2. 振动信号基础

在TinyML电机振动异常评分模型的开发中，振动信号是唯一的信息源。如果对振动产生的物理机制、故障特征在频谱上的分布规律以及传感器数据采集的质量缺乏深入理解，后续无论采用多么先进的神经网络结构或轻量化推理框架，都无法获得可靠的异常评分结果。本章将系统梳理振动信号的基础知识体系，从振动产生的力学原理出发，剖析电机四大类典型故障（不平衡、不对中、轴承磨损、松动）在时域与频域上的差异化表现，并给出面向TinyML边缘部署场景的传感器选型与安装工程规范。

振动产生的力学原理与信号特征

电机振动本质上是旋转机械动力学行为的宏观表现。当转子质量分布不均匀、轴系对中不良、轴承滚动体表面出现剥落或紧固件预紧力不足时，旋转过程中会产生周期性的激振力，该力作用于电机壳体并激发结构振动。从力学角度分析，振动系统可简化为质量-弹簧-阻尼模型，其运动方程可表示为：

m·x''(t) + c·x'(t) + k·x(t) = F(t)

其中，m为等效质量，c为阻尼系数，k为刚度，F(t)为激振力。在稳态旋转工况下，激振力F(t)呈现周期性，其基频等于转频f_r（即转速除以60）。当故障类型不同时，激振力的谐波成分和幅值分布会发生显著变化，这构成了振动故障诊断的物理基础。

从信号处理视角看，振动信号包含三个关键维度：幅值反映振动能量大小，频率揭示故障的周期性特征，相位则有助于区分不同类型的转子故障。在TinyML场景中，由于计算资源受限，通常以频域特征（如特定频段的能量占比、峰值频率位置）作为模型输入，而非直接使用原始波形。

四大典型故障的振动特征与识别方法

电机运行中常见的机械故障可归纳为四类：转子不平衡、轴系不对中、滚动轴承磨损和结构松动。每类故障在振动信号中都有独特的"指纹"特征，掌握这些特征是构建异常评分模型的前提。

转子不平衡

不平衡是电机最常见的故障之一，占旋转机械故障总数的30%以上。其根本原因是转子质量中心与旋转中心不重合，产生离心力F=m·e·ω²（e为偏心距，ω为角速度）。不平衡故障的振动特征表现为：

• 频谱特征：以1×转频（f_r）为主，幅值稳定，几乎不出现高次谐波
• 方向特征：径向（水平与垂直）振动明显，轴向振动较小
• 幅值变化：振动幅值与转速平方成正比，转速升高时振动急剧增大

轴系不对中

不对中是指电机输出轴与负载轴（如泵、风机）的中心线不在同一直线上，分为平行不对中、角度不对中和综合不对中。不对中会产生附加弯矩和轴向力，其振动特征为：

• 频谱特征：以2×转频（2f_r）为主，同时伴有1×和3×成分
• 方向特征：轴向振动显著增大，通常超过径向振动的50%
• 负载相关性：振动幅值随负载增加而明显增大，空载时可能不明显

滚动轴承磨损

轴承磨损是电机故障中占比最高的一类（约40%~50%），其故障发展过程可分为早期点蚀、扩展剥落和严重损伤三个阶段。轴承故障的特征频率由轴承几何参数和转速决定，常见特征频率包括：

其中，n为滚动体数量，d为滚动体直径，D为节圆直径，α为接触角。在轴承早期磨损阶段，特征频率处出现微弱的峰值，并伴随高频冲击振动（通常在2kHz~10kHz范围内）。随着磨损加剧，特征频率的谐波成分增多，边频带逐渐丰富。

结构松动

松动故障通常由地脚螺栓预紧力不足、轴承座与壳体配合间隙过大或基础刚度不足引起。松动故障的振动特征具有明显的非线性特性：

• 频谱特征：出现分数倍频成分（0.5×f_r、1.5×f_r、2.5×f_r），这是松动故障的标志性特征
• 幅值波动：振动幅值不稳定，时域波形可能出现削顶或拍频现象
• 方向特征：松动方向上的振动幅值显著增大，且随转速变化呈现非线性

振动传感器选型与安装工程规范

传感器是振动信号采集的"第一公里"，其选型与安装质量直接决定了数据质量的上限。在TinyML边缘部署场景中，还需要额外考虑功耗、体积、成本和接口兼容性等因素。

传感器类型对比与选型

对于TinyML电机振动异常评分模型，推荐选用MEMS加速度计，原因如下：首先，MEMS器件集成度高，内置ADC和数字滤波，可直接输出数字信号，省去外部模拟调理电路；其次，其低功耗特性（典型工作电流<500μA）适配电池供电的无线监测节点；最后，现代高性能MEMS加速度计（如ADXL357、LSM6DSOX等）的噪声密度已降至100μg/√Hz以内，足以覆盖轴承早期故障的检测需求。

传感器安装位置与方式

传感器安装位置的选择应遵循"振动能量传递路径最短"原则。对于电机振动监测，推荐在以下位置安装传感器：

1. 驱动端轴承座（首选）：该位置直接承受转子动态力，振动信号最强且信噪比最高
2. 非驱动端轴承座（次选）：用于对比分析，判断故障是否与负载相关
3. 电机壳体顶部（备选）：当无法在轴承座安装时使用，但信号衰减明显

在每个测点位置，建议采集三个方向的振动数据：水平径向（H）、垂直径向（V）和轴向（A）。对于TinyML模型，考虑到通道数量和计算开销，通常优先采集水平径向和轴向两个方向的数据。

安装方式对振动传递的影响显著，不同安装方式的可用频率上限如下：

采样参数设置与信号质量保障

在TinyML场景中，采样参数的设置需要在数据信息量和计算资源之间取得平衡。核心参数包括采样率、采样时长和抗混叠滤波。

采样率：根据奈奎斯特采样定理，采样率必须大于信号最高频率的2倍。对于电机振动监测，若需覆盖轴承故障的高频冲击成分（通常至10kHz），则采样率应不低于25.6kHz。但考虑到TinyML设备的存储和计算能力，实际应用中常采用以下策略：

• 低频段监测（转子故障）：采样率2~5kHz，FFT分析频率范围0~1kHz
• 高频段监测（轴承故障）：采样率25.6kHz，但每次仅采集0.1~0.5秒数据
• 分段采样：以较低采样率连续监测，当触发阈值时切换至高速采样

采样时长：采样时长决定了频率分辨率Δf = 1/T（T为采样时长）。例如，采样时长1秒时频率分辨率为1Hz，足以区分50Hz和51Hz的相邻频率成分。对于转速波动较大的工况，建议采样时长覆盖至少10个旋转周期。

抗混叠滤波：在ADC采样前必须进行低通滤波，滤除高于采样率一半的频率成分。对于MEMS加速度计，多数器件内置数字低通滤波器，可配置截止频率。建议将截止频率设置为采样率的0.4倍，以兼顾抗混叠和信号保真度。

振动信号质量验证与数据预处理

在将振动数据输入TinyML模型之前，必须进行信号质量验证，排除传感器故障、安装不良和电磁干扰等非故障因素导致的异常数据。信号质量验证包括以下步骤：

1. 静态偏置检查：传感器静止时输出应接近0g（加速度计）或0mm/s（速度传感器），偏差超过±0.5g时需检查安装状态
2. 频谱底噪评估：在电机停机状态下采集背景噪声，正常底噪应低于故障信号幅值的10%
3. 转频峰值确认：在电机稳定运行时，频谱中应能清晰识别1×转频峰值，若无法识别则说明传感器灵敏度不足或安装松动
4. 重复性测试：同一工况下多次采集，振动幅值的变异系数应小于5%

数据预处理方面，TinyML场景下推荐采用轻量化的处理方法：

// 伪代码示例：振动数据预处理流程
1. 去除直流偏置：x_centered = x - mean(x)
2. 加窗函数：x_windowed = x_centered * hann_window(N)
3. FFT变换：X = fft(x_windowed)
4. 幅值谱计算：A = |X| / (N/2)
5. 特征提取：freq_band_energy = sum(A[f_low:f_high]^2)

在特征提取阶段，建议从频谱中提取以下关键特征作为TinyML模型的输入：

总结与工程复盘

本章系统梳理了振动信号的基础知识体系，核心要点可归纳为：振动信号的频率结构是故障诊断的"指纹"，不同故障类型对应不同的特征频率组合；传感器选型需综合考虑频率范围、噪声密度、功耗和接口，TinyML场景推荐使用MEMS加速度计；安装质量直接决定数据上限，螺栓紧固是唯一适用于高频诊断的安装方式；采样参数设置需在信息完整性和计算资源之间取得平衡。

在实际项目部署中，建议遵循"先验证、后部署"的原则：在实验室环境下模拟各类故障，采集数据验证传感器选型和安装方案的合理性，再进入现场长期运行。同时，建立信号质量定期校验机制，防止因传感器老化或安装松动导致的数据劣化。