4. 振动监测与故障预判：低成本振动传感器选型与部署，振动信号特征提取方法，基于阈值的故障预警模型搭建
各位同行，大家好。我是老张，干风电运维这行有十几年了。今天咱们聊聊振动监测。说实话，以前我们搞运维，基本靠“听诊”——拿个螺丝刀顶着耳朵听轴承响不响。现在不一样了，传感器便宜了，咱们也能搞点“高科技”。但我要强调一点：别迷信昂贵的进口设备，咱们平原风电，讲究的是低成本、高回报。
4.1 低成本振动传感器选型与部署
传感器怎么选？我个人的习惯是：够用就行，别盲目追求高精度。咱们平原风场，风速相对稳定，振动频率范围没那么宽。
4.1.1 传感器类型选择
我推荐用 MEMS加速度计。为什么？便宜啊！一个压电式传感器要上千，MEMS几十块钱搞定。而且现在MEMS的精度，对于做趋势预警完全够用。
| 传感器类型 | 成本（元/个） | 适用场景 | 我的评价 |
|---|---|---|---|
| 压电式（ICP） | 800-2000 | 精密诊断、科研 | 太贵，平原风场没必要 |
| MEMS电容式 | 30-150 | 趋势监测、预警 | 性价比之王，我常用 |
| 速度传感器 | 500-1500 | 低频振动测量 | 塔筒晃动监测可用 |
4.1.2 部署位置与安装方法
传感器装在哪？说白了，就三个关键点：主轴轴承、齿轮箱高速轴、发电机驱动端。这三个位置，覆盖了80%的机械故障。
安装时要注意：
- 磁吸安装：最方便，但高频响应差。适合测低频（<1kHz）。
- 胶粘安装：用氰基丙烯酸酯胶水，频响能到5kHz。我建议用这个。
- 螺栓安装：效果最好，但要在设备上打孔。嗯，这个得停机干，不太推荐。
4.2 振动信号特征提取方法
传感器装好了，数据也采回来了。然后呢？一堆乱码，怎么看？这就涉及到特征提取了。说白了，就是把原始振动信号，变成几个能看懂的数字。
4.2.1 时域特征
时域特征，就是直接看波形。我最常用的几个：
- 峰值（Peak）：看有没有瞬间冲击。比如齿轮断齿，峰值会突然变大。
- 均方根值（RMS）：反映整体振动能量。轴承磨损，RMS会缓慢上升。
- 峭度（Kurtosis）：这个指标很敏感。正常信号峭度≈3，有故障时会大于3。
举个例子，我去年处理的一个案例：
# 计算峭度的简单代码
import numpy as np
def calculate_kurtosis(signal):
n = len(signal)
mean = np.mean(signal)
std = np.std(signal)
kurt = np.sum((signal - mean)**4) / (n * std**4)
return kurt
# 正常轴承信号，峭度≈3.1
# 故障轴承信号，峭度≈8.5
4.2.2 频域特征
时域看不出来的问题，频域一看就明白。我习惯用FFT（快速傅里叶变换）把时域信号转成频谱。
重点关注：
- 转频及其谐波：比如主轴转频0.2Hz，如果出现0.4Hz、0.6Hz，说明有松动。
- 边频带：齿轮啮合频率旁边出现小峰，说明齿轮有磨损。
- 高频段能量：轴承早期故障，会在高频段激起共振。
4.3 基于阈值的故障预警模型搭建
特征提取完了，怎么判断有没有故障？最简单、最实用的方法就是——设阈值。别觉得这方法土，我告诉你，很多大厂的核心预警逻辑，本质上就是阈值判断。
4.3.1 阈值设定方法
阈值怎么设？我推荐用统计阈值法。具体步骤：
- 收集机组正常运行1个月的数据（至少100组）。
- 计算每个特征参数的均值和标准差。
- 设定阈值 = 均值 + 3倍标准差（3σ原则）。
你想想看，为什么是3σ？因为正态分布下，99.7%的正常数据都在3σ以内。超过这个范围，大概率是异常。
4.3.2 预警模型实现
下面是我在一个风场实际用的预警模型代码，很简单，但很管用：
class VibrationWarningModel:
def __init__(self, threshold_config):
self.thresholds = threshold_config # 阈值配置
self.warning_count = {} # 连续超限计数
def check(self, features):
"""
features: {'rms': 0.5, 'kurtosis': 3.2, 'peak': 2.1}
return: {'level': 'normal'/'warning'/'alarm', 'message': ''}
"""
alerts = []
for param, value in features.items():
threshold = self.thresholds.get(param)
if threshold and value > threshold['alarm']:
alerts.append(f"{param} 超报警值: {value:.2f} > {threshold['alarm']:.2f}")
elif threshold and value > threshold['warning']:
alerts.append(f"{param} 超预警值: {value:.2f} > {threshold['warning']:.2f}")
if len(alerts) >= 2:
return {'level': 'alarm', 'message': '; '.join(alerts)}
elif len(alerts) == 1:
return {'level': 'warning', 'message': alerts[0]}
else:
return {'level': 'normal', 'message': ''}
4.3.3 知识体系结构图
下面这张图，是我自己总结的振动监测知识体系。你看一遍，基本就明白整个流程了。
你看，整个流程就是：选传感器 → 装上去 → 提取特征 → 设阈值预警。环环相扣，缺一不可。
4.3.4 模型验证与优化
模型搭好了，怎么知道它准不准？我一般用回测法：拿过去3个月的历史数据跑一遍，看预警准确率。
评估指标：
- 准确率（Accuracy）：所有判断中，正确的比例。目标>90%。
- 召回率（Recall）：实际故障中，被预警出来的比例。目标>95%。
- 误报率（False Alarm Rate）：正常情况被误报的比例。目标<5%。
好了，关于振动监测和故障预判，我就讲这么多。记住：低成本不代表低质量，关键是方法要对。你回去试试我说的MEMS传感器加统计阈值法，成本控制在500元以内，就能覆盖一台机组的核心监测需求。