第4章 信号处理基础：时域与频域分析在故障诊断中的应用
各位工程师朋友，大家好。这一章我们聊聊信号处理。说实话，很多搞设备维护的兄弟一听到“信号处理”就头大，觉得那是搞算法的人的事。但我在现场摸爬滚打这么多年，越来越觉得——不懂信号处理，你连设备在“喊救命”都听不懂。
信号处理说白了就两件事：时域分析和频域分析。一个看波形长什么样，一个看波形里藏着什么频率成分。两者结合，故障诊断的准确率能提升一大截。
核心观点：时域告诉你“设备出问题了”，频域告诉你“问题出在哪”。
4.1 时域分析——看波形，抓异常
时域分析，就是直接看信号随时间变化的波形。你想想看，一个正常运转的轴承，它的振动波形应该是平稳的、有规律的。一旦出现故障，波形就会“变脸”。
均值（Mean）——反映信号的直流分量或趋势。我习惯用均值来判断传感器有没有偏置漂移。有一次在现场，一个加速度传感器测出来的均值从0.02g慢慢飘到了0.15g，我就知道传感器该换了。
实战技巧：均值对早期故障不敏感，但用来做传感器自检非常靠谱。我建议每次采集数据前先算一下均值，超出±0.1g范围就要警惕。
峰值（Peak）——信号的最大绝对值。这个指标对冲击类故障特别敏感。比如齿轮断齿，正常时峰值在5g左右，断齿瞬间能冲到20g以上。但要注意，峰值容易受噪声干扰，单次峰值高不一定是故障。
峭度（Kurtosis）——这个指标有意思。它衡量信号分布的“尖锐程度”。正常设备的振动信号接近正态分布，峭度值在3左右。一旦出现冲击故障，峭度值会飙升到5、6甚至更高。
注意：峭度对早期故障非常敏感，但也是个“双刃剑”。我曾经遇到过一台设备，峭度值从3.2跳到了8.5，我以为是轴承坏了，结果拆开一看——是传感器没拧紧。所以峭度要结合其他指标一起看，别被它骗了。
4.2 频域分析——把信号“拆开”看
时域分析能告诉你“出事了”，但很难告诉你“哪里出事了”。频域分析就是干这个的——把复杂的波形拆解成不同频率的成分。
FFT（快速傅里叶变换）——这是频域分析的核心工具。说白了，就是把时域信号转换到频域，让你看到信号里包含哪些频率成分，每个成分的能量有多大。
# Python示例：对振动信号做FFT分析
import numpy as np
import matplotlib.pyplot as plt
# 假设采集了1秒的振动数据，采样率1024Hz
fs = 1024 # 采样率
t = np.arange(0, 1, 1/fs)
# 模拟一个正常轴承信号（50Hz转频 + 噪声）
signal_normal = 0.5 * np.sin(2 * np.pi * 50 * t) + 0.1 * np.random.randn(len(t))
# 模拟一个故障轴承信号（出现120Hz的故障频率）
signal_fault = 0.5 * np.sin(2 * np.pi * 50 * t) + \
0.3 * np.sin(2 * np.pi * 120 * t) + \
0.1 * np.random.randn(len(t))
# FFT计算
fft_normal = np.fft.fft(signal_normal)
fft_fault = np.fft.fft(signal_fault)
freqs = np.fft.fftfreq(len(t), 1/fs)
# 取正频率部分
half = len(freqs) // 2
freqs = freqs[:half]
amp_normal = np.abs(fft_normal[:half]) * 2 / len(t)
amp_fault = np.abs(fft_fault[:half]) * 2 / len(t)
print("正常信号主要频率成分：", freqs[np.argsort(amp_normal)[-3:]])
print("故障信号主要频率成分：", freqs[np.argsort(amp_fault)[-3:]])
频谱图（Spectrum）——把FFT结果画出来，横轴是频率，纵轴是幅值。我每次做故障诊断，第一件事就是看频谱图。为什么？因为每个机械部件都有自己独特的“频率指纹”。
| 故障类型 | 时域特征 | 频域特征 |
|---|---|---|
| 轴承外圈故障 | 周期性冲击，峭度升高 | 出现BPFO频率及其谐波 |
| 齿轮断齿 | 大幅值冲击，峰值飙升 | 啮合频率两侧出现边频带 |
| 转子不平衡 | 正弦波形态，均值稳定 | 1倍转频幅值异常增大 |
| 松动故障 | 波形杂乱，无规律 | 出现大量高次谐波 |
我的经验：频谱分析最怕“假峰”。有一次我在一个化工厂做诊断，频谱上出现了明显的100Hz峰值，我以为是轴承故障。后来发现是旁边的电机变频器干扰。所以做频谱分析前，一定要先确认哪些频率是“背景噪声”。
4.3 时域+频域：双剑合璧
单独使用时域或频域，就像只用一只眼睛看世界。两者结合，才能看到完整的设备健康画像。
我的诊断流程：
- 先看时域——算均值、峰值、峭度。如果三个指标都在正常范围，大概率设备没问题。
- 再看频谱——如果时域指标异常，立刻做FFT，找异常频率成分。
- 对照故障频率表——把频谱上的峰值频率和轴承、齿轮的故障频率对照，定位具体故障位置。
- 趋势跟踪——把每天的时域指标和频谱峰值画成趋势图，看变化速率。
避坑指南：我曾经只靠峭度值做决策，结果误判了三次。后来我给自己定了个规矩——“三指标确认法”：时域至少两个指标异常 + 频域有对应频率成分，才下诊断结论。准确率从70%提到了95%以上。
4.4 实战案例：离心泵轴承故障诊断
说个我亲身经历的例子。某化工厂一台离心泵，操作工反映声音有点“闷”。我过去测了振动数据：
- 时域：均值0.08g（正常），峰值3.2g（偏高），峭度4.8（明显偏高）
- 频域：在236Hz处出现明显峰值，旁边还有边频带
我查了轴承型号的故障频率表，236Hz正好是外圈故障频率（BPFO）的3倍频。再结合峭度偏高，基本可以断定——轴承外圈已经出现疲劳剥落。
建议立即停机更换。拆开一看，外圈滚道已经有一条2mm宽的剥落带。再晚一周，可能就要烧轴了。
关键点：时域指标（峭度）给了预警信号，频域分析（236Hz峰值）锁定了故障位置。两者缺一不可。
好了，这一章的内容就到这里。信号处理是故障诊断的“眼睛”，把时域和频域用好了，设备在你面前就是“透明”的。下一章我们聊聊更高级的特征提取方法——包络分析和小波变换，到时候见。