我见过用于确定轴承故障的一种技术是使用振动信号的峰度。

您可以跟踪Wikipedia 所称的样本超峰度随时间变化的情况。这是与信号为高斯分布时看到的峰度不同的峰度。

样本超峰度定义为：

$$\frac{m_4}{m_2^2} - 3 = \frac{\frac{1}{N} \displaystyle \sum_{n=0}^{N=1} (x_n - \bar{x})^4}{\left(\frac{1}{N} \displaystyle \sum_{n=0}^{N=1} (x_n - \bar{x})^2\right)^2} - 3$$

在哪里$\bar{x}$是样本均值，$m_2$是样本二阶矩，并且$m_4$是样本四阶矩。

Brüel & Kjær 有一篇关于使用峰度的很好的文章，尽管他们使用实际峰度而不是过度峰度。

为什么？

当砂砾或污垢或破损的轴承件进入旋转元件时，往往会出现轴承故障。当这种情况发生时，振动信号往往会变得更加“尖锐”，因为引起故障的材料在滚动元件和轴承座圈上被磨碎。

其他方法

您还可以查看删除您对信号谐波含量的了解，然后查看剩余部分。 这里有一些关于它的东西。 但是，请先尝试一些简单的方法，例如峰度。

（我对这个研究领域也比较陌生，但这是我的意见，希望对您有所帮助）。

应选择反映您使用的系统特性的频率分析技术。以这种方式进行的傅立叶分析假定数据对于收集数据的每个样本间隔都是静止的。由于您仅以 10 秒的时间间隔获取数据，这可能是一个很好的假设（系统输出不太可能在此时间间隔内随时间发生显着变化）。

我想应用某种高频技术来寻找较高频率范围内的早期轴承损坏，因为 FFT 无法捕获这些损坏。

为什么 FFT 不能捕捉数据的高频特征？从理论上讲，您应该只受数据的 25.6 kHz 采样频率的限制（除非我错过了某些情况，在这种情况下道歉）。

看看 Hilbert-Huang 变换，它适用于非线性和非平稳数据。如果您使用/曾经使用过 MATLAB，那么 MATLAB hht 文档提供了如何诊断轴承故障的分步示例，这可能是一个很好的起点。