1. 振动信号分析基础概念
振动信号分析是机械故障诊断、结构健康监测等领域的重要技术手段。作为一名长期从事设备状态监测的工程师，我经常需要处理各种振动信号。振动信号本质上是一种时变信号，它记录了物体在平衡位置附近往复运动的状态变化。
在实际工程应用中，我们通常通过加速度传感器、速度传感器或位移传感器来采集振动信号。这些传感器将机械振动转换为电信号后，经过数据采集系统数字化处理，最终得到可用于分析的离散时间序列数据。我常用的采样频率范围通常在1kHz到20kHz之间，具体取决于被测对象的振动特性。
振动信号的特征参数可以分为时域特征、频域特征和时频域特征三大类。时域特征直接从原始信号中提取，计算简单快速；频域特征需要经过傅里叶变换获得，能反映信号的频率组成；时频域特征则结合了时间和频率信息，适合分析非平稳信号。
提示：选择特征参数时，必须考虑信号的性质（平稳/非平稳）和应用场景。比如旋转机械故障诊断通常关注频域特征，而冲击类事件分析则更依赖时域特征。
2. 时域特征参数及计算
2.1 基本时域统计量
最常用的时域特征包括：
-
峰值（Peak）：信号在一个周期内的最大绝对值
math复制X_{peak} = max(|x(t)|) -
峰峰值（Peak-to-Peak）：信号最大值与最小值之差
math复制X_{p-p} = max(x(t)) - min(x(t)) -
均值（Mean）：信号的平均值
math复制\mu = \frac{1}{N}\sum_{i=1}^{N}x_i -
均方根值（RMS）：反映信号的能量大小
math复制X_{rms} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2}
在实际应用中，我发现RMS值对早期故障特别敏感。曾经在一次风机监测中，RMS值比正常状态增加了15%时就检测到了轴承的早期损伤，而其他参数变化还不明显。
2.2 高阶时域统计量
除了基本统计量，高阶统计量也能提供重要信息：
-
偏度（Skewness）：反映信号分布的不对称性
math复制\gamma_1 = \frac{\frac{1}{N}\sum_{i=1}^{N}(x_i-\mu)^3}{\sigma^3} -
峭度（Kurtosis）：反映信号分布的尖锐程度
math复制\beta_2 = \frac{\frac{1}{N}\sum_{i=1}^{N}(x_i-\mu)^4}{\sigma^4} -
波形指标（Shape Factor）：RMS与绝对平均值的比值
math复制S_f = \frac{X_{rms}}{\frac{1}{N}\sum_{i=1}^{N}|x_i|}
峭度指标对冲击信号特别敏感。我在齿轮箱故障诊断中发现，当出现齿面剥落时，峭度值会显著增大，有时甚至能达到正常值的3-5倍。
3. 频域特征参数及计算
3.1 傅里叶变换基础
频域分析需要先将时域信号转换为频域表示，最常用的方法是离散傅里叶变换（DFT）：
math复制X(k) = \sum_{n=0}^{N-1}x(n)e^{-j2\pi kn/N}, k=0,1,...,N-1
在实际编程中，我们通常使用快速傅里叶变换（FFT）算法来提高计算效率。MATLAB或Python中的fft函数就是基于这种算法。
注意：进行FFT分析时，采样频率必须满足奈奎斯特准则，即至少是信号最高频率成分的2倍。我一般会选择2.56倍以上以避免混叠。
3.2 常用频域特征
-
重心频率（FC）：频谱的能量中心
math复制FC = \frac{\sum_{k=1}^{K}f_k|X(k)|}{\sum_{k=1}^{K}|X(k)|} -
均方频率（MSF）：反映频谱的分散程度
math复制MSF = \frac{\sum_{k=1}^{K}f_k^2|X(k)|}{\sum_{k=1}^{K}|X(k)|} -
频率方差（VF）：频谱的离散程度
math复制VF = MSF - FC^2 -
频谱熵（Spectrum Entropy）：衡量频谱的复杂度
math复制SE = -\sum_{k=1}^{K}p_k\log p_k, \quad p_k = \frac{|X(k)|}{\sum_{k=1}^{K}|X(k)|}
在轴承故障诊断中，我经常观察特征频率（如内圈、外圈、滚动体故障频率）及其谐波成分的能量变化。当某个特征频率的能量突然增大时，往往预示着相应部件的损伤。
4. 时频域特征参数及计算
4.1 短时傅里叶变换（STFT）
对于非平稳信号，单纯的时域或频域分析可能不够，这时需要时频分析。STFT是最基础的时频分析方法：
math复制X(t,f) = \int_{-\infty}^{\infty}x(\tau)w(\tau-t)e^{-j2\pi f\tau}d\tau
其中w(t)是窗函数（如汉宁窗、海明窗等）。在实际计算中，需要合理选择窗长和重叠率。我通常先尝试窗长为256或512个采样点，重叠率75%。
4.2 小波变换特征
小波变换能提供多分辨率分析，特别适合瞬态信号：
math复制WT(a,b) = \frac{1}{\sqrt{a}}\int_{-\infty}^{\infty}x(t)\psi^*\left(\frac{t-b}{a}\right)dt
常用的小波基包括Daubechies、Morlet等。基于小波变换可以提取以下特征：
-
小波能量熵：
math复制WEE = -\sum_{i=1}^{n}E_i\log E_i, \quad E_i = \frac{E_i}{\sum_{i=1}^{n}E_i} -
小波包节点能量：
通过对信号进行小波包分解，计算各节点的能量作为特征。
在一次液压泵故障诊断项目中，我使用db4小波进行5层分解，发现第3层细节系数的能量在故障状态下显著增加，这成为了识别该类故障的有效特征。
5. 特征选择与工程应用
5.1 特征选择方法
面对众多特征参数，如何选择最有效的特征组合是关键问题。我常用的方法包括：
- 方差阈值法：去除方差接近0的特征
- 相关系数法：去除高度相关的特征
- 基于模型的方法：如随机森林的特征重要性排序
在实际项目中，我通常会先计算20-30个特征，然后通过上述方法筛选出5-8个最有效的特征用于后续建模。
5.2 实际应用案例
以电机轴承故障诊断为例，我构建的特征体系包括：
- 时域：RMS、峭度、峰值因子
- 频域：特征频率幅值、边带能量比
- 时频域：小波包节点能量
这套特征组合在多个工业现场应用中取得了90%以上的分类准确率。关键是要根据具体设备类型和故障模式调整特征权重。
经验分享：新接触一个设备时，我会先收集正常状态和几种典型故障状态的数据，通过对比分析找出敏感特征。这个过程通常需要反复试验和验证。
6. 特征计算的实现与优化
6.1 MATLAB实现示例
matlab复制% 时域特征计算示例
function features = timeDomainFeatures(signal)
features.peak = max(abs(signal));
features.rms = rms(signal);
features.kurtosis = kurtosis(signal);
features.skewness = skewness(signal);
end
% 频域特征计算示例
function features = freqDomainFeatures(signal, fs)
n = length(signal);
fft_vals = abs(fft(signal)/n);
fft_vals = fft_vals(1:n/2+1);
fft_vals(2:end-1) = 2*fft_vals(2:end-1);
f = fs*(0:(n/2))/n;
features.fc = sum(f.*fft_vals)/sum(fft_vals);
features.msf = sum(f.^2.*fft_vals)/sum(fft_vals);
end
6.2 Python实现优化
对于大规模数据分析，我推荐使用Python的numpy和scipy库，它们针对数值计算进行了优化：
python复制import numpy as np
from scipy import signal
from scipy.fft import fft
def compute_spectral_entropy(x, fs):
n = len(x)
fft_vals = np.abs(fft(x))[:n//2]
psd = fft_vals ** 2 / (n * fs)
psd_norm = psd / psd.sum()
se = -np.sum(psd_norm * np.log2(psd_norm))
return se
为了提高计算效率，特别是在实时监测系统中，我会预先分配数组内存，并尽可能使用向量化操作代替循环。
7. 常见问题与解决方案
7.1 特征参数不敏感
问题：某些故障状态下特征值变化不明显。
解决方案：
- 尝试不同特征组合
- 对信号进行预处理（如带通滤波）
- 考虑更高阶的特征（如双谱分析）
7.2 特征值波动大
问题：相同状态下特征值波动较大。
解决方案：
- 检查传感器安装是否牢固
- 增加数据分段数求平均
- 考虑工况参数（如转速、负载）的影响
7.3 计算效率低
问题：特征计算耗时影响实时性。
解决方案：
- 优化算法实现（如使用FFT计算自相关）
- 降低采样率或数据长度
- 采用增量计算方法
在一次风电齿轮箱监测项目中，原始特征计算需要2秒/次，通过算法优化和并行计算，最终将时间缩短到了0.3秒/次，满足了实时性要求。