2、振动基础与异常检测概念：振动信号的基本物理量（振幅、频率、相位）、常见设备故障类型（不平衡、不对中、轴承磨损等）与振动特征的关系
设备状态监测的核心逻辑，是将“振动”这一物理现象作为设备内部健康状况的“语言”。无论是旋转机械（电机、泵、风机）还是往复机械（压缩机、发动机），其运行状态的变化都会通过振动信号的特征参数反映出来。理解振动的基本物理量——振幅、频率、相位，以及它们与典型故障（不平衡、不对中、轴承磨损）之间的映射关系，是构建Edge Impulse振动异常检测模型的前提。本章将系统梳理这些基础概念，并建立从“物理量”到“故障特征”的完整认知链路，为后续在Edge Impulse中设计特征工程与训练标签提供理论依据。
2.1 振动信号的基本物理量：振幅、频率与相位
振动信号是设备动态行为的直接体现，其数学描述通常采用简谐振动模型：x(t) = A·sin(2πft + φ)。其中，振幅（A）、频率（f）和相位（φ）构成了描述振动特征的三个基本维度。在设备状态监测中，这三个物理量并非孤立存在，而是共同构成了故障诊断的“指纹”。
振幅表征振动的强度或能量大小，常用单位有位移（μm，峰峰值）、速度（mm/s，有效值）和加速度（m/s²，峰值）。在工程实践中，低频振动（<1kHz）多关注位移和速度，高频振动（>1kHz）则更关注加速度。振幅的值变化是判断设备劣化趋势的最直观指标，例如ISO 10816标准就基于速度有效值划分了不同等级设备的振动状态区间。
频率是振动信号中最具诊断价值的维度。旋转机械的振动频率通常以转频（1×，即转速/60）为基准，故障特征频率往往表现为转频的整数倍或分数倍。例如，不平衡故障主要激起1×转频分量，不对中故障则常伴随2×转频分量，而滚动轴承故障则会产生高频固有振动与故障特征频率（BPFO、BPFI、BSF）的调制现象。频率分析的核心工具是快速傅里叶变换（FFT），它将时域信号转换为频谱，使故障特征在频域中清晰可见。
相位描述振动信号在某一时刻相对于参考点的位置关系，单位是度（°）。相位信息对于区分故障类型至关重要：不平衡故障的相位通常稳定且与转速同步；不对中故障的相位在轴向两个测点之间往往呈现180°反向特征；而松动故障的相位则表现出不稳定性。相位测量需要键相传感器（如光电传感器或电涡流传感器）提供转速参考脉冲，在Edge Impulse项目中，相位信息通常作为辅助特征输入，用于提高模型区分度。
2.2 常见设备故障类型与振动特征映射
设备故障类型与振动特征之间存在明确的对应关系，这种映射关系是构建异常检测模型标签体系的基础。下表总结了典型故障的振动特征模式：
| 故障类型 | 主要特征频率 | 振幅特征 | 相位特征 | 振动方向 |
|---|---|---|---|---|
| 转子不平衡 | 1× 转频 | 径向振幅大，随转速平方增加 | 相位稳定，与转速同步 | 径向为主 |
| 轴不对中 | 2× 转频为主，常伴1×、3× | 轴向振幅显著增大 | 轴向两端相位差接近180° | 轴向为主 |
| 滚动轴承磨损 | BPFO、BPFI、BSF、FTF及谐波 | 高频冲击，加速度峰值增大 | 相位不稳定，随机性 | 径向/轴向均有 |
| 齿轮故障 | 啮合频率(GMF)及边带 | GMF幅值增大，边带能量上升 | 相位调制现象 | 径向为主 |
| 机械松动 | 1×、2×、3×及分数谐波 | 振幅不稳定，非线性特征 | 相位波动大 | 径向为主 |
以不平衡为例，当转子质量中心偏离旋转中心时，会产生离心力，激起1×转频的径向振动。振幅与转速的平方成正比，因此高速设备对不平衡更为敏感。在频谱图上，1×分量幅值突出，且相位稳定。对于不对中故障，联轴器两端轴线存在偏移或角度偏差，导致轴向振动增大，频谱中2×分量占主导，且轴向两个测点的相位差接近180°。而轴承磨损则更为复杂，滚动体通过缺陷位置时会产生周期性冲击，激起轴承座的高频固有振动，形成以故障特征频率为调制频率、以固有频率为载波的边带谱。
2.3 从振动特征到Edge Impulse异常检测模型
在Edge Impulse平台上构建振动异常检测模型，核心任务是将上述物理量特征转化为可训练的数据集。典型的工程流程包括：
- 数据采集：使用加速度传感器（如ADXL345、MPU6050或工业级IEPE传感器）采集振动信号，采样率建议不低于2kHz，对于轴承故障分析建议10kHz以上。采集时长应覆盖至少10个旋转周期，以保证频率分辨率。
- 特征提取：Edge Impulse内置了频谱分析、时域统计、小波变换等特征生成模块。建议提取的特征包括：RMS、峰值、峭度、波形因子、频谱峰值频率、1×/2×幅值比、边带能量等。
- 标签设计：根据故障类型设置分类标签，如“正常”、“不平衡”、“不对中”、“轴承磨损”。对于异常检测场景，也可以采用“正常”与“异常”的二分类，或使用无监督学习（如K-means）进行异常评分。
- 模型训练与部署：Edge Impulse支持神经网络分类器、异常检测（如Autoencoder）等算法。训练完成后可部署至MCU或嵌入式设备，实现实时推理。
2.4 案例拆解：离心泵轴承磨损的振动特征识别
某化工厂一台离心泵（转速2970rpm，轴承型号6308）出现异常噪声，振动值从2.1mm/s上升至4.8mm/s。现场使用手持测振仪采集加速度信号，采样率12.8kHz，采样时长4秒。初步频谱分析发现：在2.5kHz附近出现明显的高频冲击，且存在间隔为89Hz的边带。计算轴承故障特征频率：BPFO=3.05×转频=151Hz，BPFI=4.95×转频=245Hz，BSF=2.0×转频=99Hz。实际观察到的边带间隔89Hz接近BSF（99Hz），但存在偏差。进一步分析发现，该轴承保持架存在轻微磨损，导致滚动体公转频率（FTF）为11.5Hz，边带间隔应为FTF的整数倍。通过细化频谱（频率分辨率0.25Hz），确认边带间隔为11.5Hz的8倍（92Hz），与BSF的2倍频（198Hz）存在调制关系。最终判定为保持架磨损引发的滚动体滑动，而非单纯的滚动体点蚀。
在Edge Impulse中，我们为该案例构建了异常检测模型：将原始波形切分为2秒窗口，提取RMS、峭度、频谱峰值频率、边带能量等12个特征。使用“Anomaly Detection (K-means)”模块，以正常工况数据训练聚类模型，设置异常阈值。部署后，模型在轴承磨损初期（振动值2.8mm/s）即触发预警，比传统阈值报警提前了约3天。该案例表明，基于振动特征频率的精细化分析，结合Edge Impulse的自动特征提取能力，能够显著提升早期故障的识别灵敏度。
2.5 总结复盘：振动特征与故障诊断的核心逻辑
本章的核心在于建立“物理量→故障类型→特征模式”的映射思维。振幅反映故障的严重程度，频率定位故障的根源，相位辅助区分故障类别。在实际项目中，应遵循以下步骤：
- 明确设备参数：转速、轴承型号、齿轮齿数、叶片数等，用于计算故障特征频率。
- 选择合适传感器与采样参数：根据最高分析频率确定采样率，根据最低分析频率确定采样时长。
- 多维度特征提取：时域（RMS、峭度）、频域（特征频率幅值、边带）、时频域（小波包能量）结合。
- 建立基线模型：在设备健康状态下采集数据，训练正常模式，再逐步引入故障数据。
- 持续迭代优化：Edge Impulse支持增量学习，可定期用新数据微调模型，适应设备老化等缓慢变化。