第3章：数据采集与理解——传感器类型与安装位置、数据采集频率与时长、数据文件格式解析
各位同学，欢迎来到实战项目的第三站。
前面我们聊了故障机理和诊断逻辑，但说实话，那些都是纸上谈兵。真正要动手，第一步就是搞定数据。没有数据，你分析个啥？
这一章，我们就来聊聊数据采集那些事儿。我做了十几年设备诊断，见过太多因为数据没采好，后面分析全白干的案例。所以这一章，咱们得把基础打扎实。
3.1 传感器类型与安装位置：选对工具，放对地方
传感器，就是设备的听诊器。但听诊器也有好多种，你得选对。
3.1.1 常用的传感器类型
在风机故障诊断中，我们最常用的是这几类：
- 加速度传感器（ICP型）：这是主力。用来测振动，频率范围宽，从几Hz到十几kHz都能覆盖。我个人习惯用PCB或B&K的，稳定性好。
- 速度传感器：其实很多是加速度信号积分来的。但在低频段（比如<10Hz），直接用速度传感器更准。
- 位移传感器（电涡流式）：主要测轴位移。在滑动轴承的大型风机上，这个是标配。我遇到过一台风机，振动不大但轴位移超限，差点烧瓦，就是靠它发现的。
- 温度传感器（PT100/热电偶）：测轴承温度、电机绕组温度。虽然反应慢，但趋势分析很有用。
- 电流/电压传感器：测电机电流。电流信号能反映负载变化和电气故障。
核心原则：振动传感器测高频故障（轴承、齿轮），温度传感器测缓慢变化（润滑、过载），电流传感器测电气问题。别指望一个传感器包打天下。
3.1.2 安装位置：差之毫厘，谬以千里
传感器装在哪，比用什么传感器还重要。
我给大家画个图，看看风机上典型的测点布局：
你看，振动测点我标了V1、V2、V3。V1在电机前轴承，V2在风机驱动端轴承座，V3在风机非驱动端。为什么这么放？
- V1：监测电机轴承故障和电磁振动
- V2：离叶轮最近，能最早捕捉到叶轮不平衡、不对中
- V3：监测轴承座松动、基础松动
我的经验：每个测点最好测三个方向——水平（H）、垂直（V）、轴向（A）。水平方向对不平衡最敏感，垂直方向反映基础刚度，轴向反映不对中。别偷懒只测一个方向，我曾经就因为这个漏掉过不对中故障。
3.2 数据采集频率与时长：采多少？采多久？
这个问题，说白了就是：你要看清多快的振动，要看多久的数据。
3.2.1 采样频率：奈奎斯特定理说了算
采样频率必须大于信号最高频率的2倍。这是铁律。
但实际中，我一般取2.56倍或更高。为什么？因为抗混叠滤波器不是理想滤波器，留点余量保险。
对于风机，常见的故障频率范围：
| 故障类型 | 特征频率范围 | 建议采样频率 |
|---|---|---|
| 不平衡/不对中 | 1× 转频（通常<100Hz） | ≥500 Hz |
| 滚动轴承故障 | 几百Hz ~ 几kHz | ≥5 kHz |
| 齿轮啮合故障 | 啮合频率（通常1~5kHz） | ≥12.8 kHz |
| 高速轴/叶片通过频率 | 可能到10kHz以上 | ≥25.6 kHz |
注意：采样频率不是越高越好。频率越高，数据量越大，存储和传输都是负担。够用就行。我见过有人用100kHz采风机振动，结果99%的数据都是噪声，纯属浪费。
3.2.2 采样时长：要多少个周期？
采样时长决定了频率分辨率。公式很简单：
频率分辨率 Δf = 1 / 采样时长
比如你想分辨0.5Hz的边频，那至少采2秒的数据。想分辨0.1Hz，就得采10秒。
我个人习惯：
- 常规监测：每次采1~3秒，频率分辨率0.3~1Hz，够用
- 故障诊断：采5~10秒，分辨率0.1~0.2Hz，方便看边频
- 启停机分析：全程连续采集，从停机到满速，或者反过来
一个实用建议：对于变转速风机，采样时长要包含至少10个转频周期。比如转速600rpm（10Hz），那至少采1秒。转速越低，采样时间越长。
3.3 数据文件格式解析：CSV与Excel，你该用哪个？
数据采回来了，总得存下来。工业现场最常见的就是CSV和Excel。我来说说它们的门道。
3.3.1 CSV格式：简单、通用、高效
CSV，逗号分隔值。说白了就是个纯文本表格。
一个典型的振动数据CSV文件长这样：
Timestamp, V1_H, V1_V, V1_A, V2_H, V2_V, V2_A, Temp1, Temp2
2024-01-15 08:00:00, 0.12, 0.08, 0.05, 0.15, 0.10, 0.06, 45.2, 52.1
2024-01-15 08:01:00, 0.13, 0.09, 0.05, 0.16, 0.11, 0.07, 45.3, 52.3
2024-01-15 08:02:00, 0.11, 0.07, 0.04, 0.14, 0.09, 0.06, 45.1, 52.0
...用Python读取CSV，几行代码搞定：
import pandas as pd
# 读取CSV文件
df = pd.read_csv('fan_vibration_data.csv')
# 查看前5行
print(df.head())
# 查看数据基本信息
print(df.info())我的习惯：所有原始数据都存CSV。为什么？因为它是纯文本，任何软件都能打开，不会因为版本问题打不开。Excel文件换个版本可能格式就乱了，CSV永远不会。
3.3.2 Excel格式：好看，但要注意坑
Excel适合做报表、做可视化。但作为数据交换格式，它有几个问题：
- 行数限制：老版本Excel最多1048576行。高频数据采几分钟就超了。
- 数据类型自动转换：比如"1-2"会被当成日期，气死人。
- 浮点精度：Excel只保留15位有效数字，对高精度分析不够用。
用Python读写Excel也很简单：
import pandas as pd
# 读取Excel文件
df = pd.read_excel('fan_data.xlsx', sheet_name='Sheet1')
# 写入Excel（多个sheet）
with pd.ExcelWriter('report.xlsx') as writer:
df.to_excel(writer, sheet_name='原始数据', index=False)
stats_df.to_excel(writer, sheet_name='统计结果', index=False)避坑指南：我曾经接手过一个项目，现场工程师把振动数据存在Excel里，还用了合并单元格、彩色标注。我读数据时差点崩溃。记住：Excel只做展示，不做存储。原始数据永远用CSV。
3.3.3 数据文件命名规范
最后，我给大家一个文件命名的建议。好的命名，能让你一年后还能找到想要的数据。
我常用的格式：
设备编号_测点位置_日期_时间_工况.csv
示例：
FAN-001_V2-H_20240115_080000_正常.csv
FAN-001_V2-H_20240115_083000_异常.csv这样命名，一看就知道是什么设备、什么测点、什么时间、什么工况。别用"data1.csv"、"最终版.csv"这种名字，相信我，三个月后你自己都分不清。
总结一下本章核心：
- 传感器选型：振动用加速度计，温度用PT100，电流用互感器
- 安装位置：轴承座三个方向，别漏了轴向
- 采样频率：至少2.56倍最高频率，够用就好
- 采样时长：常规1~3秒，诊断5~10秒
- 文件格式：原始数据用CSV，报表用Excel
- 文件命名：设备_测点_日期_时间_工况，清晰明了
好了，数据采回来了，也存好了。下一章，我们就开始真正动手分析这些数据。到时候你会发现，前面这些准备工作做得越扎实，后面分析就越顺手。
公众号:蓝海资料掘金营，微信deep3321