4. 信号处理基础：时域分析、频域分析与时频分析

各位工程师朋友，大家好。这一章我们聊聊信号处理。说实话，干我们风电振动分析这行，信号处理就是吃饭的家伙。你拿到的原始数据，说白了就是一堆电压值或者加速度值，乱七八糟的。怎么从这里面看出门道？就得靠时域、频域和时频分析这三板斧。

我个人习惯，拿到数据先做时域分析，心里有个大概。然后再做频域，找具体频率。最后，如果遇到非平稳信号，就得请出时频分析这个杀手锏。咱们一个一个来。

4.1 时域分析：最直观的第一印象

时域分析，说白了就是看波形。横轴是时间，纵轴是幅值。你想想看，一个正常的风机，振动波形应该是平稳的、随机的。如果突然出现一个很大的尖峰，或者波形变得有规律了，那肯定有问题。

常用的时域指标，我归纳为三个：峰值、均方根值和峭度。

4.1.1 峰值

峰值就是信号的最大绝对值。这个指标很简单，但很实用。我在项目中遇到过，有一次塔筒振动报警，一看峰值，比平时大了三倍。上去一查，原来是螺栓松了。峰值对瞬时冲击特别敏感，但缺点也很明显——它容易受噪声干扰。一个偶然的毛刺，就能让峰值变得很大。

4.1.2 均方根值

均方根值，英文叫RMS，是反映信号能量的指标。它比峰值稳定得多，是振动分析中最常用的量。说白了，RMS值越大，振动能量越大，对设备的破坏力也越大。

举个例子，一个轴承正常磨损时，RMS值会缓慢上升。如果RMS值突然跳变，那可能是出现了严重故障。我一般用RMS值做长期趋势监测，每天记录一次，画成曲线，一目了然。

4.1.3 峭度

峭度这个指标，很多人容易忽略。它反映的是信号分布的"尖锐程度"。正常振动信号，峭度值接近3。如果峭度远大于3，说明信号中有很多冲击成分。

我记得有一次，一个齿轮箱的振动RMS值变化不大，但峭度从3.2飙到了8.5。我当时就觉得不对劲，拆开一看，齿轮上已经有了裂纹。峭度对早期故障特别敏感，尤其是轴承和齿轮的局部损伤。

4.2 频域分析：找到故障的"身份证"

时域分析能告诉你"有没有问题"，但频域分析能告诉你"问题出在哪"。每个旋转部件都有自己特定的频率，比如转频、齿轮啮合频率、轴承故障频率。通过频域分析，我们可以把这些频率找出来。

4.2.1 FFT（快速傅里叶变换）

FFT是频域分析的核心工具。它把时域信号变换到频域，让我们看到信号由哪些频率成分组成。说白了，就是把一堆乱糟糟的波形，拆解成一个个正弦波。

做FFT时，有几个参数要特别注意：采样频率和采样点数。采样频率至少是最高分析频率的两倍，这是奈奎斯特定理说的。采样点数决定了频率分辨率，点数越多，分辨率越高。

# Python示例：简单的FFT分析
import numpy as np
import matplotlib.pyplot as plt

# 生成模拟信号：50Hz + 120Hz + 噪声
fs = 1000  # 采样频率 1000Hz
t = np.arange(0, 1, 1/fs)
x = 0.7*np.sin(2*np.pi*50*t) + 1.2*np.sin(2*np.pi*120*t) + 0.5*np.random.randn(len(t))

# 做FFT
X = np.fft.fft(x)
freq = np.fft.fftfreq(len(x), 1/fs)

# 只取正频率部分
X_mag = np.abs(X[:len(X)//2])
freq_pos = freq[:len(freq)//2]

# 绘制频谱
plt.plot(freq_pos, X_mag)
plt.xlabel('频率 (Hz)')
plt.ylabel('幅值')
plt.title('FFT频谱分析')
plt.grid(True)
plt.show()

4.2.2 功率谱密度

功率谱密度，简称PSD，是FFT的升级版。它描述的是信号功率在频率上的分布。对于随机振动，PSD比FFT更稳定，更物理。说白了，FFT看的是幅值，PSD看的是能量。

在风电行业，PSD常用于分析风载荷引起的振动。风是随机的，它的能量分布在很宽的频率范围内。通过PSD，我们可以知道哪个频段的能量最大，从而优化控制策略。

指标	FFT	PSD
物理意义	幅值	功率/能量
适用信号	周期信号、确定性信号	随机信号、平稳信号
单位	g 或 m/s²	g²/Hz 或 (m/s²)²/Hz
稳定性	受噪声影响大	平均后更稳定

4.3 时频分析：对付"变脸"信号的绝招

前面说的时域和频域分析，都假设信号是平稳的。但风机的振动信号，很多是非平稳的。比如变桨过程中，转速在变，频率也在变。这时候，时频分析就派上用场了。

4.3.1 短时傅里叶变换

短时傅里叶变换，简称STFT。它的思路很简单：把信号切成一段一段，对每一段做FFT。这样，我们就能看到频率随时间的变化。

STFT有个关键参数：窗函数和窗长。窗长决定了时间分辨率和频率分辨率的平衡。窗越长，频率分辨率越高，但时间分辨率越低。反之亦然。这是个trade-off，没有完美的选择。

4.3.2 小波变换

小波变换是STFT的升级版。它用可伸缩的小波基函数代替了固定长度的窗函数。低频时用长窗，高频时用短窗，自动适应信号特点。说白了，小波变换能同时兼顾时间和频率的分辨率。

小波变换在风电中应用很广。比如，检测叶片裂纹、齿轮箱早期故障，小波变换比STFT更灵敏。我记得有一次，一个轴承的微弱冲击信号，在STFT上几乎看不到，但在小波时频谱上清晰可见。

# Python示例：小波变换（使用PyWavelets库）
import pywt
import numpy as np
import matplotlib.pyplot as plt

# 生成模拟信号：频率随时间变化
fs = 1000
t = np.linspace(0, 1, fs)
x = np.sin(2*np.pi*50*t**2)  # 频率从0线性增加到100Hz

# 做连续小波变换
scales = np.arange(1, 128)
coef, freqs = pywt.cwt(x, scales, 'morl', sampling_period=1/fs)

# 绘制时频谱
plt.imshow(np.abs(coef), extent=[0, 1, freqs[-1], freqs[0]], 
           aspect='auto', cmap='jet')
plt.xlabel('时间 (s)')
plt.ylabel('频率 (Hz)')
plt.title('小波时频谱')
plt.colorbar(label='幅值')
plt.show()

4.4 三种方法的对比与选择

说了这么多，到底什么时候用哪种方法？我总结了一个简单的选择逻辑：

• 先做时域分析：看峰值、RMS、峭度，判断有没有异常。这是第一步，快速筛查。
• 再做频域分析：如果时域有异常，用FFT或PSD找具体频率，定位故障源。这是第二步，精确定位。
• 最后用时频分析：如果信号是非平稳的，或者故障特征在时域和频域都不明显，用小波或STFT。这是第三步，深度挖掘。

嗯，这套流程我用了十几年，基本没出过大的偏差。当然，具体问题还得具体分析。比如，对于轴承故障，我习惯先看峭度，再看包络谱。对于齿轮故障，我更喜欢用倒频谱。这些后面章节会详细讲。

---

公众号:蓝海资料掘金营，微信deep3321