引言

在现代工业生产中，设备的异常振动是导致机械故障的主要原因之一。振动信号处理（Signal Processing, SP）技术作为故障诊断的核心工具，能够帮助工程师从复杂的振动数据中提取关键特征，从而准确识别设备问题。本指南将详细介绍振动信号处理的基本原理、常用方法，以及如何利用SP技术解决设备异常振动问题。通过本指南，您将掌握从数据采集到故障诊断的完整流程，并学会使用Python代码实现关键步骤。

振动信号的基础知识

什么是振动信号？

振动信号是设备在运行过程中产生的机械振动波形，通常以加速度、速度或位移的形式表示。这些信号包含了设备运行状态的丰富信息，例如轴承磨损、齿轮啮合不良或不平衡等问题。振动信号通常是非平稳的，即其频率成分随时间变化，这使得分析变得复杂。

为什么振动信号重要？

振动信号是设备健康状况的“指纹”。通过分析振动信号，我们可以：

  • 早期故障检测：在故障恶化前发现问题，避免停机。
  • 故障类型识别：区分不同类型的故障，如轴承故障、齿轮故障或不对中。
  • 预测性维护：基于振动趋势预测设备寿命，优化维护计划。

振动信号的采集

采集振动信号通常使用加速度传感器（如IEPE传感器），安装在设备的关键部位（如轴承座）。信号通过数据采集卡（DAQ）转换为数字信号，采样频率需满足奈奎斯特准则（至少为信号最高频率的2倍）。例如，对于常见工业设备，采样频率通常设置为10 kHz至50 kHz。

振动信号处理的基本流程

振动信号处理的流程可以分为四个主要步骤：数据采集、预处理、特征提取和故障诊断。以下是详细说明。

1. 数据采集

数据采集是第一步，确保信号质量至关重要。使用传感器和DAQ设备，将模拟振动信号转换为数字序列。例如，使用Python的pydaq库或直接读取预存的CSV文件。

2. 预处理

原始振动信号往往包含噪声和干扰，预处理步骤包括：

  • 滤波：去除高频噪声或低频漂移，常用低通、高通或带通滤波器。
  • 去趋势：移除信号中的线性趋势，避免影响频谱分析。
  • 加窗：减少频谱泄漏，常用汉宁窗（Hanning）或汉明窗（Hamming）。

3. 特征提取

从预处理后的信号中提取有意义的特征，是故障诊断的关键。常用方法包括：

  • 时域分析：计算均值、方差、峰值、峭度等统计量。
  • 频域分析：使用傅里叶变换（FFT）获取频谱，识别特征频率。
  • 时频域分析：使用短时傅里叶变换（STFT）或小波变换处理非平稳信号。

4. 故障诊断

基于提取的特征，使用阈值判断、模式识别或机器学习算法进行故障诊断。例如，比较当前频谱与正常状态频谱的差异，或使用支持向量机（SVM）分类故障类型。

SP技术在振动信号处理中的应用

SP技术（Signal Processing）涵盖了一系列数学和计算方法，用于从振动信号中提取信息。以下是核心SP技术及其在故障诊断中的应用。

时域分析

时域分析直接处理信号的时间序列数据，适合快速评估信号强度和冲击特性。

关键指标：

  • 均值（Mean）：信号的直流分量，反映平均振动水平。
  • 峰值（Peak）：信号的最大振幅，用于检测冲击事件。
  • 峭度（Kurtosis）：衡量信号分布的尖锐程度，对早期轴承故障敏感（正常信号峭度≈3，故障时>4）。

例子：假设我们有一段轴承振动信号，计算峭度可以快速判断是否存在冲击性故障。

频域分析：傅里叶变换（FFT）

FFT是将时域信号转换为频域的最常用工具，帮助识别周期性故障特征。

原理：FFT将信号分解为不同频率的正弦波，幅度表示该频率的能量。故障往往在特定频率（如轴承的故障特征频率）产生峰值。

应用：例如，齿轮啮合频率（GMF）及其边带可以指示齿轮磨损。

时频域分析：短时傅里叶变换（STFT）和小波变换

对于非平稳信号（如启动或负载变化时的振动），时频分析必不可少。

  • STFT：将信号分成短段，每段做FFT，生成时频谱图。适合分析频率随时间变化的信号。
  • 小波变换：使用多分辨率分析，提供更好的时频局部化。常用小波如Daubechies或Morlet小波。

例子：在电机启动过程中，使用STFT可以观察到频率从低到高的变化，识别潜在的共振问题。

实践指南：利用SP技术解决设备异常振动问题

以下是一个完整的实践指南，结合Python代码示例，展示如何从数据采集到故障诊断。假设我们有一个CSV文件vibration_data.csv，包含轴承振动信号（采样率10 kHz，持续1秒）。

步骤1：数据加载和预处理

首先，使用Python加载数据并进行预处理。需要安装numpy、scipy和matplotlib。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.signal import butter, filtfilt, hann
from scipy.fft import fft, fftfreq

# 加载数据（假设CSV有两列：时间t和加速度acc）
data = pd.read_csv('vibration_data.csv')
t = data['t'].values
acc = data['acc'].values  # 原始加速度信号

# 采样参数
fs = 10000  # 采样率 (Hz)
n = len(acc)

# 预处理：低通滤波（截止频率5000 Hz，去除高频噪声）
def lowpass_filter(signal, cutoff, fs, order=4):
    nyquist = 0.5 * fs
    normal_cutoff = cutoff / nyquist
    b, a = butter(order, normal_cutoff, btype='low', analog=False)
    return filtfilt(b, a, signal)

acc_filtered = lowpass_filter(acc, 5000, fs)

# 加窗（Hanning窗）
window = hann(n)
acc_windowed = acc_filtered * window

# 去趋势（移除线性趋势）
acc_detrended = np.gradient(acc_windowed, t)  # 简单去趋势，实际可用scipy.signal.detrend

说明：以上代码首先加载数据，然后应用低通滤波器去除噪声，使用汉宁窗减少频谱泄漏，并去趋势。滤波器使用Butterworth设计，filtfilt确保零相位失真。

步骤2：时域特征提取

计算时域统计量，评估信号健康状况。

# 计算时域特征
mean = np.mean(acc_detrended)
variance = np.var(acc_detrended)
peak = np.max(np.abs(acc_detrended))
rms = np.sqrt(np.mean(acc_detrended**2))  # 均方根
kurtosis = np.mean((acc_detrended - mean)**4) / (rms**4)  # 峭度

print(f"均值: {mean:.4f}")
print(f"方差: {variance:.4f}")
print(f"峰值: {peak:.4f}")
print(f"RMS: {rms:.4f}")
print(f"峭度: {kurtosis:.4f}")

# 可视化时域信号
plt.figure(figsize=(10, 4))
plt.plot(t, acc_detrended)
plt.title('预处理后的振动信号')
plt.xlabel('时间 (s)')
plt.ylabel('加速度 (g)')
plt.show()

输出解释：如果峭度>4，表明可能存在冲击性故障（如轴承点蚀）。RMS值可用于比较不同状态下的振动水平。

步骤3：频域分析（FFT）

使用FFT获取频谱，识别特征频率。

# FFT计算
acc_fft = fft(acc_detrended)
freqs = fftfreq(n, 1/fs)[:n//2]  # 只取正频率
magnitudes = np.abs(acc_fft[:n//2]) * 2 / n  # 幅度谱（归一化）

# 可视化频谱
plt.figure(figsize=(10, 4))
plt.plot(freqs, magnitudes)
plt.title('振动信号频谱')
plt.xlabel('频率 (Hz)')
plt.ylabel('幅度')
plt.xlim(0, 5000)  # 只显示0-5000 Hz
plt.show()

# 查找峰值频率
peak_freq_idx = np.argmax(magnitudes)
peak_freq = freqs[peak_freq_idx]
print(f"主要峰值频率: {peak_freq:.2f} Hz")

解释：频谱中的峰值可能对应故障特征频率。例如，对于滚动轴承，内圈故障频率为f_inner = (n/2) * f_r * (1 - d/D * cosθ)，其中f_r为转频，d为滚珠直径，D为节径。计算这些频率并与频谱比较，可诊断故障。

步骤4：时频分析（STFT）

对于非平稳信号，使用STFT。

from scipy.signal import stft

# STFT计算
f, t_stft, Zxx = stft(acc_detrended, fs=fs, window='hann', nperseg=256, noverlap=128)

# 可视化时频谱
plt.figure(figsize=(10, 6))
plt.pcolormesh(t_stft, f, np.abs(Zxx), shading='gouraud')
plt.title('STFT时频谱')
plt.ylabel('频率 (Hz)')
plt.xlabel('时间 (s)')
plt.ylim(0, 5000)
plt.colorbar(label='幅度')
plt.show()

解释：STFT图显示频率随时间的变化。如果在特定时间出现高频峰值，可能表示瞬态故障，如松动或冲击。

步骤5：故障诊断

基于以上分析，诊断故障。例如，如果FFT显示在1000 Hz有峰值，且轴承外圈故障频率为1000 Hz，则诊断为外圈故障。结合机器学习，可训练模型自动分类。

高级诊断示例：使用小波变换提取特征，然后用SVM分类。

from scipy.signal import cwt, morlet2
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split

# 假设有多个样本的特征数据（这里简化为小波系数作为特征）
def extract_wavelet_features(signal):
    widths = np.arange(1, 31)
    cwtmatr = cwt(signal, morlet2(10, widths), widths)
    return np.mean(np.abs(cwtmatr), axis=1)  # 平均小波系数作为特征

# 假设X是特征矩阵，y是标签（0:正常，1:故障）
# X = [extract_wavelet_features(sample) for sample in samples]
# X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# clf = SVC(kernel='rbf')
# clf.fit(X_train, y_train)
# accuracy = clf.score(X_test, y_test)
# print(f"诊断准确率: {accuracy:.2f}")

说明：小波变换提供多尺度特征，SVM用于分类。实际应用中，需要大量标注数据训练模型。

常见故障类型及SP解决方案

轴承故障

  • 特征：时域峭度增加，频域出现故障频率及其谐波。
  • SP方案：使用包络分析（解调）提取调制频率。代码：先带通滤波高频部分，然后希尔伯特变换求包络，再FFT。

齿轮故障

  • 特征：频域出现啮合频率（GMF）及其边带。
  • SP方案：FFT分析边带间距，判断齿面磨损。STFT观察瞬态。

不平衡和不对中

  • 特征：低频（1x转频）峰值高。
  • SP方案：阶次分析（基于转速归一化频率），使用角域采样。

最佳实践和注意事项

  • 采样率选择：确保覆盖感兴趣频率，通常为最高故障频率的2.56倍。
  • 噪声控制：在嘈杂环境中，使用相干平均或自适应滤波。
  • 实时处理：对于在线监测，使用嵌入式SP库如PyTorch或专用硬件。
  • 验证：始终与已知正常状态比较，并结合其他传感器（如温度、声学）验证。
  • 工具推荐：Python（SciPy、PyWavelets）、MATLAB、LabVIEW。

结论

利用SP技术解决设备异常振动问题，从数据采集到诊断，是一个系统化的过程。通过时域、频域和时频域分析，我们可以准确识别故障根源。本指南提供的Python代码示例可直接应用于实际项目，帮助您实现预测性维护。如果您有特定设备数据，建议从简单FFT开始，逐步深入小波或机器学习方法。持续实践将提升诊断准确性，减少意外停机，提高生产效率。