第三章：故障诊断基础理论
信号处理基础——FFT与小波变换
做风电故障诊断，说白了就是跟信号打交道。我刚开始接触这个领域时，总觉得传感器数据就是一堆数字，没什么好看的。直到有一次，一台2MW机组的主轴承温度异常，我盯着时域波形看了半天，啥也没看出来。后来用FFT一分析，高频成分明显增多——嗯，轴承早期磨损的典型特征。
信号处理是故障诊断的"耳朵"。你听不到设备内部的声音，但信号能告诉你一切。
快速傅里叶变换（FFT）
FFT是啥？就是把时域信号变成频域信号。时域里你看不出规律，频域里一目了然。
举个例子：一个正常的齿轮箱，振动信号里主要是啮合频率及其倍频。如果出现了边频带，那多半是齿轮有裂纹或者磨损了。
核心公式（理解即可）：
X(k) = Σ x(n) · e^(-j2πkn/N) (n=0,1,...,N-1)实际应用中，我们直接用现成的库函数。比如Python里的numpy.fft.fft()。
我个人习惯，采样频率至少设成故障特征频率的10倍以上。太低的话，高频成分会被混叠，诊断结果就不可靠了。
避坑指南：我曾经遇到过一台机组，FFT分析显示有异常频率，但怎么都找不到故障点。后来发现是传感器安装松动，产生了虚假信号。记住：信号质量比算法更重要。
小波变换
FFT有个硬伤——它只能告诉你信号里有哪些频率，但说不清这些频率出现在什么时间。你想想看，风电设备的故障往往是瞬态的，比如叶片裂纹扩展时的冲击信号。这时候，小波变换就派上用场了。
小波变换的核心思想：用一组可伸缩、可平移的基函数去匹配信号。低频部分用宽窗口，高频部分用窄窗口。说白了，就是"既看森林，又看树木"。
常用小波基函数：
- db系列（Daubechies）：适合处理突变信号，比如齿轮断齿
- sym系列（Symlet）：对称性好，适合分析平稳信号
- morl（Morlet）：常用于振动信号分析
我建议初学者先从db4或db6开始试。为什么？因为db系列小波在工程中应用最广，资料也多，遇到问题好查。
注意：小波变换的分解层数不是越多越好。层数太多，低频分量会被过度分解，反而丢失有用信息。我一般设3-5层，具体看信号长度和采样频率。
特征提取方法
信号处理完了，接下来就是特征提取。这一步很关键——你从信号里提取什么特征，直接决定了后续诊断的准确性。
我把常用特征分成三类：
| 类别 | 特征名称 | 物理意义 | 适用场景 |
|---|---|---|---|
| 时域特征 | 均方根值、峰值、峭度 | 反映信号能量和冲击程度 | 轴承磨损、不平衡 |
| 频域特征 | 频谱峰值、边频带间隔 | 反映旋转部件的状态 | 齿轮故障、轴弯曲 |
| 时频域特征 | 小波能量谱、瞬时频率 | 反映非平稳信号的局部特性 | 叶片裂纹、变桨故障 |
举个例子：峭度这个特征，正常轴承的峭度值接近3。如果峭度突然飙升到10以上，那基本可以断定轴承有严重损伤了。我在现场遇到过一台机组，峭度值从3.2跳到了15.8，拆开一看，保持架已经碎了。
经验之谈：不要只依赖单一特征。我习惯把时域、频域、时频域特征组合成一个特征向量，这样诊断的鲁棒性会好很多。比如：[RMS, 峭度, 频谱峰值, 小波能量比]。
故障模式识别
特征提取完了，最后一步就是模式识别。说白了，就是让机器学会"看"出故障。
常用的方法有：
- 阈值法：简单粗暴，设定一个阈值，超过就报警。适合单一故障场景。
- 支持向量机（SVM）：小样本下表现不错。我早期做项目时常用，准确率能到90%以上。
- 神经网络（CNN/RNN）：数据量大时效果好，但需要调参。现在深度学习很火，但别盲目上——数据不够，再好的模型也是白搭。
一个简单的SVM分类示例（Python）：
from sklearn import svm
import numpy as np
# 假设特征矩阵X，标签y
X = np.array([[0.5, 0.2], [0.8, 0.3], [0.1, 0.9], [0.2, 0.8]])
y = np.array([0, 0, 1, 1]) # 0:正常, 1:故障
clf = svm.SVC(kernel='rbf')
clf.fit(X, y)
# 新样本预测
new_sample = np.array([[0.6, 0.25]])
prediction = clf.predict(new_sample)
print(prediction) # 输出0或1为什么会这样？因为SVM的核心是找到一个超平面，把不同类别的样本分开。核函数的选择很关键——我一般先用RBF核，效果不好再换线性核或多项式核。
重要提醒：模式识别模型需要大量标注数据。我曾经吃过亏——用50组数据训练了一个模型，现场一跑，准确率不到60%。后来收集了500组数据重新训练，准确率才提到95%。数据量，永远是第一位的。
知识体系总览
下面这张图，是我自己总结的故障诊断知识体系。你把它记在心里，做项目时就不会乱。
这张图我用了很多年。每次做新项目，我都会先对照这张图，看看哪个环节薄弱。信号采集不好？先换传感器。特征提取不准？试试小波包分解。模式识别效果差？增加训练数据。
好了，这一章的内容就到这里。记住：信号处理是基础，特征提取是关键，模式识别是手段。三者缺一不可。