📚 课程目录第2章振动检测基础

2、振动检测基础：振动信号特征、常见故障类型、传感器选型与数据采集要点

振动检测是设备状态监测与故障诊断的核心手段，也是TinyML模型进行边缘端推理的数据源头。理解振动信号的物理本质、掌握常见故障的频域特征、合理选择传感器并规范采集数据，是构建高精度、低延迟振动检测模型的前提。本章将系统梳理这四个关键环节，为后续的模型设计与优化奠定坚实的领域知识基础。

2.1 振动信号的核心特征与物理意义

振动信号是机械设备动力学状态的直接反映。从信号处理角度看，振动信号包含时域与频域两个维度的关键信息。时域特征如峰值（Peak）、均方根值（RMS）和峭度（Kurtosis）能够快速反映振动能量的总体水平和冲击特性；频域特征则通过傅里叶变换揭示振动能量在不同频率上的分布，从而定位具体的故障源。

在实际工程中，旋转机械的振动信号通常表现为周期信号与随机噪声的叠加。例如，一个健康的滚动轴承，其振动信号在频域上主要表现为低频的旋转频率及其微小谐波；而当轴承内圈出现点蚀时，高频段会出现以固有频率为中心的调制边带。理解这些特征与故障机理的对应关系，是后续构建TinyML分类模型时选择输入特征的关键依据。

特征类别	具体指标	物理意义	典型应用场景
时域幅值	峰值、峰峰值	反映瞬时最大冲击力	齿轮断齿、轴裂纹
时域统计	RMS、峭度、波形因子	反映振动能量与冲击概率分布	轴承磨损、不平衡
频域特征	基频、2×/3×谐波	反映转子动力学特征	不对中、轴弯曲
频域边带	调制边带间隔	反映故障特征频率（BPFO/BPFI）	轴承内/外圈故障

2.2 常见故障类型与振动特征映射

不同的机械故障在振动信号中呈现出差异化的“指纹”特征。转子不平衡时，振动能量主要集中在1×转频（即基频）处，且径向方向表现明显；轴不对中则会产生2×转频的显著分量，并伴随轴向振动增大。滚动轴承故障则更为复杂，其故障特征频率（如外圈BPFO、内圈BPFI）与转频、滚动体直径、接触角等参数相关，且往往以高频共振调制形式出现。

对于齿轮箱，啮合频率及其谐波是正常信号的主要成分，当齿面出现局部损伤时，啮合频率周围会出现以故障齿轮转频为间隔的边带。松动故障则表现为大量非整数倍频成分和噪声底抬高。掌握这些映射关系，有助于在TinyML模型设计中针对性地选择频段或特征组合，避免将全部原始波形直接输入模型导致计算量过大。

  关键判断方法： 在模型训练前，建议先对历史振动数据做快速傅里叶变换（FFT）频谱分析，人工标注出各类故障对应的特征频率峰值。这一步骤能显著提升后续TinyML模型的特征工程效率，避免盲目使用深度网络进行端到端学习而忽视物理规律。

2.3 传感器选型：从IEPE到MEMS的权衡

振动传感器的选型直接决定了信号质量与系统成本。工业现场最常用的是压电式IEPE加速度传感器，其具有信噪比高、频响宽（0.5Hz~10kHz以上）、稳定性好的优点，但需要外部恒流源供电，且体积较大、成本较高。随着MEMS（微机电系统）技术的发展，电容式加速度计在消费电子和部分工业监测场景中逐渐普及，其优势在于体积小、功耗低、可直接数字输出，且价格低廉，非常适合TinyML边缘节点的大规模部署。

选型时需要重点考虑三个参数：灵敏度（mV/g或LSB/g）、量程（±g）和带宽（Hz）。对于低速旋转设备（如风机主轴），振动幅值较小，应选择高灵敏度（如100mV/g）传感器；对于高速冲击类设备（如破碎机），则需选择大量程（±50g以上）传感器以避免削顶失真。此外，安装方式（磁吸、胶粘、螺柱）对高频响应影响显著，螺柱安装的共振频率最高，适合测量高频轴承故障信号。

经验提醒： 在TinyML项目中，若使用MEMS传感器，务必确认其内部是否集成了抗混叠滤波器。部分低成本MEMS传感器为了降低功耗，未内置抗混叠滤波，导致高频噪声混叠到低频段，严重干扰模型判断。此时需要在外部MCU中增加数字低通滤波或提高采样率后做抽取。

2.4 数据采集要点：采样率、量程与同步

数据采集是连接物理信号与数字模型的桥梁。首先，采样率必须满足奈奎斯特采样定理，即采样率至少为最高分析频率的2倍。对于轴承故障检测，通常需要分析到10kHz以上的高频共振，因此采样率建议设置在25.6kHz或更高。其次，量程设置需预留足够的动态余量，避免信号削顶。建议在正式采集前进行试采，观察时域波形的峰值是否超过量程的80%。

窗函数的选择同样关键。进行FFT分析时，若使用矩形窗，频谱泄漏严重；对于连续振动信号，推荐使用汉宁窗（Hanning）以平衡频率分辨率与幅值精度。对于冲击性信号，则更适合使用指数窗或力窗。此外，多通道同步采集对于分析轴系扭振或进行声振联合分析至关重要，需确保各通道的采样时钟同步误差小于微秒级。

// 典型配置示例（伪代码）
sampling_rate = 25600;          // 25.6 kHz 采样率
samples_per_frame = 1024;       // 每帧1024点，约40ms
adc_range = ±2g;                // 量程设置
window_type = HANNING;          // 汉宁窗
trigger_mode = FREE_RUN;        // 自由运行模式
// 抗混叠滤波器：硬件4阶巴特沃斯低通，截止频率10kHz

2.5 实战案例：风机轴承故障数据采集与特征验证

某化工厂一台引风机（转速1470rpm，约24.5Hz）出现异常噪声，需通过振动检测判断是否存在轴承故障。现场采用IEPE加速度传感器（灵敏度100mV/g，量程±5g），安装于轴承座水平方向，采样率设为25.6kHz，每帧采集2048点。

初始现象： 时域波形RMS值为2.1mm/s，处于ISO 10816报警区边缘；峭度值达5.8，明显高于正常值3，提示存在冲击成分。

分析过程： 对信号进行FFT分析，在频谱中发现9.8kHz附近存在明显的高频共振峰，且该峰两侧存在间隔为5.2Hz的边带。根据轴承型号（SKF 6312）计算，外圈故障特征频率BPFO≈5.2Hz×转频比（约0.4×24.5≈9.8Hz），但实际边带间隔5.2Hz与理论值存在偏差。进一步检查发现，该风机存在轻微皮带打滑，导致实际转频波动。修正转频为24.8Hz后，BPFO理论值约为9.9Hz，与边带间隔吻合。

操作步骤： ① 停机后更换新轴承；② 复测振动，RMS降至0.8mm/s，峭度降至3.1；③ 频谱中高频共振峰消失，边带消失。

复盘经验： 在TinyML模型训练中，不能仅依赖固定转频计算特征频率，需引入转速同步采集或使用包络谱分析，以消除转速波动对特征频率的影响。该案例中若直接使用原始FFT幅值作为特征，模型泛化能力将大打折扣。

常见误区： ① 忽略传感器安装共振频率，将传感器用双面胶粘贴在薄壁壳体上，导致高频信号严重衰减；② 采样率设置过低，无法捕捉轴承故障的高频调制信号；③ 量程设置过大（如±100g），导致正常工况下信号量化噪声过大，信噪比下降；④ 未考虑抗混叠滤波，导致频谱中出现虚假峰值。

2.6 总结与TinyML设计启示

振动检测基础知识的掌握程度直接决定了TinyML模型的上限。在模型设计阶段，应充分利用领域知识进行特征降维：例如，将原始1024点波形通过FFT转换为频谱后，仅保留0~5kHz范围内的幅值谱（约200个频点），再通过主成分分析（PCA）或自动编码器压缩至32维特征向量，即可在保持高准确率的同时大幅降低MCU的计算负担。此外，针对不同故障类型，可设计专用的频段能量特征（如0.5~1×转频能量占比、2~10kHz高频能量），这些物理特征比原始波形更适合在资源受限的TinyML设备上运行。

最后，务必建立标准化的数据采集规范，包括传感器安装力矩、采集参数配置、环境温度记录等，确保训练数据与部署数据的分布一致性。只有从源头保证数据质量，后续的延迟优化与推理加速才有实际意义。