振动信号基础：振动传感器原理、时域/频域特征与常见故障模式

在TinyML振动模型量化与阈值校准之前，必须首先建立对振动信号本身的系统认知。振动信号是旋转机械状态信息的载体，其产生、传播与衰减遵循明确的物理规律。本章从振动传感器的工作原理出发，梳理时域与频域特征提取方法，并剖析不平衡、轴承磨损等典型故障在信号中的表现形式，为后续模型量化与阈值设计奠定物理基础。

2.1 振动传感器工作原理与选型要点

振动传感器是将机械振动量（位移、速度或加速度）转换为电信号的换能器件。在工业TinyML应用中，加速度计占据主导地位，其核心原理基于牛顿第二定律与压电效应或电容变化检测。压电式加速度计利用石英晶体或压电陶瓷在受力时产生电荷的特性，电荷量与加速度成正比；MEMS加速度计则通过检测质量块与固定电极间的电容变化来推算加速度。两者在频响范围、动态范围、抗冲击能力和成本上存在显著差异。

参数维度	压电式（IEPE）	MEMS电容式	TinyML选型考量
频响范围	0.5 Hz ~ 10 kHz+	0 ~ 1 kHz（典型）	轴承故障需高频，优先压电式
灵敏度	10 ~ 100 mV/g	数字输出，可配置量程	低幅值信号需高灵敏度
输出接口	模拟电压（需ADC）	SPI/I2C数字接口	MCU集成度决定接口选择
功耗	2~10 mA（恒流源）	10~500 μA	电池供电场景MEMS优势明显
抗冲击	5000g（带限位）	10000g（典型）	便携设备跌落风险需评估

传感器安装方式直接影响信号保真度。磁吸座安装便捷但会衰减高频成分（10 kHz以上衰减可达30%），螺纹安装（M5/M8）是工业标准做法，胶粘安装适用于临时测点。对于TinyML边缘设备，建议采用螺纹安装或一体式结构设计，避免使用磁吸座导致的高频信息丢失。采样率设定需遵循奈奎斯特准则并留出工程裕量：若关注轴承外圈故障频率（BPFO）在2 kHz附近，采样率应不低于5.12 kHz，实际工程中常取8 kHz或更高。

2.2 时域特征提取：从波形到统计指标

时域分析直接对原始振动波形进行统计计算，计算量小、物理意义明确，非常适合TinyML设备上的实时处理。最常用的时域特征包括：均方根值（RMS）反映振动能量总体水平；峰值（Peak）捕捉瞬时冲击；峭度（Kurtosis）衡量波形尖峭程度，正常旋转机械的峭度接近3，轴承早期故障时峭度可升至5~10；峰值因子（Crest Factor）为峰值与RMS之比，对冲击型故障敏感。

// 嵌入式时域特征计算伪代码（C语言风格）
float rms = 0.0f, peak = 0.0f;
float sum_sq = 0.0f, sum_fourth = 0.0f;
for (int i = 0; i < N; i++) {
    float x = sample[i];
    sum_sq += x * x;
    sum_fourth += x * x * x * x;
    if (fabs(x) > peak) peak = fabs(x);
}
rms = sqrt(sum_sq / N);
float variance = sum_sq / N - mean * mean;
float kurtosis = (sum_fourth / N) / (variance * variance) - 3.0f;
float crest_factor = peak / rms;

时域特征的计算窗口长度需要权衡响应速度与统计稳定性。对于转速为1500 RPM（25 Hz）的设备，一个完整旋转周期为40 ms，建议至少采集10个周期（400 ms）的数据进行统计。TinyML设备通常采用滑动窗口（如256点、512点）配合重叠率50%的方式，在保证统计意义的同时降低延迟。峭度指标对早期微弱冲击非常敏感，但容易受随机噪声干扰，建议与RMS联合使用：RMS上升且峭度显著增大，提示冲击型故障；RMS上升但峭度基本不变，提示磨损类故障。

2.3 频域特征：FFT与包络谱的故障识别逻辑

频域分析将时域波形分解为不同频率成分，能够直接对应机械故障的特征频率。快速傅里叶变换（FFT）是核心工具，其频率分辨率Δf = fs / N，其中fs为采样率，N为FFT点数。例如采样率8 kHz、FFT点数4096时，频率分辨率为1.95 Hz，足以区分相邻的转频谐波。对于旋转机械，基频（1×）对应转频，不平衡故障在1×处出现明显峰值；不对中故障在2×处产生较大分量；松动故障则表现为1×、2×、3×等多倍频成分同时增大。

轴承故障频率的计算依赖于几何参数：外圈故障频率BPFO = (n/2)×fr×(1 - d/D×cosα)，内圈故障频率BPFI = (n/2)×fr×(1 + d/D×cosα)，其中n为滚动体数量，d为滚动体直径，D为节圆直径，α为接触角，fr为转频。这些频率通常在1~5 kHz范围内，且幅值较小，容易被背景噪声淹没。此时需要采用包络谱分析（Envelope Analysis）：先通过带通滤波（如3~8 kHz）提取高频共振带，再进行包络解调（希尔伯特变换或值检波），最后对包络信号做FFT，即可在低频段清晰识别轴承故障特征频率。

2.4 常见振动故障模式：不平衡、轴承磨损与不对中

不平衡是旋转机械最常见的故障，占所有振动问题的30%以上。其振动特征为：时域波形呈近似正弦波，频率成分以1×转频为主，幅值随转速平方增大。径向方向振动大，轴向振动较小。不平衡的相位稳定，与键相标记的相位差恒定。在TinyML量化模型中，不平衡故障的检测阈值可设定为1×频段幅值超过正常值的2~3倍，或RMS值超过ISO 10816标准中对应等级的限制。

轴承磨损的振动特征更为复杂。早期磨损阶段，时域波形出现周期性冲击，峭度值升高，但RMS变化不明显；随着磨损加剧，冲击能量增大，RMS显著上升，同时出现BPFO/BPFI及其谐波频率。轴承故障的频域特征具有边带效应——故障频率两侧出现以转频为间隔的调制边带。在量化模型设计中，需要同时监测故障频率幅值、边带能量和峭度三个指标，才能有效区分早期与晚期故障。

不对中故障的振动特征表现为：轴向振动明显增大，2×转频分量突出，且常伴有1×与2×的联合作用。联轴器不对中时，2×分量幅值可超过1×分量。相位特征为联轴器两侧的轴向振动相位差接近180°。在阈值校准时，不对中故障的2×频段阈值通常设定为1×频段阈值的50%~70%，因为正常设备也存在一定的2×分量。

2.5 案例拆解：离心风机轴承磨损的TinyML识别

背景与约束：某化工厂一台离心风机，转速2970 RPM（49.5 Hz），电机功率45 kW，通过弹性联轴器驱动。设备安装有MEMS加速度计（ADXL355，量程±4g，采样率4 kHz），MCU为Cortex-M4F（主频168 MHz），内存资源有限，需在512点FFT基础上完成故障识别。

初始现象：设备运行半年后，巡检发现风机驱动端轴承温度升高5℃，但振动总级（RMS）仅从1.2 mm/s升至1.8 mm/s，未超过ISO 10816的报警限（4.5 mm/s）。人工听诊有轻微周期性异响。

分析过程：采集振动数据并计算时域特征：RMS=1.8 mm/s，峭度从3.1升至4.8，峰值因子从4.2升至6.5。FFT频谱显示1×频段（49.5 Hz）幅值变化不大，但在3.2 kHz附近出现明显共振峰。对3~4 kHz带通滤波后进行包络谱分析，发现BPFO（外圈故障频率）为147.3 Hz（理论计算值：滚动体数9个，节圆直径65 mm，滚动体直径12 mm，接触角0°，BPFO = 9/2×49.5×(1-12/65) ≈ 147.3 Hz），幅值达到0.35g，为正常值的5倍。

实际操作步骤：

1. 在TinyML设备上实现滑动窗口（512点，50%重叠），每200 ms计算一次RMS、峭度、峰值因子。
2. 每2秒执行一次512点FFT，提取1×、2×频段幅值；若检测到3~4 kHz频带能量超过阈值，触发包络谱分析。
3. 包络谱分析采用Goertzel算法计算BPFO、BPFI、2×BPFO三个频率点的幅值，计算量仅为完整FFT的15%。
4. 设定报警逻辑：BPFO幅值 > 0.2g 且峭度 > 4.0 且RMS > 1.5 mm/s，三者同时满足则触发轴承磨损预警。

结果对比：模型在第3天发出预警，第7天停机检修发现外圈滚道出现宽度约2 mm的剥落带。若仅依赖RMS阈值，预计还需2~3周才能达到报警限，届时可能导致轴承完全失效并损坏轴颈。本次提前预警为计划检修争取了时间窗口，备件采购和停机安排从容完成。

风险与代价：包络谱分析增加了约30%的计算负载，导致MCU功耗从45 mA升至58 mA。对于电池供电场景，需评估功耗预算；本案例为市电供电，功耗增加可接受。另外，带通滤波器的截止频率需要根据设备共振频带预先标定，不同设备可能需要调整参数。

复盘经验：单一RMS阈值无法捕捉早期轴承故障，必须结合峭度与包络谱分析。TinyML设备上的频域分析不必追求高分辨率FFT，针对已知故障频率的Goertzel算法在工程上更高效。阈值设定应基于设备正常运行的基线数据（建议采集至少一周的振动数据），而非通用标准值。

2.6 总结与常见误区

振动信号分析的核心逻辑是：传感器选型决定信号质量，采样参数决定频率覆盖范围，特征提取决定故障可辨识度，阈值设定决定报警准确性。在TinyML量化模型部署中，需要特别注意以下问题：

• 采样率与内存的平衡：高采样率带来高频信息，但FFT点数增加导致内存占用和计算量上升。建议根据目标故障频率上限确定采样率，而非盲目追求高采样。
• 特征归一化：不同设备、不同测点的振动幅值差异大，量化模型训练前需对特征进行归一化（如除以正常基线值），避免模型偏向幅值大的特征。
• 阈值漂移问题：设备运行状态随温度、负载变化，固定阈值可能产生误报。建议采用自适应阈值（如基线值×系数）或滑动窗口统计阈值。
• 忽略相位信息：时域和频域分析主要利用幅值信息，但相位信息对区分不平衡与不对中至关重要。若MCU资源允许，可采集键相脉冲信号辅助分析。

振动信号基础是TinyML故障诊断模型的物理根基。只有深入理解传感器原理、时域/频域特征与故障模式的对应关系，才能合理设计量化模型的输入特征和输出阈值。下一阶段将在此基础上，讨论模型量化的具体技术路径与精度损失控制方法。