4、振动信号基础：时域、频域特征（均值、峰值、RMS、频谱、包络谱）及其物理意义
在智慧工厂预测维护体系中，振动信号是旋转机械状态信息最丰富的载体。轴承磨损、齿轮点蚀、转子不平衡、轴不对中等故障，都会在振动信号中留下独特的“指纹”。然而，原始振动波形通常是杂乱无章的电压或加速度时间序列，直接观察难以提取有效信息。本章的核心任务，是将原始振动信号转化为具有明确物理意义的特征指标——从时域的均值、峰值、有效值（RMS），到频域的频谱与包络谱，并理解这些特征如何映射到具体的机械故障模式。只有掌握了这些基础特征及其物理意义，后续才能构建可靠的异常检测模型，避免误报与漏报。
上图展示了从原始振动信号到特征提取、物理意义映射，再到异常模型构建的完整链路。时域特征反映信号的整体幅值水平与冲击特性，频域特征揭示振动能量在频率轴上的分布，而包络谱则专门用于解调高频冲击成分。下面逐一深入剖析。
4.1 时域特征：均值、峰值与RMS的物理内涵
时域分析直接对采集到的振动波形进行统计计算，是最直观、计算开销最小的特征提取方式。在工业现场，加速度传感器输出的原始信号通常包含直流偏置、随机噪声和周期性振动成分。时域特征的核心价值在于快速评估设备整体振动水平，并捕捉突发性冲击。
均值（Mean）：对一段采样信号求算术平均。对于理想旋转机械，振动信号应围绕零均值波动，因此均值的值大小主要反映传感器的零漂或安装预紧力导致的直流偏置。在预测维护中，均值通常不作为故障特征，但若均值出现明显漂移，需检查传感器安装是否松动或信号调理电路是否异常。
峰值（Peak）：指信号在采样时段内的最大值。峰值对瞬时冲击非常敏感，例如轴承滚动体通过局部剥落坑时会产生短时高幅值冲击。但峰值也容易受随机噪声和电磁干扰影响，单独使用误报率较高。工程上常采用“峰值因子”（峰值/RMS）来区分正常磨损与早期点蚀——正常轴承峰值因子约为3~5，出现点蚀时该值可升至10以上。
有效值（RMS）：即均方根值，反映振动信号的平均能量水平。RMS与设备的振动烈度直接相关，ISO 10816等国际标准均以振动速度RMS作为设备状态评价的基准。对于不平衡、不对中、基础松动等常见故障，RMS会随故障严重程度近似线性增长。但RMS对早期局部缺陷不敏感，因为局部冲击的能量占比很小。
| 时域特征 | 计算公式 | 物理意义 | 典型故障映射 | 局限性 |
|---|---|---|---|---|
| 均值 | x̄ = (1/N)Σxᵢ | 直流分量、零漂 | 传感器故障、安装不当 | 对旋转故障不敏感 |
| 峰值 | X_peak = max|xᵢ| | 最大瞬时冲击幅值 | 轴承点蚀、齿轮断齿 | 易受噪声干扰 |
| RMS | X_rms = √((1/N)Σxᵢ²) | 振动能量平均水平 | 不平衡、不对中、磨损 | 早期缺陷不敏感 |
| 峰值因子 | C = X_peak / X_rms | 冲击特性与能量比值 | 早期轴承故障 | 需结合趋势判断 |
4.2 频域特征：频谱分析揭示故障频率指纹
时域特征虽然计算简单，但无法区分不同故障源。例如，不平衡和不对中都会导致RMS升高，但它们的振动频率成分截然不同。频域分析通过快速傅里叶变换（FFT）将时域波形分解为一系列正弦波分量，得到幅值随频率变化的频谱图。每类机械故障都有其特定的特征频率，这些频率由设备结构参数（轴承节径、滚动体数量、齿轮齿数）和转频（RPM/60）决定。
频谱的物理意义：频谱中的每个峰值代表该频率下振动的幅值（或能量）。对于旋转机械，最重要的频率成分包括：
- 1×转频（1X）：转子不平衡的主要特征，幅值随转速平方增大。
- 2×转频（2X）：平行不对中、轴弯曲的典型标志，常伴随1X同时出现。
- 轴承故障频率（BPFO/BPFI/BSF/FTF）：由轴承几何尺寸和转频计算得出，例如外圈故障频率BPFO = (N/2)×fr×(1 - d/D×cosα)，其中N为滚动体数量，d为滚动体直径，D为节径，α为接触角。
- 齿轮啮合频率（GMF）：齿轮齿数×转频，其边带（GMF±n×fr）反映齿轮磨损或齿面损伤。
频谱分析的工程流程通常包括：首先确定设备转频，然后标注频谱中的主要峰值频率，将其与理论特征频率对比，最后观察边带和 harmonics 的分布规律。例如，若在频谱中发现BPFO及其谐波（2×BPFO、3×BPFO），且幅值逐渐增大，则可判定轴承外圈存在缺陷。
# 频谱分析关键步骤（Python伪代码）
import numpy as np
from scipy.fft import fft
# 假设采样率fs=25600Hz，采样点数N=1024
fs = 25600
N = 1024
t = np.arange(N) / fs
# 原始振动信号（示例）
x = 0.5*np.sin(2*np.pi*50*t) + 0.2*np.sin(2*np.pi*150*t) + 0.1*np.random.randn(N)
# FFT计算
X = fft(x)
freqs = np.fft.fftfreq(N, 1/fs)
# 取单边频谱
mag = np.abs(X[:N//2]) * 2 / N
freqs = freqs[:N//2]
# 查找峰值频率
peak_idx = np.argsort(mag)[-3:]
print("主要频率:", freqs[peak_idx], "幅值:", mag[peak_idx])4.3 包络谱：解调高频冲击的利器
当轴承或齿轮出现局部缺陷时，每次滚动体通过缺陷位置都会产生一个高频冲击，该冲击会激励结构共振，产生高频衰减振荡。这些高频成分的幅值被低频的“故障重复频率”所调制。直接对原始信号做FFT，高频共振成分会淹没在噪声中，难以识别。包络谱分析（又称解调分析）通过以下步骤提取故障频率：
- 带通滤波：选择包含结构共振频率的频带（通常为5~20kHz），滤除低频干扰。
- Hilbert变换：对滤波后的信号进行Hilbert变换，构造解析信号，取其模得到包络波形。
- FFT包络波形：对包络信号做FFT，得到包络谱，其峰值对应故障重复频率（如BPFO、BPFI）。
包络谱的核心优势在于将高频冲击的“重复频率”从复杂的振动信号中分离出来，抗干扰能力强。例如，某化工厂离心泵的加速度频谱在8kHz附近出现宽频共振峰，但无法判断故障源。经带通滤波（8~12kHz）后做包络谱分析，清晰出现BPFO=89.3Hz及其谐波，确诊为轴承外圈剥落。
背景与约束：该风机转速1490rpm（转频24.8Hz），轴承型号SKF 6320（滚动体数N=8，节径D=125mm，滚动体直径d=28mm，接触角α=0°）。设备振动速度RMS从2.1mm/s升至4.8mm/s，但未超报警值（7.1mm/s），现场继续运行。
初始现象：加速度时域波形出现周期性冲击，峰值因子从4.2升至7.8。
分析过程：计算理论故障频率：BPFO = (8/2)×24.8×(1-28/125×cos0°) ≈ 76.9Hz；BPFI = (8/2)×24.8×(1+28/125×cos0°) ≈ 121.5Hz。对加速度信号做8~16kHz带通滤波后提取包络谱，发现76.8Hz处幅值达0.42g，且存在2×、3×谐波，而BPFI处无明显峰值。
操作步骤：① 停机检查，拆解轴承发现外圈滚道有宽约3mm的剥落坑；② 更换轴承后，包络谱中76.8Hz峰值消失，RMS回落至2.0mm/s。
结果与代价：提前2周预警，避免了轴承抱死导致的设备损坏和非计划停机（估算损失约15万元）。
复盘经验：RMS未超标的早期故障，包络谱能提前捕捉；带通滤波频带的选择需结合设备结构共振特性，可通过锤击试验或历史数据确定。
4.4 常见误区与工程实践要点
在振动特征提取的实际应用中，工程师常陷入以下误区，导致诊断结论偏差或模型失效。
- 误区一：采样率不足。根据奈奎斯特定理，采样率必须大于最高分析频率的2倍。若需分析20kHz的高频冲击，采样率至少40kHz。现场常因存储限制降低采样率，导致高频成分混叠，包络谱失真。
- 误区二：忽略转速波动。变频驱动设备转速变化时，特征频率随之漂移。若直接对整段信号做FFT，频谱峰值会被“抹平”。应采用阶比跟踪或短时傅里叶变换（STFT）处理变转速工况。
- 误区三：RMS阈值一刀切。不同设备、不同安装位置的振动允许值差异很大。应基于设备历史健康数据建立动态基线，而非套用通用标准。
- 误区四：包络谱频带选择随意。带通滤波频带应覆盖结构共振区，若选择不当，可能滤除有效冲击成分。建议通过预实验或频谱瀑布图识别共振峰。
总结复盘：时域特征（均值、峰值、RMS）提供了设备振动水平的宏观视图，适合快速筛查；频域特征（频谱）通过特征频率定位故障部件；包络谱则专门攻克早期局部缺陷的识别难题。在实际工程中，三者应结合使用：先用RMS和峰值因子做趋势监控，发现异常后启动频谱分析定位频率，最后用包络谱确认高频冲击源。这种“由粗到细”的诊断策略，既能保证计算效率，又能提高故障识别的准确性。对于预测维护模型而言，建议将时域统计量、频段能量、包络谱特征频率幅值共同作为输入特征，并保留原始波形用于故障复现与模型迭代。