1. 课程导论：风机故障诊断的挑战与特征工程的价值

1.1 为什么风机故障诊断这么难？

做风机故障诊断这些年，我踩过的坑真不少。说实话，风机这玩意儿跟普通的旋转机械不太一样。它工作环境恶劣，变速变载，信号里全是干扰。你想想看，一台海上风机，风速忽大忽小，齿轮箱和轴承的振动信号里，到底哪些是故障特征，哪些是环境噪声？

我个人习惯把风机故障诊断的挑战归纳为三点：

• 信号非平稳性——转速和负载一直在变，传统的频谱分析根本不好使
• 强噪声背景——风噪、电磁干扰、多源振动混在一起，信噪比经常低于-10dB
• 故障特征微弱——早期故障的能量往往被正常振动淹没，肉眼根本看不出来

我在项目中遇到过一台2MW风机，齿轮箱齿面磨损到了中期，振动总值才比正常高了3%。你想想看，这点变化在时域波形里根本看不出来。嗯，这里要注意，很多工程师只看振动总值，结果错过了最佳维修窗口。

1.2 特征工程——从噪声中挖出金子

说白了，特征工程就是想办法把原始信号里那些有用的信息提炼出来。你拿到的原始振动数据，就像一锅石头汤，里面什么都有。特征工程的任务，就是把里面的肉块捞出来，把石头扔掉。

我建议把特征工程分成三个层次：

举个例子。峭度这个指标，我特别喜欢用。正常轴承的振动信号接近高斯分布，峭度值在3左右。一旦出现早期故障，信号里会出现冲击成分，峭度值会飙升到5甚至10以上。我在现场诊断时，经常先用峭度做快速筛查，效率很高。

1.3 降噪技术——让信号说话

降噪不是把噪声全干掉，而是保留有用信号的同时压制干扰。我见过不少同行，降噪做得太狠，把故障特征也一起滤掉了。这就像给病人做手术，不能把好肉也切了。

常用的降噪技术包括：

1. 小波阈值降噪——适合处理非平稳信号中的冲击成分
2. 自适应滤波——需要参考信号，适合消除确定性干扰
3. 奇异值分解降噪——利用信号和噪声的奇异值分布差异
4. 经验模态分解——把信号分解成不同尺度的分量，再选择性重构

我个人习惯用小波阈值降噪做预处理。为什么？因为它参数少，计算快，而且对冲击型故障特征保留得比较好。我曾经对比过五种降噪方法对轴承故障诊断准确率的影响，小波阈值降噪在信噪比提升和特征保留之间取得了最好的平衡。

1.4 知识体系总览

这一章的内容比较多，我画了一张图帮你理清思路。这张图展示了风机故障诊断中特征工程与降噪技术的核心逻辑关系。

这张图的核心逻辑是从原始信号出发，经过降噪处理，提取多域特征，再进行融合降维，最终实现故障诊断。每一步都有多种方法可选，具体用哪种，取决于你的数据特点和应用场景。

1.5 课程学习建议

这门课一共30章，内容从基础到进阶，再到实战。我建议你按顺序学，别跳着看。为什么？因为后面的内容会用到前面的知识。比如讲深度学习诊断时，会用到前面讲的特征提取方法。

另外，我强烈建议你边学边动手。每章都有代码示例，你最好在电脑上跑一遍。我在项目中遇到过很多次，理论上看懂了，一上手就出问题。只有亲手调过参数、看过波形、对比过结果，才算真正掌握了。

公众号:蓝海资料掘金营，微信deep3321