4. 振动信号处理技术：傅里叶变换、包络分析、小波变换在齿轮箱故障特征提取中的应用
各位同行，咱们今天聊点硬核的。齿轮箱的振动信号，说白了就是设备的「心电图」。信号里藏着轴承磨损、齿轮断齿、轴弯曲这些毛病。但原始信号太乱，你得会「翻译」——这就是信号处理技术要干的事。
我个人习惯把信号处理分成三个层次：看全局、找细节、抓突变。正好对应傅里叶变换、包络分析和小波变换。下面我一个个讲，顺便说说我在现场踩过的坑。
4.1 傅里叶变换：从时域到频域的「翻译官」
傅里叶变换，说白了就是把一条乱糟糟的波形拆成一堆正弦波。你想想看，齿轮箱正常运转时，振动信号里主要是啮合频率及其谐波。一旦出现故障，频谱上就会多出一些「不速之客」——边频带。
核心公式（咱们不纠结推导，会用就行）：
X(f) = ∫ x(t) · e^(-j2πft) dt实际工程中我们用快速傅里叶变换（FFT）。我建议采样点数取2的整数次幂，比如1024、2048。为什么？FFT算法就是为2的幂优化的，取别的数计算慢，还容易出频谱泄露。
齿轮故障的频谱特征：
- 正常齿轮：啮合频率 f_m = Z × f_r（Z为齿数，f_r为转频），幅值稳定
- 均匀磨损：啮合频率幅值升高，谐波增多
- 断齿/裂纹：出现以啮合频率为中心、间隔为转频的边频带
- 轴弯曲：转频及其谐波幅值异常增大
我的经验： 看频谱别光盯着幅值最高的峰。有一次我排查一台增速箱，啮合频率幅值正常，但旁边多了几根小边频。拆开一看，一个齿的根部已经有裂纹了。边频带才是早期故障的「哨兵」。
4.2 包络分析：从调制信号里「揪出」冲击
傅里叶变换有个短板——它对周期性信号很敏感，但对瞬态冲击反应迟钝。你想想，轴承内圈出现一个剥落坑，滚珠每滚过那里就产生一次冲击。这个冲击信号很微弱，被淹没在齿轮啮合的大能量里。怎么办？
包络分析就是干这个的。它先把信号做希尔伯特变换，提取出信号的包络线，然后再对包络线做FFT。这样一来，冲击的周期性特征就暴露无遗了。
实现步骤：
- 对原始信号做带通滤波（选在共振频带附近）
- 计算希尔伯特变换，得到解析信号
- 取解析信号的模，得到包络
- 对包络做FFT，得到包络谱
# Python 示例：包络分析核心代码
import numpy as np
from scipy import signal
def envelope_analysis(x, fs, fc, bw):
# 带通滤波
b, a = signal.butter(4, [fc-bw/2, fc+bw/2], btype='band', fs=fs)
x_filtered = signal.filtfilt(b, a, x)
# 希尔伯特变换
analytic = signal.hilbert(x_filtered)
envelope = np.abs(analytic)
# 包络谱
f, env_spectrum = signal.periodogram(envelope, fs)
return f, env_spectrum⚠️ 避坑指南： 我曾经在海上风机上吃过亏。当时包络谱里出现了轴承故障频率，我判断是保持架断裂。结果拆下来一看，是润滑脂里有金属碎屑，虚惊一场。记住：包络分析对冲击敏感，但冲击不一定来自故障——也可能是异物、安装松动。一定要结合时域波形和温度数据综合判断。
4.3 小波变换：给信号做「CT扫描」
傅里叶变换和包络分析有个共同的局限——它们假设信号是平稳的。但齿轮箱的故障信号往往是非平稳的。比如齿轮点蚀早期，冲击只在负载变化的瞬间出现。这时候，你需要一种能同时看清「时间」和「频率」的工具。
小波变换就是这样的工具。它用一系列可伸缩、可平移的小波基函数去匹配信号。低频部分用宽窗口，看趋势；高频部分用窄窗口，抓细节。说白了，它像一台显微镜，能放大信号的局部特征。
连续小波变换（CWT）公式：
W(a,b) = ∫ x(t) · ψ*((t-b)/a) dt其中 a 是尺度（对应频率），b 是平移（对应时间）。
小波变换在齿轮箱中的应用场景：
| 故障类型 | 小波时频图特征 | 推荐小波基 |
|---|---|---|
| 齿轮断齿 | 在啮合频率附近出现垂直条带 | db4, sym5 |
| 轴承外圈故障 | 等间隔的冲击条纹 | morlet, cmor |
| 轴裂纹 | 转频谐波出现调制边带 | db8, bior3.5 |
| 早期点蚀 | 高频段出现微弱能量团 | db2, haar |
我的习惯： 做小波分析时，我一般先用 db4 小波做5层分解。为什么是5层？因为齿轮箱的故障特征频率通常分布在 0.5~10 kHz，5层分解刚好能把频带切得足够细。然后看细节系数的能量变化——哪个频带的能量突然增大，哪个频带就有问题。
4.4 三种方法的对比与选择
这三种方法不是互相替代的关系，而是互补的。我个人的选择逻辑是这样的：
- 先做FFT：快速扫一遍，看整体频谱结构。如果发现异常边频或谐波，再深入。
- 怀疑轴承故障：上包络分析。轴承故障的冲击特征在包络谱里非常清晰。
- 怀疑早期故障或非平稳信号：用小波变换。它能告诉你故障发生在哪个时刻、哪个频段。
举个例子。有一次我处理一台偏航齿轮箱的振动数据。FFT显示啮合频率正常，但有个小边频。包络分析没发现明显冲击。我不死心，做了小波时频图——好家伙，在某个时间点，高频段突然出现了一团能量。拆开一看，一个齿的齿面有指甲盖大小的剥落。这就是早期故障，FFT和包络都漏了，只有小波抓住了。
⚠️ 注意： 小波变换计算量大，不适合在线实时监测。我一般用FFT做在线预警，用小波做离线诊断。另外，小波基的选择很关键——选错了，故障特征可能被「滤掉」。建议多试几种小波基，对比结果。
4.5 实战建议：搭建你的信号处理流程
说了这么多，最后给一套我常用的处理流程，供你参考：
- 数据预处理：去直流分量、去趋势项、加窗（汉宁窗或海明窗）
- FFT粗筛：计算频谱，标记啮合频率及其谐波、边频带
- 包络分析：对可疑频带做带通滤波+包络解调，提取故障特征频率
- 小波验证：对异常时段做小波时频分析，确认故障类型和严重程度
- 趋势跟踪：提取特征值（如边频带幅值、包络谱峰值），建立趋势曲线
嗯，这套流程我用了七八年，帮我在好几个风场提前发现了齿轮箱问题。当然，每个风场的工况不一样，你得多试多调。记住：工具是死的，经验是活的。
公众号:蓝海资料掘金营，微信deep3321