深入理解振动信号分析

可视化演示

展示振动信号预处理去噪、时频域特征提取，以及故障分类模型概率输出，揭示旋转机械智能运维的核心技术路径。

振动信号基础

王大夫进厂第一天，老板让他给一台引风机“把脉”。他没有急着开方，而是先找脉搏。人的脉搏在手腕，机器的脉搏在轴承座——转子的力通过轴承传给壳体，此处振动能量最强。他把一枚硬币大小的压电加速度计用磁座吸在轴承座上方，这就是传感器在“搭脉”。

设备一转，传感器便输出一条随时间波动的电压信号。理想化的单个振动源可用简谐振动描述：

实际信号远比单条正弦波复杂：转子不平衡贡献1倍转频（1×），轴不对中贡献2倍转频（2×），轴承局部损伤贡献周期性冲击。传感器像一支录音笔，把整场交响乐录制在一条音轨上。采样时要记住两个要点：采样频率需大于最高分析频率的2.56倍，测点应选择刚度高、振动传递路径短的部位。

脉搏找对了，后面所有的诊断才有根基。这就是振动信号分析的起点——用传感器的触角，捕获机器的真实心跳。

信号预处理

病人刚爬完五层楼，王大夫是不会立刻切脉的——心跳急促、脉象发飘，切了也是误判。传感器采到的原始信号同样“风尘仆仆”：厂房电磁干扰、邻近设备振动、接头接触不良的毛刺，全被录了进来。

先让数据安静下来。去噪滤波是第一道工序：带通滤波器只保留设备振动的主要频带，滤掉直流偏置和高频噪声。最简单的平滑方式是滑动平均，对每个点取前后 M 个点的均值：

第二道工序是异常剔除：传感器偶发掉包、线缆接触不良会产生离谱尖峰，这些野值会严重污染均值与方差。第三道工序是重采样，把不同转速、不同采样时刻的数据统一到同一坐标系，像把散落的脉案按日期归档。

脉象干净了，切脉的指感才会准确。预处理不是炫技，而是给后续所有特征计算提供一份可信的原始病历。

时域特征提取

切脉时，王大夫先感受脉力与脉势——有没有劲、跳得稳不稳。时域特征就是用几个数字描述波形这个“脉搏”的力度与个性。

最基本的是均值与方差：均值反映直流偏置，方差反映振动能量，RMS 值（均方根）是衡量振动烈度的通用指标，相当于脉力总评。但故障早期，微弱冲击被平稳振动掩埋，RMS 几乎不变。这时需要放大“脉冲感”的指标——峰值因子是峰值与 RMS 的比值，峭度是四阶统计量，对冲击格外敏感：

健康信号的峭度接近3（高斯分布），早期冲击让峭度飙升到5、10甚至更高。王大夫说“脉象带刺”，在数据上就是峭度超标。时域特征计算简单、物理意义清晰，适合作为第一道筛查的粗指标。

数字化的脉象笔记，让机器状态变得可比较、可追踪。

频域特征提取

王大夫不光摸脉力，还侧耳细听：健康脉象节奏均匀，病脉里藏着杂音。时域波形把所有频率叠在一起，肉眼难以分辨——需要一部“频率分离机”，这就是快速傅里叶变换（FFT）。

对 N 点采样序列做离散傅里叶变换：

频谱图的横轴是频率，纵轴是幅值。转频 1× 的峰像心跳主节律；当 2×、3× 倍频异常升高，提示不对中或松动；轴承故障产生的外圈特征频率 BPFO、内圈特征频率 BPFI 则像心跳里不规则的“早搏”。包络谱更进一步，对高频冲击做解调，把藏在载波里的低频故障频率挖出来，是轴承早期诊断的利器。

傅里叶变换让机器学会“听”，把杂音拆解成可辨识的音符。

特征选择降维

王大夫行医多年，深知“证多无主症”——一百个体征摆出来反而抓不住要害。特征工程同理：时域特征几十个、频域特征上百个，一股脑喂给模型，计算量大还容易过拟合，必须抓主症。

第一招是相关性筛选：逐一计算特征与故障标签的 Pearson 相关系数，把与故障强相关、彼此又不冗余的特征挑出来：

第二招是主成分分析（PCA）：把原始高维特征投影到几个主成分方向，用最少的维度保留大部分方差信息，像把几十味药材浓缩成一味复方制剂。第三招是特征融合，把同一测点的 RMS、峰值因子、峭度组合成复合健康指标，提升对工况波动的稳健性。

特征选择与降维，是辨证论治里的“去伪存真”——只留下真正指向病灶的线索。

故障分类建模

王大夫把千万个脉案烂熟于心，才能瞬间辨证。模型要做的，就是把特征向量映射到故障类别，这是一道监督分类题。

传统机器学习路线——随机森林、梯度提升树、SVM——吃的是手工特征，训练快、可解释性强，是工业小样本场景的稳妥选择。深度学习方法（如一维 CNN）直接从原始波形自动学特征，省去人工设计，但需要海量数据与精细调参。两类方法各有所长，关键是匹配数据规模。

无论哪种模型，训练都在最小化模型预测与真实标签的差距。分类任务最常用交叉熵损失：

训练时通过梯度下降不断更新参数，让损失变小，模型对“健康、内圈故障、外圈故障、滚动体故障”的判断越来越准。最后用交叉验证和独立测试集评估泛化能力，防止模型“背答案”式的过拟合。

王大夫把毕生经验压缩进一个模型文件——诊断经验从此可以复制、部署、规模化。

实测案例验证

开完方子要复诊，模型的“疗效”也要在真实故障数据上检验。经典实测场景是滚动轴承故障：在试验台上人为加工内圈、外圈、滚动体损伤，采集振动信号并打上标签，走一遍预处理→特征提取→建模→评估的完整流程。

评估模型不能只看一个数字。精确率（P）回答“报警的人里多少是真的坏了”，召回率（R）回答“真的坏了的设备里多少被报出来了”。两者往往此消彼长，F1 分数是它们的调和平均：

齿轮故障验证与之类似：断齿会在啮合频率两侧激起边带族；转子不平衡则表现为 1× 转频幅值独大。把各案例的结果汇总成混淆矩阵，能清晰看到漏报与误报的分布——漏报导致非计划停机，误报消耗检修人力，权衡取舍取决于业务容忍度。

疗效说话，数据见真章。实测验证让模型从“纸面准确”走向“现场可靠”。

工业落地适配

王大夫开连锁诊所后发现，难点不再是把脉，而是适应不同体质：泵、风机、电机、压缩机、机床主轴，转速、载荷、工况天差地别。低速重载设备的冲击能量偏在低频，高速设备的故障特征频率高，采样率就得提高。特征工程必须按设备类型定制——这就是设备类型的差异化适配。

更现实的拷问是：这笔投入值不值？预测性维护的 ROI 要算清三笔账——避免非计划停机省下的钱、传感器与网关的部署成本、误诊带来的额外人力支出：

落地架构上，模型部署在产线边缘网关，实时采集、实时推理，异常才上传云端；云平台负责模型迭代与全局可视化。这样既满足毫秒级响应，又节省带宽与存储。

好技术要既对症又划算，才能从一个车间走向整个工厂。振动信号分析的价值，最终体现在设备可用率与运维成本的真金白银上。

AI 应用场景

Python 演示

import numpy as npfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.metrics import accuracy_score def gen_vibration(fault=False, n=2048, fs=5120, rpm=1800):    # 生成模拟振动信号, fault=True 时叠加滚动轴承冲击    t = np.arange(n) / fs    f_rot = rpm / 60.0  # 转频: 30 Hz    sig = 1.0 * np.sin(2 * np.pi * f_rot * t)             # 1倍转频    sig += 0.4 * np.sin(2 * np.pi * 2 * f_rot * t)        # 2倍转频    sig += 0.15 * np.random.randn(n)                      # 背景噪声    if fault:        bpfi = 4.7 * f_rot  # 内圈故障特征频率约141 Hz        period = int(fs / bpfi)        for start in range(0, n - 40, period):            idx = np.arange(40)            # 每次滚动体通过损伤点时的衰减冲击            sig[start:start + 40] += 1.8 * np.exp(-idx / 8.0) * np.sin(2 * np.pi * 900 * idx / fs)    return sig def extract_features(sig):    # 提取时域与频域特征    sig = sig - np.mean(sig)    rms = np.sqrt(np.mean(sig ** 2))                      # 均方根值    crest = np.max(np.abs(sig)) / (rms + 1e-8)            # 峰值因子    kurt = np.mean(sig ** 4) / (np.std(sig) ** 4 + 1e-8)  # 峭度    spec = np.abs(np.fft.rfft(sig))    spec /= (np.sum(spec) + 1e-8)                         # 频谱归一化    top3 = np.sort(spec)[-3:]                             # 最大的3个谱峰    return np.array([rms, crest, kurt, top3[0], top3[1], top3[2]]) # 构造200个样本: 前100健康, 后100故障X = np.array([extract_features(gen_vibration(fault=(i >= 100))) for i in range(200)])y = np.array([0] * 100 + [1] * 100) # 训练随机森林分类器clf = RandomForestClassifier(n_estimators=50, random_state=0)clf.fit(X[:160], y[:160])pred = clf.predict(X[160:])print("测试集准确率: %.2f" % accuracy_score(y[160:], pred))print("特征重要性:", np.round(clf.feature_importances_, 3))

1. f_rot = rpm / 60.0把每分钟转速换算成每秒转频，这是所有特征频率的基准
2. 1.0 * np.sin(2 * np.pi * f_rot * t)生成 1× 转频的基波，模拟转子每转一圈的周期性激励
3. np.exp(-idx / 8.0) * np.sin(...)用指数衰减振荡模拟轴承损伤点被滚动体撞击时的冲击响应
4. kurt = np.mean(sig ** 4) / (np.std(sig) ** 4 + 1e-8)峭度指标，对冲击型故障极其敏感
5. np.fft.rfft(sig)对时域采样做 FFT，得到频谱后提取前三大谱峰作为频域特征
6. RandomForestClassifier(n_estimators=50, random_state=0)用随机森林学习特征与故障类别之间的映射关系

常见误区

面试题