2、振动监测基础：振动信号特征、常见故障类型、监测应用场景
振动是旋转机械与往复式设备运行状态的直接映射。无论是电机、泵、风机、压缩机，还是齿轮箱与轴承，其内部零部件的磨损、裂纹、松动、不对中、不平衡等故障，都会以特定的振动模式在壳体表面呈现。理解振动信号的基本特征、掌握常见故障的频域指纹，并明确不同工业场景下的监测需求，是设计低功耗TinyML振动监测系统的前提。本章将围绕这三个核心维度展开，为后续的周期采样策略与异常触发推理奠定物理与信号基础。
2.1 振动信号的核心特征与物理意义
振动信号从传感器端采集后，通常以加速度、速度或位移的形式呈现。在TinyML低功耗场景中，加速度信号因传感器成本低、接口简单（I2C/SPI）、功耗可控而成为首选。但加速度信号对高频成分敏感，且随频率升高幅值放大，因此需要根据监测对象的工作转速范围选择合适的特征域。
时域特征是最直观的振动描述。峰值（Peak）反映瞬时最大冲击，有效值（RMS）代表振动能量水平，峰值因子（Crest Factor）则用于检测早期冲击性故障。例如，一个正常运转的滚动轴承，其加速度峰值因子通常在3~5之间；当出现早期剥落时，冲击成分使峰值因子迅速上升至8~10，而RMS值变化相对滞后。这一特性使得峰值因子可以作为低功耗异常触发的第一级判据。
频域特征是故障定位的关键。通过FFT将时域波形转换为频谱，可以识别出转频（1×）、倍频（2×、3×）、边带、谐波等成分。对于TinyML设备，直接传输原始波形到云端进行FFT会消耗大量无线带宽与能量，因此通常采用片上特征提取策略：在MCU上完成FFT或滤波，仅上传特征向量或异常分数。
| 特征域 | 典型指标 | 物理意义 | TinyML适用性 |
|---|---|---|---|
| 时域 | RMS、峰值、峰值因子 | 振动能量、冲击强度 | 计算量小，适合常驻监测 |
| 频域 | 1×、2×、BPFO、BPFI | 故障频率定位 | 需FFT，可间歇执行 |
| 统计量 | 峭度、偏度、方差 | 信号分布形态变化 | 计算简单，适合边缘推理 |
| 时频 | STFT、小波系数 | 非平稳信号分析 | 计算量大，需谨慎部署 |
2.2 常见机械故障的振动指纹
不同故障类型在频谱上具有独特的“指纹”模式。掌握这些模式是构建异常触发规则的基础。以下按故障发生频率从高到低进行梳理。
2.2.1 转子不平衡
不平衡是旋转机械最常见的故障，约占所有振动问题的30%。其频谱特征为1×转频处出现明显峰值，且径向方向振动幅值较大。不平衡的振动幅值与转速的平方成正比，因此高速设备更为敏感。在TinyML监测中，若设备转速恒定，可以通过监测1×频段幅值的缓慢漂移来识别不平衡的发展趋势。
2.2.2 轴不对中
不对中表现为2×转频分量突出，同时伴随1×分量。当不对中严重时，还会出现3×、4×等高次谐波。轴向振动会显著增大，这是与不平衡的重要区别。对于联轴器连接的电机-泵组，不对中是最常见的安装缺陷。
2.2.3 滚动轴承故障
轴承故障具有明确的特征频率，由轴承几何尺寸和转速决定：
- BPFO（外圈故障频率）：约0.4×N×滚珠数
- BPFI（内圈故障频率）：约0.6×N×滚珠数
- BSF（滚动体故障频率）：与保持架转速相关
早期轴承故障在频谱上表现为特征频率处的微弱峰值，且常伴有边带。由于冲击能量集中在高频共振区，包络解调（Envelope Analysis）是提取轴承故障特征的有效手段。在TinyML场景中，可以通过带通滤波+包络检波+FFT的简化流程实现。
2.2.4 齿轮故障
齿轮故障的特征是啮合频率（GMF = 齿数×转频）及其边带。正常齿轮的GMF幅值稳定；当齿面磨损或断齿时，GMF幅值上升，且边带数量增多、间距等于故障齿轮的转频。齿轮箱振动信号复杂，需要较高的频率分辨率，对采样时长有一定要求。
背景：一台功率45kW的循环水泵，转速2950rpm（约49.2Hz），配置两个6311深沟球轴承（滚珠数8，节径65mm，滚珠直径14.3mm，接触角0°）。
现象：设备振动值从2.8mm/s缓慢上升至4.5mm/s（RMS），但未触发报警阈值（7.1mm/s）。
分析：计算BPFO = 0.5×8×(49.2)×(1-14.3/65×cos0°) ≈ 153.6Hz。在频谱中153.6Hz处发现峰值，幅值0.8mm/s，且存在以153.6Hz为中心、间隔49.2Hz的边带。
操作：将采样频率设为5120Hz，采样点数2048，频率分辨率2.5Hz，满足边带识别需求。通过TinyML节点连续采集72小时，发现BPFO幅值从0.8mm/s增长至1.6mm/s。
结果：计划停机更换轴承，拆解后发现外圈滚道存在长约8mm的剥落带。若继续运行，预计2周内将发展为严重故障。
复盘：RMS阈值法未能及时报警，而频域特征提前10天捕捉到故障趋势。这验证了在TinyML节点上执行轻量级FFT的必要性。
2.3 振动监测的应用场景与部署约束
振动监测并非在所有设备上都同等有效。选择应用场景时，需要综合考虑设备价值、故障后果、转速范围、环境干扰和供电条件。以下是适合TinyML低功耗振动监测的典型场景。
2.3.1 工业电机与泵组
这类设备数量庞大、分布广泛，且多为连续运行。故障以轴承磨损、不平衡、不对中为主。由于转速相对稳定（如3000rpm/1500rpm），特征频率计算简单，非常适合部署周期采样的TinyML节点。监测点通常选择在驱动端和非驱动端轴承座垂直与水平方向。
2.3.2 风电齿轮箱与主轴
风电设备转速随风速变化（10~20rpm），振动信号具有非平稳性。齿轮箱结构复杂，包含多级齿轮和轴承，故障特征频率随转速变化。此时需要结合转速信号进行阶比跟踪，或采用时频分析方法。TinyML节点需具备转速参考输入或通过振动信号自身估计转速。
2.3.3 HVAC与冷水机组
楼宇暖通设备对振动监测的需求集中在压缩机、风机和冷却塔风扇。这些设备通常有固定的运行时段，且环境温度变化大。低功耗节点可以利用设备启停信号来触发采样窗口，避免在停机状态浪费电能。
| 应用场景 | 典型转速范围 | 主要故障模式 | 采样策略建议 | 功耗约束 |
|---|---|---|---|---|
| 工业电机/泵 | 1500~3000 rpm | 轴承、不平衡、不对中 | 周期采样（每10分钟1次） | 中等（电池供电） |
| 风电齿轮箱 | 10~20 rpm | 齿轮磨损、轴承点蚀 | 变转速触发+阶比跟踪 | 较高（需持续监测） |
| HVAC设备 | 800~3600 rpm | 皮带松动、风机不平衡 | 启停触发+短时采样 | 低（可能量采集） |
| 输送带辊道 | 50~300 rpm | 辊子轴承磨损 | 低频采样+包络分析 | 低（电池供电） |
2.4 常见误区与设计复盘
在振动监测系统的前期设计中，工程师常陷入以下误区，导致后期部署效果不佳或功耗超标。
误区二：忽略传感器安装谐振。加速度传感器通过磁座或胶粘安装时，其安装谐振频率可能落在监测频带内，导致频谱出现虚假峰值。建议在部署前进行锤击测试，确认安装谐振频率高于监测频带上限的3倍以上。
误区三：只关注RMS趋势。RMS是振动能量的整体度量，但对早期局部损伤不敏感。应结合峰值因子、峭度等无量纲指标，或直接监测特征频段幅值。
误区四：所有设备采用统一阈值。不同设备、不同安装位置、不同转速下的振动基准值差异很大。应基于每台设备的基线数据设定自适应阈值，或采用相对阈值（如基线值的2~3倍）。
2.5 从信号特征到TinyML部署的映射
理解振动信号特征后，需要将其转化为TinyML模型可用的输入。典型的部署流程如下：
- 确定监测频带：根据设备转速和故障类型，确定感兴趣的频率范围。例如，轴承故障监测需要覆盖到10×转频。
- 选择特征集：从时域（RMS、峰值因子、峭度）、频域（1×、2×、BPFO幅值）中选取5~10个特征。特征数量不宜过多，避免模型过拟合和计算负担。
- 设计采样策略：正常状态下采用低占空比周期采样（如每15分钟采样1秒）；当特征值超过阈值时，切换为连续采样或加密采样。
- 模型训练与量化：在云端用历史数据训练轻量级模型（如决策树、1D-CNN），然后量化为int8格式部署到MCU。
- 边缘推理与上报：MCU上运行推理，仅当异常概率超过阈值时通过BLE/LoRa上报，其余时间保持休眠。