振动信号基础：振动的基本概念、常见振动源、振动特征及典型故障模式

振动是旋转机械与往复式设备运行状态的“晴雨表”。在TinyML振动异常检测项目中，传感器采集到的原始数据并非随机噪声，而是蕴含着设备健康状态的确定性信号与随机干扰的叠加。理解振动的基本物理概念、来源、特征参数以及故障模式，是后续进行特征工程、模型训练与阈值判定的理论基石。本章将系统梳理这些核心知识，帮助你在嵌入式端部署模型之前，建立对振动信号的物理直觉。

2.1 振动的基本概念与物理本质

振动是指物体围绕其平衡位置进行的往复运动。在旋转机械中，这种运动通常由旋转部件与固定部件之间的动态力相互作用产生。从力学角度，振动系统可以用质量（m）、刚度（k）和阻尼（c）三个基本参数描述。当转子旋转时，由于质量分布不均、装配误差或外部载荷变化，会产生周期性的激励力，迫使结构产生受迫振动。

振动信号在数学上可表示为时间域上的位移、速度或加速度函数。工程实践中，加速度信号（单位：g或m/s²）最常用于状态监测，因为加速度传感器体积小、频响宽、易于集成到嵌入式系统。速度信号（mm/s）对低频振动敏感，常用于ISO 10816等标准中的振动烈度评估。位移信号（μm）则适用于低频大位移场景，如基础松动。

理解振动本质需要区分确定性振动与随机振动。确定性振动（如转子不平衡产生的正弦波）具有固定的频率和相位，是故障诊断的主要依据；随机振动（如流体湍流、轴承滚动体滑移）具有宽频带特征，通常作为背景噪声处理。TinyML模型需要从混合信号中提取确定性成分，同时抑制随机干扰。

2.2 常见振动源与激励机理

工业设备中的振动源可分为机械类、电磁类与流体类三大类。在TinyML异常检测项目中，识别振动源有助于选择传感器安装位置和确定采样频率。

在振动源识别中，转频（也称为工频）是最基础的参考频率。若电机转速为1500 RPM（25 Hz），则转频为25 Hz。不平衡故障会在1×转频处产生显著峰值；不对中故障则通常在2×转频处出现高幅值，并伴随1×转频成分。齿轮故障的激励频率为啮合频率（齿数×转频），轴承故障则产生高频冲击脉冲，其包络频谱中包含特征频率（如外圈BPFO、内圈BPFI）。

2.3 振动特征：频率、幅值与相位

振动信号的三要素——频率、幅值、相位——构成了故障诊断的核心信息维度。在TinyML场景下，由于计算资源受限，通常优先提取频率和幅值特征，相位信息则用于离线分析或复杂故障判别。

2.3.1 频率特征

频率是振动信号最重要的“指纹”。通过快速傅里叶变换（FFT）将时域信号转换为频谱，可以识别出各频率分量的能量分布。对于旋转机械，频谱中的峰值位置直接对应故障类型。例如，滚动轴承外圈故障特征频率BPFO ≈ (n/2)·fr·(1 - d/D·cosα)，其中n为滚动体数量，fr为转频，d为滚动体直径，D为节圆直径，α为接触角。在嵌入式端，通常只需计算0~2kHz范围内的频谱，并提取前K个峰值频率作为特征向量。

2.3.2 幅值特征

幅值反映振动的剧烈程度，是判断故障严重度的直接指标。时域中常用的幅值指标包括峰值（Peak）、峰峰值（Peak-to-Peak）、均方根值（RMS）和峰值因子（Crest Factor）。RMS值对持续振动能量敏感，适合评估整体振动水平；峰值因子（峰值/RMS）对早期冲击性故障敏感，当轴承出现点蚀时，峰值因子会明显升高。频域中，特定频率处的幅值（如1×转频幅值）用于跟踪故障发展趋势。

2.3.3 相位特征

相位描述了振动波形相对于参考标记（如键相脉冲）的时间偏移。相位测量需要同时采集转速信号和振动信号，在嵌入式系统中实现较为复杂。但相位信息对于区分不平衡（相位稳定）与不对中（相位差180°）等故障类型具有决定性作用。在TinyML项目中，若传感器支持同步采样，可考虑提取相位特征；否则，可暂时忽略相位，依靠频率和幅值组合进行初步分类。

2.4 典型故障模式与振动特征映射

将振动特征与故障模式建立映射关系，是异常检测模型设计的基础。下表总结了工业现场最常见的六类故障及其振动特征。

2.5 案例拆解：电机轴承外圈故障的振动信号识别

为将上述理论应用于实际TinyML项目，我们以一个典型的工业电机轴承故障诊断案例进行全流程拆解。

背景与约束：某工厂一台额定转速为1450 RPM的异步电机驱动离心泵，电机非驱动端安装有滚动轴承（型号SKF 6205）。现场计划部署基于TinyML的振动监测节点，要求使用单轴加速度传感器（量程±16g，灵敏度约3.9mg/LSB），采样率设为4kHz，每次采集1024个样本（约0.256秒），在STM32L4系列MCU上完成实时推理。

初始现象：设备运行约8000小时后，巡检人员发现电机非驱动端温度升高约8℃，且噪声略有增大。便携式测振仪显示振动速度RMS从1.2 mm/s升至2.8 mm/s，但未超过ISO 10816的报警阈值（4.5 mm/s）。

关键数据与参数：轴承SKF 6205参数：滚动体数量n=9，滚动体直径d=7.94mm，节圆直径D=39.04mm，接触角α=0°。转频fr = 1450/60 ≈ 24.17 Hz。计算外圈故障特征频率BPFO = (9/2)×24.17×(1 - 7.94/39.04×cos0°) ≈ 86.9 Hz。

分析判断过程：将加速度传感器吸附在电机非驱动端轴承座垂直方向，采集时域信号。初步观察时域波形，发现存在周期性冲击，冲击间隔约11.5ms（对应频率约87Hz），与BPFO计算值吻合。对信号进行1024点FFT，频谱中在87Hz处出现明显峰值，幅值约为0.8g，同时在174Hz（2×BPFO）和261Hz（3×BPFO）处有递减的谐波峰值。进一步计算峰值因子为6.2（正常轴承通常小于4），确认存在外圈局部缺陷。

实际操作步骤：① 在TinyML设备上实现滑动窗口FFT，窗口大小1024，重叠50%；② 提取频谱中0~500Hz范围内的峰值频率及对应幅值；③ 计算时域RMS和峰值因子；④ 将特征输入轻量级神经网络（如2层全连接，隐藏层16节点），输出为“正常/外圈故障/内圈故障/其他”四分类结果。模型在边缘设备上推理耗时约8ms，满足实时性要求。

结果对比：模型持续运行一周后，在第5天准确识别出外圈故障早期征兆，触发预警。工厂安排停机检修，更换轴承后发现外圈滚道存在约2mm×1mm的剥落坑，与诊断结论一致。若按传统定期检修策略，该轴承可能继续运行至振动超标才被发现，可能导致轴颈磨损或电机扫膛事故。

风险与代价：本次诊断中，由于采样率仅4kHz，无法覆盖轴承故障的高频固有振动（通常10kHz以上），因此未采用包络解调技术，仅依靠低频特征频率进行判断。对于早期微小缺陷，包络分析更为敏感，但需要更高采样率和更多计算资源。TinyML方案在成本与性能之间取得了平衡。

复盘经验：① 传感器安装位置对信号质量影响极大，应尽量靠近轴承承载区；② 特征频率计算必须基于实际转速而非铭牌转速，建议增加转速脉冲输入或从频谱中提取转频；③ 单一特征容易误判，多特征融合可显著提高鲁棒性。

2.6 常见误区与总结复盘

在振动信号基础学习与TinyML项目实践中，以下误区值得特别注意：

• 误区一：采样率越高越好。高采样率带来大数据量，增加MCU存储和计算负担。应根据目标故障的最高频率确定采样率，遵循奈奎斯特定理并留出1.5~2倍裕量。对于轴承故障，若只关注特征频率（<1kHz），4kHz采样率已足够；若需分析固有振动高频成分，则需20kHz以上。
• 误区二：忽略抗混叠滤波。若采样前未进行低通滤波，高频噪声会折叠到低频段，污染特征频率。在TinyML硬件设计中，应在ADC前配置RC低通滤波器或使用具备内置抗混叠功能的传感器。
• 误区三：将RMS值作为唯一判据。RMS值对持续振动有效，但对早期冲击性故障不敏感。应结合峰值因子、峭度等无量纲指标，或频域特定频率幅值进行综合判断。
• 误区四：忽视转速波动的影响。变频驱动设备转速变化时，转频和故障特征频率随之漂移。若模型在固定频率点上提取特征，可能失效。解决方案是使用阶比跟踪或对频谱进行转速归一化。

总结而言，振动信号基础是TinyML异常检测项目的物理根基。掌握振动的基本概念、来源分类、三要素特征及典型故障模式，能够指导传感器选型、采样参数设置、特征工程设计和模型输出解释。在实际部署中，应始终将物理规律与数据驱动方法相结合，避免盲目依赖纯统计模型而忽略振动本身的工程语义。下一阶段，我们将在此基础上探讨传感器数据采集与预处理的具体实现方法。