3、振动信号特征：时域与频域特征、常见故障模式与信号特征对应关系
在加速度计振动检测的TinyML模型开发中，对振动信号特征的深刻理解是模型设计与推理优化的物理基础。时域波形反映振动幅值随时间的变化，频域谱线则揭示振动能量在频率轴上的分布规律。不同的机械故障（如转子不平衡、轴承磨损、齿轮啮合异常等）会在振动信号中留下独特的“指纹”。本章将系统梳理振动信号的时域与频域特征提取方法，建立常见故障模式与信号特征之间的映射关系，为后续TinyML模型的特征工程、输入张量设计以及推理时间优化提供物理依据。
3.1 振动信号时域特征：从波形到统计量
3.1.1 核心原理：时域波形是故障信息的直接载体
加速度计输出的原始信号是随时间变化的加速度值 a(t)。在旋转机械中，振动信号由多种频率成分叠加而成：转频及其谐波、齿轮啮合频率、轴承故障特征频率、随机噪声等。时域分析直接对这些波形进行统计和形态学处理，其最大优势是计算简单、物理直观，非常适合资源受限的TinyML设备。例如，一个简单的均方根值（RMS）计算仅需一次遍历数据，在Cortex-M4内核上执行1024点RMS计算仅需约几十微秒，远低于一次FFT的耗时。
时域特征的核心价值在于：幅值类特征反映振动能量大小，无量纲指标（峭度、波峰因子）对转速和负载变化不敏感，适合变工况场景；时域同步平均则能有效抑制随机噪声，提取与转频同步的周期成分。在TinyML模型设计中，时域特征通常直接作为神经网络输入，或经过轻量化统计后作为手工特征。
3.1.2 关键时域指标及其物理意义
| 指标名称 | 计算公式 | 物理意义 | 故障敏感性 |
|---|---|---|---|
| 峰值 (Peak) | max(|a(t)|) | 瞬时最大冲击幅值 | 轴承点蚀、叶片断裂 |
| 峰峰值 (Peak-to-Peak) | max(a)-min(a) | 振动摆幅范围 | 不对中、松动 |
| 均方根值 (RMS) | √(Σa²/N) | 振动能量平均水平 | 不平衡、整体劣化 |
| 峭度 (Kurtosis) | E[(a-μ)⁴]/σ⁴ | 波形尖锐程度，正态分布为3 | 早期轴承故障（>3.5） |
| 波峰因子 (Crest Factor) | Peak / RMS | 冲击成分占比 | 滚动体剥落 |
| 偏度 (Skewness) | E[(a-μ)³]/σ³ | 波形不对称性 | 摩擦、碰摩 |
在TinyML模型设计中，建议优先选择RMS、峭度、波峰因子三个指标。RMS反映整体劣化趋势，峭度对早期微弱冲击敏感，波峰因子则能区分持续振动与间歇冲击。这三个指标计算量小，且组合后能覆盖大多数旋转机械故障的时域判别需求。
3.1.3 案例拆解：离心泵轴承早期磨损的时域识别
背景与约束：某化工厂离心泵转速为2970 RPM（转频49.5 Hz），加速度计安装于轴承座，采样率25.6 kHz，每次采集1024点。现场MCU为STM32L4系列，主频80 MHz，RAM 64 KB，需在10 ms内完成特征提取与推理。
初始现象：泵运行3个月后，振动RMS从1.2 m/s²缓慢升至1.8 m/s²，但仍在ISO 10816报警阈值（2.8 m/s²）以下。传统RMS监测未触发报警，但设备已出现轻微异响。
分析过程：对原始波形计算峭度，发现从3.1升至4.6，波峰因子从4.2升至6.8。进一步观察时域波形，发现每转出现2-3个窄脉冲，脉冲间隔约10 ms（对应轴承外圈故障特征频率约98.7 Hz）。RMS虽未超限，但峭度与波峰因子已明确指示早期冲击故障。
实际操作：在TinyML模型中，将1024点原始波形输入轻量级1D-CNN（3层卷积+全局平均池化），同时并联计算RMS、峭度、波峰因子作为辅助特征。模型输出为“正常/早期磨损/严重磨损”三分类。
结果对比：仅用RMS阈值法在故障发生第5天才报警；采用时域特征融合的TinyML模型在第2天即识别出早期磨损，提前72小时预警。模型推理时间仅3.2 ms，Flash占用28 KB。
风险与复盘：峭度对随机冲击敏感，需避免将外部敲击误判为轴承故障。后续增加“连续3个窗口峭度>4”的确认逻辑，误报率降低60%。
3.2 振动信号频域特征：频谱中的故障指纹
3.2.1 核心原理：FFT将时域信号分解为频率分量
频域分析通过快速傅里叶变换（FFT）将时域波形转换为频谱，揭示振动能量在各频率上的分布。对于旋转机械，转频 f₀ = RPM/60 是最基本的参考频率。不同故障会在特定频率位置产生特征峰值或边带，形成可辨识的“频谱指纹”。
在TinyML场景中，FFT的引入需要权衡计算开销。以1024点FFT为例，Cortex-M4内核（带FPU）约需0.5-1 ms，而Cortex-M0+则需3-5 ms。因此，频域特征更适合用于离线训练或具备DSP指令集的高性能MCU。若MCU资源紧张，可考虑降采样至2 kHz以下，仅分析0-1 kHz频段，覆盖大多数旋转机械故障特征频率。
3.2.2 常见故障模式的频域特征对应关系
| 故障类型 | 特征频率 | 频谱形态 | 时域对应表现 |
|---|---|---|---|
| 转子不平衡 | 1× 转频 (f₀) | f₀处单一高峰，幅值随转速平方增大 | 正弦波为主，RMS增大 |
| 轴不对中 | 2× 转频 (2f₀) | 2f₀分量突出，常伴1×和3× | 波形呈“M”形双峰 |
| 轴承外圈磨损 | BPFO ≈ 0.4N·f₀ | BPFO处峰值+以BPFO为间隔的边带 | 周期性窄脉冲，峭度升高 |
| 轴承内圈磨损 | BPFI ≈ 0.6N·f₀ | BPFI处峰值，边带间隔为1×转频 | 脉冲幅值受转频调制 |
| 滚动体磨损 | BSF ≈ 0.2N·f₀ | BSF处峰值，边带复杂 | 随机冲击，波峰因子高 |
| 齿轮断齿 | GMF = 齿数×f₀ | GMF处峰值，两侧边带间隔为f₀ | 周期性冲击，调制明显 |
其中 N 为滚动体数量，BPFO/BPFI/BSF 为轴承故障特征频率系数，具体数值可查轴承手册。在TinyML模型设计中，可将频谱归一化后直接作为CNN输入，或提取若干关键频段的能量作为手工特征。
3.2.3 案例拆解：齿轮箱断齿故障的频域识别与模型输入优化
背景与约束：某风电齿轮箱，输入轴转速1800 RPM（f₀=30 Hz），中间轴齿轮齿数Z=32，啮合频率GMF=960 Hz。加速度计采样率12.8 kHz，每次采集2048点。目标MCU为i.MX RT1062（Cortex-M7，600 MHz），支持单精度FPU和CMSIS-DSP库。
初始现象：齿轮箱振动RMS从2.1 m/s²升至2.6 m/s²，但频谱中GMF幅值仅增加15%，未触发传统报警阈值。然而，在GMF两侧出现了间隔为30 Hz的边频带，且边带幅值达到主峰的40%。
分析判断：边频带是齿轮故障的典型标志——当齿轮出现局部缺陷（如断齿）时，啮合刚度周期性变化，导致GMF被转频调制，产生 f_GMF ± n·f₀ 的边带。边带能量占比是比GMF幅值更敏感的故障指标。
实际操作：在TinyML模型中，对2048点数据做FFT，提取GMF附近±150 Hz范围内的频谱幅值，计算边带能量比（边带能量/GMF能量）。同时保留原始时域波形输入轻量级CNN。模型输出为“正常/轻微磨损/断齿”三分类。
结果对比：仅用GMF幅值阈值法在断齿发生后8小时才报警；采用边带能量比+CNN融合模型，在断齿初期（裂纹扩展阶段）即识别异常，提前2天预警。模型推理时间7.8 ms，Flash占用45 KB。
风险与代价：FFT计算占用CPU约1.2 ms，加上CNN推理共7.8 ms，满足20 ms控制周期要求。但边带提取需精确知道转频，转速波动时需实时计算f₀，增加了软件复杂度。
3.3 时域与频域特征的融合策略与TinyML部署考量
3.3.1 融合的必要性与方法
时域特征擅长捕捉冲击和幅值变化，频域特征擅长识别周期性成分和调制关系。单一域特征容易漏判：例如，早期轴承故障的RMS变化很小，但峭度和边带已明显异常；反之，不平衡故障的频谱特征清晰，但时域波形可能只是简单正弦。因此，实际TinyML系统通常采用特征级融合或决策级融合。
- 特征级融合：将时域统计量（RMS、峭度、波峰因子）与频域特征（1×/2×幅值、边带能量比）拼接为向量，输入全连接层或轻量级树模型。计算量小，适合MCU。
- 决策级融合：时域CNN和频域CNN分别输出分类概率，再加权平均。精度高但计算量大，适合边缘网关。
- 端到端融合：将原始波形和频谱图作为双通道输入CNN。需较大Flash和RAM，适合Cortex-M7以上级别。
3.3.2 TinyML部署中的计算预算分配
| MCU级别 | 典型型号 | FFT 1024点耗时 | 1D-CNN推理耗时 | 推荐融合策略 |
|---|---|---|---|---|
| 入门级 | STM32G0 (M0+) | 4.5 ms | 15-25 ms | 仅时域统计特征+决策树 |
| 主流级 | STM32L4 (M4F) | 0.8 ms | 5-10 ms | 时域统计+关键频段能量 |
| 高性能 | i.MX RT1062 (M7) | 0.15 ms | 1-3 ms | 时域波形+频谱双通道CNN |
在模型设计阶段，应首先评估MCU的FFT能力。若FFT耗时超过总预算的30%，建议减少FFT点数或改用Goertzel算法仅计算特定频率点。例如，只需监测1×和2×转频时，Goertzel算法比全FFT快5-10倍。
3.3.3 案例拆解：电机轴承故障的TinyML多域特征融合
背景与约束：某工厂电机驱动风机，电机转速1450 RPM（f₀=24.2 Hz），轴承型号SKF 6205（N=9，BPFO=3.048×f₀≈73.8 Hz）。加速度计采样率8 kHz，每次采集512点。MCU为STM32L431（M4F，80 MHz），Flash 256 KB，RAM 64 KB。要求推理时间<15 ms，功耗<5 mA。
初始现象：电机振动RMS为1.5 m/s²（正常），但运维人员反映轴承温度偏高2°C。传统RMS监测无异常。
分析判断：怀疑轴承早期磨损。计算512点FFT（Δf=15.6 Hz），在73.8 Hz附近发现幅值0.12 m/s²的峰值（背景噪声0.05），但信噪比仅2.4倍，不够显著。时域峭度为3.8，略高于正常值3。
实际操作：采用特征级融合方案：提取时域特征（RMS、峭度、波峰因子）+频域特征（BPFO幅值、1×幅值、2×幅值），共6维特征输入两层全连接网络（6→16→3）。模型量化后Flash占用12 KB，RAM 4 KB。
结果对比：单一时域模型准确率82%，单一频域模型准确率78%，融合模型准确率94%。推理时间4.2 ms，满足15 ms预算。在故障发生前3天即报警，而RMS阈值法未报警。
风险与代价：融合模型依赖精确的BPFO计算，需在代码中固化轴承参数。若更换轴承型号，需重新配置参数。此外，FFT计算占用0.6 ms，在80 MHz主频下可接受。
3.4 常见误区与设计复盘
3.4.1 误区一：盲目追求高采样率和大点数FFT
高采样率和大点数FFT虽然能提供更精细的频谱，但会显著增加MCU计算负担和功耗。对于旋转机械故障诊断，采样率通常设为最高特征频率的5-10倍即可。例如，轴承BPFO通常<1 kHz，采样率8 kHz已足够。过高的采样率只会增加噪声和计算量，对TinyML推理时间优化不利。
3.4.2 误区二：忽略转速波动对频域特征的影响
在变转速工况下，转频f₀实时变化，导致1×、2×、BPFO等特征频率漂移。若模型在固定频率点提取特征，可能因频率失配而漏检。解决方案包括：阶比跟踪（以转频为基准重采样）、频谱峰值搜索（在预期频率±10%范围内搜索最大值）、或使用时频分析（如短时傅里叶变换）。在TinyML中，推荐频谱峰值搜索，计算量小且实现简单。
3.4.3 误区三：特征越多越好
在资源受限的MCU上，特征维度增加会导致模型参数量增大、推理时间延长。例如，将6维特征扩展到20维，模型参数量可能从200增至2000，推理时间从4 ms增至15 ms。应通过特征重要性分析（如随机森林特征排序）筛选Top 5-10个特征，在精度和效率间取得平衡。
3.4.4 设计复盘清单
- 明确故障类型：根据设备类型和故障历史，确定需要识别的故障模式，避免覆盖过多无关故障。
- 评估MCU算力：在项目启动前，用实际MCU跑通FFT和CNN基准测试，确认推理时间预算。
- 特征选择：优先选择计算量小、物理意义明确的特征（RMS、峭度、1×幅值），再考虑复杂特征。
- 数据增强：在训练阶段，对时域信号添加噪声、幅值缩放、时间偏移，提升模型鲁棒性。
- 量化与裁剪：使用INT8量化可将模型体积缩小4倍，推理速度提升2-3倍。结合通道剪枝，进一步降低计算量。
- 现场验证：在真实设备上运行至少1周，收集误报/漏报数据，迭代优化阈值和模型参数。
振动信号特征的理解是TinyML振动检测模型设计的基石。时域特征提供快速、低成本的幅值和冲击信息，频域特征提供精确的频率定位和调制分析。在实际部署中，应根据MCU算力、故障类型和实时性要求，灵活选择特征组合与融合策略。通过合理的特征工程和模型轻量化设计，即使入门级MCU也能实现高精度的振动故障诊断，为工业设备预测性维护提供可靠的边缘智能支持。