想象一下，工厂里一台日夜不停运转的大型电机，其核心部件——高速旋转的转子，如同一位需要精确平衡的舞者。哪怕存在一丝微小的质量分布不均，即“质量不平衡”，长期以往也会导致轴承异常磨损、轴不对中，最终引发灾难性的故障停机。据统计，在旋转机械振动相关故障中，质量不平衡占比高达近40%，是工业领域一个长期存在的痛点。为了防患于未然，工程师们发展出了多种诊断技术，例如在机器上安装振动加速度计来分析振动信号，或者利用电机电流特征分析来间接推断机械状态。然而，这些“接触式”或“侵入式”的方法面临着共同的挑战：传感器需要安装在设备上，部署不便，且在高温、高压等恶劣或受限的工业环境中可能难以实施。振动分析对传感器安装位置敏感，电流分析则易受背景电气噪声干扰。有没有一种方法，能够在不接触设备的前提下，依然灵敏地“感知”到旋转部件那细微的不平衡迹象呢？
近期，微波与无线雷达传感技术的进步为机械监测带来了全新的“非接触式”可能性。雷达波可以穿透烟雾、灰尘，在恶劣环境下对目标进行远程、非接触的测量，尤其擅长捕捉微小的振动位移。然而，将雷达技术用于工业旋转机械的故障诊断，特别是针对质量不平衡的多等级精确识别，相关研究还非常有限。一个关键的挑战在于，雷达采集到的包含同相（I）和正交（Q）分量的复杂信号，蕴含着幅值、相位和瞬时频率（Instantaneous Frequency, IF）等多种信息维度。传统方法往往只孤立地分析其中某一个维度（比如只看幅值或只看相位），忽略了这些不同维度之间潜在的关联性，从而损失了宝贵的信息，限制了诊断的精度和鲁棒性。
在此背景下，一篇发表在《IEEE Access》上的研究论文，提出了一种创新的解决方案。研究人员致力于开发一种基于低成本24GHz连续波雷达的、非接触式的旋转机械质量不平衡多等级检测方法。其核心思想是，不仅要利用雷达I/Q信号中蕴含的幅值、相位、瞬时频率等多个互补的信息“域”，还要深入挖掘这些域之间的内在关联。为此，他们创造性地构建了一个“多域混合特征”表示。具体而言，该方法首先从幅值、相位、瞬时频率这三个单域信号中，分别提取一系列一维统计特征，如均值、方差、偏度、峰度、均方根等，来刻画每个域内部的信号特性。更重要的是，研究者们将这三个域的数据在时域上对齐，构成了一个三维的轨迹向量V[n] = [A[n], P[n], IF[n]]，它描绘了信号在幅值-相位-频率这个联合空间中的演化路径。从这个三维轨迹中，他们进一步提取了14个几何描述符，例如轨迹弧长、曲率、凸包体积、偏心率、庞加莱标准差等，用以量化轨迹的形态、空间展布和动态复杂性。最终，来自单域的36个统计特征（3个域 × 12个特征）与14个跨域几何特征相结合，形成了一个紧凑而信息丰富的50维混合特征向量。
为了验证这一特征提取方案的有效性，研究团队构建了一个专用的实验台架和数据采集系统。他们使用一个感应电机驱动一个测试盘，通过附加不同质量的校准配重块，模拟了“平衡”、“低”、“中”、“高”四种质量不平衡等级。一台24GHz连续波雷达被放置在距离电机约30厘米处，以非接触方式采集回波信号。整个实验在变化的工况下进行，涵盖了从500到1500 rpm的多种转速，以及0到3 Nm的不同负载扭矩，以模拟真实工业环境中的变工况条件。最终，研究人员收集并整理了一个包含1802条、每条时长30秒的带标签雷达I/Q信号数据集，为模型训练和测试提供了坚实的基础。
在技术方法层面，本研究主要运用了以下几个关键步骤：首先，利用基于CW雷达的非接触传感系统采集旋转机械的I/Q基带信号。其次，从I/Q信号中推导出幅值、相位和瞬时频率三个互补的信号域。接着，创新性地设计了多域混合特征提取方案，该方案融合了来自各单域的一维统计描述符和基于幅值-相位-频率三维联合轨迹的跨域几何特征。然后，构建并标注了包含四种不平衡等级、在变转速和变负载条件下采集的1802条雷达记录的数据集。最后，采用支持向量机等多种机器学习分类器对提取的特征进行训练和评估，并通过网格搜索和5折交叉验证进行超参数优化，以比较不同特征集和分类器的性能。
研究结果
A. 基准分类性能
研究人员使用支持向量机、装袋树、k-近邻、决策树和人工神经网络五种分类器对提出的混合特征进行了评估。所有方法都取得了高于88%的分类准确率，证明了所提特征能够有效支持基于雷达的旋转不平衡检测。其中，支持向量机表现最佳，测试准确率达到98.06%，宏F1分数为97.99%，马修斯相关系数（MCC）为97.01%，同时在模型大小和预测速度之间取得了最佳平衡，因此被选为后续分析的基线分类器。
B. 特征重要性与消融分析
通过基于排列的特征重要性分析，研究人员评估了各个特征对分类结果的贡献。分析表明，最重要的前15个特征中，跨域三维几何描述符（如庞加莱标准差、仰角均值、曲率相关特征）占据了主导地位。同时，来自幅值域和相位域的时域统计特征（如偏度、方差、峰度）以及瞬时频率域的一些特征（如偏度、过零数）也具有重要的信息价值。这证实了结合几何信息与时域、导数相位线索的跨域互补性，是所提模型获得优越分类性能的基础。
C. 分域消融与融合评估
为了量化不同信息域融合的贡献，研究进行了一项消融实验，依次评估了单域特征、三个一维域的简单组合特征以及包含三维几何特征的完整混合特征。结果显示，在窗口大小（WS）为4000个样本时，单独的幅值、相位、瞬时频率和三维几何域分别能达到约93.6%、93.6%、91.7%和95.3%的准确率。将三个一维域简单组合后，准确率提升至97.78%。而当加入三维几何特征形成最终的50维混合特征空间时，准确率进一步达到了最高的98.06%。这表明，跨域几何特征提供了超越简单特征拼接的额外判别信息。
D. 计算复杂度与可扩展性分析
研究还详细分析了特征提取的计算开销。随着分析窗口长度的增加，每个窗口的特征提取时间线性增长，但由于处理的总窗口数减少，处理整段30秒信号的总时间反而下降。在WS=4000时，完整的混合特征提取耗时约为1112毫秒/每段记录。虽然这比计算最快的基线方法（如小波包分解，约212毫秒）要高，但与功率谱密度、希尔伯特-黄变换等主流方法处于同一量级，完全满足实时性要求。
E. 与先进方法的对比
为了全面评估所提方法的先进性，研究人员将其与几种在机械振动监测中广泛使用的先进特征提取方案进行了对比，包括基于功率谱密度、经验模态分解、希尔伯特-黄变换和小波包分解的特征。在相同的SVM分类器和实验协议下，这些基线方法在测试集上取得了85%到90%不等的准确率。其中，功率谱密度特征表现最好，达到89.72%的准确率。而本文提出的混合特征方法以98.06%的准确率显著超越了所有对比基线，同时在宏F1分数和马修斯相关系数上也全面领先，证明了多域混合特征表示具有更优越的判别力和鲁棒性。
研究结论与意义
本研究成功提出并验证了一个用于旋转机械质量不平衡非接触式检测的雷达诊断框架。该框架的核心贡献在于，利用低成本连续波雷达的I/Q信号，构建了一个融合多域统计特征与三维跨域几何特征的混合特征表示。这种特征设计充分利用了幅值、相位、瞬时频率等多个信息维度的互补性及其之间的空间关联，从而能够更精细地表征由质量不平衡引发的振动模式。
实验结果表明，该混合特征与支持向量机分类器结合，在包含四种不平衡等级、多种运行工况的数据集上实现了接近完美的分类性能（98.06%准确率），显著优于一系列基于传统时频分析或信号分解的先进特征工程方法。此外，详尽的复杂性分析证实，尽管特征维度更丰富，但该方法的计算开销仍在可接受范围内，具备在嵌入式或实时平台上部署的潜力。
这项工作的重要意义在于，它展示了连续波雷达结合精心设计的多域特征提取方案，可以作为一种实用、高效的非接触式替代方案，用于解决传统振动或电流传感在质量不平衡诊断中面临的部署限制和精度挑战。它为工业预测性维护提供了一种新的技术路径，特别适用于传感器安装困难、环境恶劣或需要远程监测的场景。尽管当前研究在单一受控实验台架上验证了方法的有效性，并通过对变转速、变负载数据的训练增强了模型的工况适应性，但将其推广到不同机器类型、不同安装环境和更复杂工业背景中的普适性，仍是未来需要探索的重要方向。论文最后也指出，后续工作将扩展该框架以检测更多类型的机械与电气故障，并探索跨机器、跨环境的域适应策略以及兼顾性能与可解释性的端到端深度学习架构。
