2. 振动信号基础

在工业旋转机械的状态监测与故障诊断中，振动信号是最具信息量的物理量之一。无论是电机、泵、风机还是压缩机，其运行状态的变化都会通过振动特征直接反映出来。理解振动的基本概念、掌握常见故障的振动特征，是使用Edge Impulse构建振动故障分类模型的前提。本章将从振动产生的物理机制出发，系统梳理不平衡、不对中、轴承磨损等典型故障的频域与时域特征，为后续的传感器选型、特征工程与模型训练奠定理论基础。

2.1 振动的基本概念与物理量

振动是物体围绕其平衡位置进行的往复运动。在旋转机械中，振动主要由转子系统的质量分布不均、部件间的相对位移、滚动体与滚道的接触变形等因素引起。描述振动需要三个基本物理量：位移（单位：μm或mm）、速度（单位：mm/s）和加速度（单位：m/s²或g）。三者之间存在微分与积分关系：位移的一阶导数为速度，速度的一阶导数为加速度。在实际监测中，低频振动（如不平衡）适合用位移或速度衡量，而高频振动（如轴承早期磨损）则更适合用加速度传感器捕捉。

振动信号的频域表示是故障诊断的核心工具。通过快速傅里叶变换（FFT），可以将时域波形转换为频谱，从而识别出各个频率成分的幅值。对于旋转机械，通常以转频（1×）为基准，即转子每秒钟的旋转次数（单位Hz）。例如，一台转速为1500 RPM的电机，其转频为25 Hz。故障特征频率往往与转频存在整数倍或分数倍关系，这是诊断的关键依据。

2.2 常见故障类型及其振动特征

旋转机械的故障种类繁多，但工程实践中以不平衡、不对中、轴承磨损和松动最为常见。每种故障在振动频谱上都有独特的“指纹”，掌握这些指纹是训练分类模型的前提。

2.2.1 转子不平衡

不平衡是指转子质量中心与旋转中心不重合，导致离心力随旋转周期性变化。其振动特征非常典型：频谱中1×转频成分占主导，且幅值随转速升高而增大。在时域波形上表现为近似正弦波，波形稳定。不平衡又分为静不平衡、动不平衡和偶不平衡，但无论哪种类型，其基频特征一致。

2.2.2 轴系不对中

不对中是指电机与负载（如泵、齿轮箱）之间的联轴器轴线存在角度偏差或平行偏差。其振动特征为：2×转频成分显著，同时伴有1×和3×成分。角度不对中时，轴向振动（沿轴线方向）的2×分量尤为突出；平行不对中则径向振动（垂直于轴线）的2×分量更明显。不对中还会导致联轴器附近温度升高，可作为辅助判断依据。

2.2.3 滚动轴承磨损

滚动轴承的故障（内圈、外圈、滚动体、保持架）是旋转机械中最常见的故障类型。其振动特征较为复杂：早期故障表现为高频冲击脉冲，在频谱上呈现为以轴承故障特征频率（BPFO、BPFI、BSF、FTF）为中心的边带族。随着磨损加剧，高频成分逐渐降低，低频段出现谐波。轴承故障特征频率与转频、轴承几何尺寸相关，计算公式如下：

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)
滚动体故障频率 BSF  = (D/(2d)) × fr × (1 - (d/D × cosα)²)
保持架故障频率 FTF  = (fr/2) × (1 - d/D × cosα)
其中：n=滚动体数量，fr=转频，d=滚动体直径，D=节圆直径，α=接触角

在实际工程中，这些频率往往不是精确的单一频率，而是分布在一定的频带内，且幅值较小，容易被噪声淹没。因此，Edge Impulse模型训练时，通常需要对原始信号进行包络解调（Envelope Analysis）或小波变换，以突出故障特征频率。

2.3 振动信号的分析方法

在Edge Impulse中训练故障分类模型，需要将原始振动信号转化为适合机器学习处理的特征。常用的分析方法包括时域统计、频域分析和时频域分析。

2.3.1 时域统计特征

时域特征计算简单、物理意义明确，适合作为模型的输入。常用的时域指标包括：均方根值（RMS，反映振动能量）、峰值（反映瞬时冲击）、峭度（Kurtosis，反映波形尖锐程度）、波形因子、峰值因子等。其中，峭度对早期轴承故障非常敏感，正常轴承的峭度约为3，出现冲击时峭度会显著增大。

2.3.2 频域特征

频域特征通过FFT将时域信号转换到频域后提取。对于故障分类，通常关注特定频段的能量分布、主频幅值、边带幅值等。Edge Impulse内置的频谱分析模块可以自动提取这些特征，但需要用户根据故障类型设定合理的频率范围。例如，对于轴承故障，应重点关注2 kHz–10 kHz的高频段；对于不平衡，则关注1×转频附近的低频段。

2.3.3 时频域分析

当振动信号包含非平稳成分（如转速波动、冲击瞬态）时，单纯依靠FFT会丢失时间信息。短时傅里叶变换（STFT）和小波变换可以同时提供时间和频率分辨率。在Edge Impulse中，可以使用频谱图（Spectrogram）作为特征输入，通过卷积神经网络（CNN）自动学习时频模式。

2.4 案例拆解：离心泵轴承磨损的振动特征识别

某化工厂一台离心泵（转速2980 RPM，转频49.7 Hz）出现异响，振动值从2.8 mm/s上升至5.6 mm/s。现场使用加速度传感器（灵敏度100 mV/g）采集振动信号，采样率25.6 kHz，采样时长2秒。初始频谱显示在3.2 kHz附近出现明显峰值，但无法直接判断故障类型。

分析过程：首先计算轴承故障特征频率。该泵轴承型号为6310，滚动体数量n=8，滚动体直径d=14.3 mm，节圆直径D=65 mm，接触角α=0°。代入公式计算得：BPFO=3.2 kHz，BPFI=4.7 kHz。将频谱峰值频率3.2 kHz与BPFO对比，高度吻合。进一步对信号进行包络解调，在包络谱中清晰看到BPFO及其2倍频、3倍频成分，且边带间隔为1×转频（49.7 Hz），确认外圈存在局部剥落。

操作步骤：① 在Edge Impulse中导入原始振动数据；② 使用“Spectral Analysis”模块，设置FFT窗口为1024点，频率范围0–12.8 kHz；③ 提取包络谱特征，选择BPFO附近的频带能量作为特征；④ 训练一个3分类模型（正常、外圈磨损、内圈磨损），准确率达到96.5%。

结果与复盘：更换轴承后振动值降至1.9 mm/s。该案例表明，仅靠原始频谱的峰值频率容易误判，必须结合轴承几何参数计算特征频率，并通过包络解调突出故障成分。在Edge Impulse中，包络谱特征可以显著提升分类模型的鲁棒性。

2.5 常见误区与总结复盘

在振动故障诊断与模型训练中，初学者常犯以下错误：

• 误区一：采样率越高越好。过高的采样率导致数据量剧增，训练时间延长，且高频噪声可能淹没故障特征。应根据目标故障的最高频率合理选择采样率。
• 误区二：忽略相位信息。不平衡和不对中在相位上存在差异（不平衡的径向振动相位差约90°，不对中则轴向与径向振动同相），但Edge Impulse默认只处理幅值谱，相位信息丢失。若需要区分这两种故障，建议额外提取相位特征。
• 误区三：直接用原始波形训练深度学习模型。虽然CNN可以自动提取特征，但在样本量不足时容易过拟合。建议先进行频域或时频域变换，再输入模型。
• 误区四：忽视转速波动。变频驱动设备在变速工况下，转频变化导致特征频率漂移。若训练数据仅包含恒定转速，模型在变速场景下会失效。