振动信号基础：振动产生的机理、常见振动类型与关键特征

在TinyML振动异常检测项目中，一切模型训练、特征工程与FFT窗函数选择都建立在对振动信号本质的理解之上。振动信号不是抽象的数学波形，而是机械设备动力学行为的直接映射。本章从振动产生的物理机理出发，厘清三类典型振动形态的时域与频域表现，并重点剖析幅值、频率、相位三个核心特征如何在FFT分析中被量化、被利用、被误读。只有透彻理解这些基础，后续的窗函数选择与参数调优才有物理依据，而非盲目试错。

2.1 振动产生的物理机理与传递路径

振动是机械系统在动态激励作用下产生的弹性体往复运动。从力学本质看，任何振动系统都包含三个基本要素：质量（惯性）、刚度（弹性恢复力）和阻尼（能量耗散）。当旋转机械运行时，转子质量偏心、轴承滚动体通过缺陷、齿轮啮合冲击、流体涡街脱落等都会产生周期性的激励力，这些力作用于结构后激起系统响应，最终通过轴承座、机壳等路径传递到传感器安装点。

理解振动产生的机理对TinyML项目至关重要，因为它决定了：传感器应该放在哪里（靠近振源但避免结构共振节点）、采样率应该设多高（需覆盖最高关注频率的2倍以上）、FFT分析频段应该关注哪里（不同故障对应不同特征频率）。例如，滚动轴承外圈故障的特征频率约为0.4倍转频（BPFO），而齿轮啮合频率则是齿数乘以转频，两者相差数倍到数十倍，若不了解机理，很难在频谱中准确识别。

2.2 三类典型振动信号的时域与频域特征

实际采集的振动信号是多种基本振动形态的叠加。为了有效设计FFT窗函数和调参策略，必须能区分这三类信号在时域和频域上的本质差异。

在TinyML实际部署中，振动信号往往是三类信号的混合体。例如，一个正常运行的离心泵，其振动信号以转频（50Hz）及其谐波为主的正弦成分，叠加流体湍流引起的宽带随机背景，偶尔伴随气蚀产生的随机冲击脉冲。FFT分析的目标就是从混合信号中分离出各成分，并判断异常是否出现。

2.2.1 正弦振动：周期性与谐波结构

正弦振动是最基础的周期振动，数学表达为 x(t) = A·sin(2πft + φ)。在旋转机械中，转频 f 等于转速除以60（单位Hz）。实际信号并非单一正弦，而是包含基频及2倍频、3倍频等谐波成分。谐波的出现通常意味着非线性因素，如松动、摩擦或不对中。FFT分析中，正弦信号表现为离散的谱线，谱线高度对应幅值，谱线位置对应频率。

对于正弦振动为主的信号，窗函数选择的核心矛盾是频率分辨率与频谱泄漏之间的权衡。矩形窗具有最窄的主瓣（Δf = fs/N），但旁瓣衰减仅-13dB，容易将强频率成分的泄漏掩盖邻近弱信号。汉宁窗主瓣宽度加倍，但旁瓣衰减达-31dB，更适合幅值相近的多个频率成分分离。

2.2.2 冲击振动：瞬态能量与宽带响应

冲击振动是持续时间极短的瞬态事件，典型如轴承滚动体通过局部缺陷时产生的脉冲。时域上表现为突然的幅值尖峰，随后按系统固有频率衰减振荡。频域上，冲击信号的能量分布极宽，从低频到高频都有覆盖，且幅值随频率增加而衰减（通常按1/f规律）。

冲击振动的FFT分析面临特殊挑战：窗函数长度必须足够短，以避免将脉冲能量分散到多个时间窗中；但FFT频率分辨率又要求足够长的采样时间。解决思路是采用重叠分段处理，或使用短时傅里叶变换（STFT）观察时频联合分布。在TinyML场景中，若检测目标是冲击型故障，建议采样率不低于20kHz，FFT点数取1024或2048，窗函数选用汉宁窗并设置50%重叠。

2.2.3 随机振动：统计特性与功率谱密度

随机振动无法用确定性函数描述，只能用统计参数（均值、方差、功率谱密度）表征。其频域特征是连续谱，没有离散谱线。对于随机振动，FFT分析的目的不是寻找特定频率峰值，而是估计功率谱密度的形状和能量水平。此时，窗函数的选择影响的是PSD估计的方差和偏差。

随机振动分析中，Welch方法（分段平均周期图）是标准做法：将长信号分成多段，每段加窗后做FFT，再对幅值平方取平均。窗函数选择汉宁窗或汉明窗均可，段数越多，方差越小，但频率分辨率下降。工程经验是：段数取8~16段，重叠率50%~75%，可在方差和分辨率之间取得平衡。

2.3 振动信号三大关键特征：幅值、频率、相位

幅值、频率、相位是描述振动信号的三个独立维度，分别对应振动强度、成分构成和时间关系。在FFT分析中，这三个特征被映射到频谱的幅值谱、频率轴和相位谱中，但它们的物理含义和工程用途截然不同。

2.3.1 幅值：振动烈度与能量度量

幅值反映振动的强烈程度，常用指标包括峰值（Peak）、峰峰值（Peak-to-Peak）、均方根值（RMS）。在频域中，FFT幅值谱的谱线高度直接对应各频率成分的幅值。RMS值在时域和频域之间存在Parseval定理联系：时域信号的总能量等于频域各谱线幅值平方和。

工程实践中，幅值用于判断振动是否超标。ISO 10816标准规定了不同等级设备的振动速度RMS限值（如A区<1.8mm/s，B区<4.5mm/s等）。在TinyML异常检测中，幅值特征是最直观的判别依据，但单独使用幅值容易误判——负载变化、转速波动都会引起幅值变化，需结合频率特征综合判断。

2.3.2 频率：故障指纹与特征识别

频率是振动信号中最具诊断价值的特征。每种机械故障都有对应的特征频率，这些频率可由设备参数和运行转速计算得出。例如：

• 转子不平衡：1×转频（1X）
• 轴不对中：2×转频（2X）为主，伴随1X
• 滚动轴承外圈故障：BPFO = (n/2)·fr·(1 - d/D·cosα)
• 滚动轴承内圈故障：BPFI = (n/2)·fr·(1 + d/D·cosα)
• 齿轮啮合：GMF = 齿数 × 转频

FFT分析的核心任务之一就是在频谱中定位这些特征频率处的幅值变化。窗函数选择直接影响频率定位精度：主瓣越窄，频率分辨率越高，越能区分相邻的故障频率。例如，当转频为50Hz，BPFO为203Hz时，若频率分辨率仅为5Hz，则203Hz与200Hz无法区分，可能导致误判。

2.3.3 相位：空间关系与故障定位

相位描述振动波形在时间轴上的位置关系。在单通道FFT中，相位谱提供各频率成分的初始相位角；在多通道测量中，不同测点之间的相位差可用于判断振型、识别不平衡与不对中的区别。例如，转子不平衡时，水平与垂直方向的振动相位差约为90°；而轴不对中时，轴向与径向的相位差接近180°。

相位信息对窗函数选择的影响主要体现在：窗函数会引入相位偏移。非对称窗（如指数窗）会改变信号相位，而对称窗（如汉宁窗）在窗中心处相位偏移为零。因此，若需要精确的相位信息，应选择对称窗，并确保FFT分析窗的起始点与信号周期对齐。

2.4 案例拆解：离心泵振动信号的三类成分识别

某化工厂一台离心泵，额定转速2950rpm（转频49.2Hz），配置加速度传感器采样率25.6kHz，FFT点数4096。初始振动值超标（RMS 7.2mm/s），需判断故障类型。

第一步：时域波形观察。原始波形显示明显的周期性冲击脉冲，间隔约0.0203s（对应49.2Hz），脉冲幅值约为背景振动的3倍。初步怀疑轴承故障。

第二步：FFT频谱分析。采用汉宁窗，频率分辨率Δf = 25600/4096 = 6.25Hz。频谱中可见：

• 49.2Hz处幅值2.1mm/s（1X转频）
• 98.4Hz处幅值0.8mm/s（2X）
• 203Hz处幅值1.6mm/s（疑似BPFO）
• 406Hz处幅值0.5mm/s（2×BPFO）

第三步：特征频率计算。该泵轴承型号为6309，滚珠数n=8，滚珠直径d=14.3mm，节径D=65mm，接触角α=0°。计算BPFO = (8/2)×49.2×(1-14.3/65×cos0°) = 4×49.2×0.78 = 153.5Hz。但实测203Hz与计算值不符。

第四步：重新审视。203Hz并非BPFO，而是接近4×转频（196.8Hz）的谐波。进一步检查发现，该泵联轴器弹性块磨损，导致每转产生4次冲击。更换弹性块后，203Hz处幅值降至0.2mm/s，振动RMS降至2.8mm/s。

复盘要点：若直接套用轴承故障公式，可能误判为轴承缺陷。实际中，联轴器故障的特征频率常为转频的整数倍，而轴承故障频率通常为非整数倍。FFT分析必须结合设备结构参数和运行工况综合判断，不能仅凭频谱峰值下结论。

2.5 常见误区与总结复盘

在振动信号基础理解中，TinyML开发者常陷入以下误区：

• 误区一：采样率越高越好。过高的采样率导致数据量激增，增加TinyML设备的存储和计算负担。应根据最高关注频率确定采样率，一般取最高频率的2.56倍即可。
• 误区二：FFT点数越大越好。FFT点数增加虽提高频率分辨率，但要求更长的采样时间，可能丢失瞬态冲击信息。对于冲击信号，短窗+重叠处理优于长窗。
• 误区三：忽略相位信息。虽然单通道相位意义有限，但在多通道系统中，相位差是区分故障类型的重要依据。
• 误区四：窗函数选择一刀切。不同振动类型需要不同窗函数：正弦信号用汉宁窗，冲击信号用短矩形窗或指数窗，随机信号用汉宁窗+多次平均。