峰值位置对应故障特征能量最集中的频带。据此确定最佳降采样截止频率，采用峰值保持策略进行降采样，可在保留故障冲击特征的前提下，将数据量缩减至原始数据的1/20(缩减率95%)，显著提升后续处理效率。验证实验显示，缩减后信号包络谱仍可准确识别外圈损伤特征频率162Hz，与理论值误差仅0.49%。
四、特征工程：液体灌装机轴承状态的多维度表征
特征提取是连接原始信号与智能诊断的桥梁，研究从时域、频域、时频域三个维度构建全面的特征表征体系。
时域特征提取基于统计学理论，计算有量纲特征(最大值、最小值、均值、峰峰值、标准差、峭度、偏度等)与无量纲特征(波形因子、峰值因子、脉冲因子、裕度因子、峭度因子、偏度因子)。通过箱线图分析与切比雪夫定理，筛选出最优监测指标：振动信号的峰度因子(阈值上限1.28)与声发射信号的裕度因子(阈值下限2.66、上限7.22)。实时监测测试表明，基于这些指标的异常状态检出率均超过95%，可有效区分正常状态与各类故障状态。
频域特征提取基于傅里叶变换，将信号从时域映射至频域，提取频谱幅值均值、方差、偏度、峭度、重心频率、主频带位置、频率能量集中度、频率分散度等13维特征，量化各频率分量的强度关系与能量分布特性。
时频域特征提取采用小波包分解算法，将信号分解为多个子频带，计算各子频带的谱能量值并进行归一化处理。振动信号实施3层分解获得8个子频带，声发射信号实施4层分解获得16个子频带。能量分布分析显示，正常状态与各类损伤状态在子频带能量分布上存在显著差异，为状态识别提供了敏感的特征依据。
基于上述三类特征，构建振动信号多域特征集(37维)与声发射信号多域特征集(45维)。实验验证表明，多域特征集在支持向量机分类器上的识别准确率达91.25%(振动)与90%(声发射)，显著优于单一域特征集，证明了多维度特征融合的有效性。
五、模型优化：液体灌装机轴承诊断的特征优选与融合策略
高维特征集包含冗余信息，可能降低模型效率与泛化能力。研究采用随机森林算法与核主成分分析算法进行特征优选与降维，并对比了特征级融合与决策级融合两种策略。
特征优选方法对比：随机森林算法基于置换重要性(MDA)指标对特征进行排序，采用序列前向选择法确定最优特征子集。核主成分分析算法通过核函数将数据映射至高维空间，提取累计贡献率超过90%的主成分。实验结果表明，随机森林优选效果更佳：振动信号特征从37维降至12维，声发射信号特征从45维降至15维，且识别准确率优于核主成分分析方法。
分类算法对比：在优选特征基础上，对比支持向量机、K近邻算法与极限梯度提升树(XGBOOST)三种分类器。XGBOOST算法通过集成多棵分类回归树，引入正则化项控制模型复杂度，在滚动轴承模式识别任务中表现最优。基于随机森林优选的振动信号特征建立的XGBOOST模型，识别准确率达98.3%;声发射信号模型准确率达95.6%。
信息融合策略对比：特征级融合将振动与声发射优选特征拼接(27维)后输入单一分类器，XGBOOST模型准确率98.5%，提升效果有限。决策级融合基于D-S证据理论，将振动模型与声发射模型的输出概率作为独立证据体进行融合，通过基本概率分配与组合规则计算融合后的概率分布。该策略充分利用了两种传感信息的互补性，识别准确率达100%，实现了液体灌装机轴承故障的精准诊断。
六、系统集成：液体灌装机故障诊断平台的工程实现
基于前述研究成果，开发了面向液体灌装机的滚动轴承故障诊断系统，实现理论方法向工程应用的转化。
系统架构分为信号采集硬件系统与计算机软件系统两部分。硬件系统包括加速度传感器、声发射传感器、恒流源、前置放大器与数据采集卡，支持振动与声发射信号的双通道同步采集。软件系统基于图形化编程平台开发，采用模块化设计原则，集成用户登录管理、轴承型号管理、信号采集与存储、信号预处理、频域分析与智能诊断六大功能模块。
核心功能实现：
轴承型号管理模块：依据电机转速与轴承结构参数(滚动体数目、节圆直径、接触角等)，实时计算各状态的特征频率，为频域分析提供参考基准。
信号采集模块：支持采样参数配置、实时波形显示与状态监测，基于阈值指标实现异常预警，数据以高效格式存储并支持自定义分割策略。
预处理模块：集成振动信号小波包降噪与声发射信号数据缩减算法，参数经优化配置，用户一键调用即可完成处理。
频域分析模块：提供傅里叶谱与包络谱分析功能，支持特征频率比对与可视化呈现。
智能诊断模块：基于Python与图形化平台联合编程，实现特征提取与XGBOOST模型调用，支持振动检测、声发射检测与融合检测三种模式，输出各状态的概率分布与最终诊断结果。
系统验证实验表明，该平台可准确完成液体灌装机驱动电机滚动轴承的状态监测与故障诊断，各项功能运行稳定，人机交互界面友好，满足工业现场的应用需求。
七、全篇总结
本文围绕液体灌装机驱动电机滚动轴承的故障诊断问题，系统研究了多传感信息融合的技术路径与工程实现方法。研究首先分析了液体灌装机行业智能化升级背景下设备可靠性管理的迫切需求，指出滚动轴承故障是驱动电机失效的主要模式;进而构建了基于振动与声发射信号融合的完整技术体系，创新性地提出了基于快速峭度图的峰值保持降采样算法，解决了声发射信号数据量庞大的处理难题;通过多维度特征提取与优选，建立了高准确率的智能诊断模型，决策级融合策略实现了100%的识别准确率;最终开发了集成化的故障诊断系统，验证了技术方案在液体灌装机应用场景中的有效性。
研究成果为液体灌装机的预测性维护提供了技术支撑，有助于提升设备运行可靠性、降低非计划停机损失、保障生产安全。未来研究方向包括：拓展至多故障并存的耦合故障诊断场景，验证不同转速与负载条件下的方法适应性，以及融合更多类型传感器信息以进一步提升诊断系统的鲁棒性与智能化水平。随着工业物联网与人工智能技术的深度融合，液体灌装机的智能运维将向更高层次的自主决策与优化控制演进，推动行业向高质量、可持续方向发展。
