4、振动信号分析与特征提取：时域特征、频域特征、时频域特征

各位同行，大家好。今天我们来聊聊振动信号分析。这是风电故障预测里最核心的一环。说白了，就是把传感器采集到的原始振动数据，变成能反映设备健康状态的特征值。

我刚开始做风电运维那会儿，面对一堆波形图，说实话有点懵。后来慢慢摸索，发现其实就三个维度：时域、频域、时频域。今天我把这些年积累的经验，掰开揉碎了讲给你听。

4.1 时域特征：最直观的"体检报告"

时域特征，就是直接看振动波形本身。你想想看，一个正常运转的齿轮箱，它的振动波形应该是平稳的、有规律的。一旦出现故障，波形就会"发疯"。

均值（Mean）：反映信号的直流分量。正常轴承的均值基本稳定在0附近。我记得有一次，某台机组的主轴承均值突然从0.02跳到了0.15，我当时就觉得不对劲。后来停机检查，发现保持架已经裂了。

方差（Variance）：衡量信号的波动程度。方差越大，说明振动越剧烈。嗯，这里要注意，方差对早期故障特别敏感。我习惯用方差作为第一道预警阈值。

峰值（Peak）：信号的最大瞬时值。这个参数对冲击性故障很敏感。比如齿轮断齿，峰值会瞬间飙升。

# Python 时域特征计算示例
import numpy as np

def time_domain_features(signal):
    mean_val = np.mean(signal)          # 均值
    var_val = np.var(signal)            # 方差
    peak_val = np.max(np.abs(signal))   # 峰值
    rms_val = np.sqrt(np.mean(signal**2))  # 有效值
    
    return {
        'mean': mean_val,
        'variance': var_val,
        'peak': peak_val,
        'rms': rms_val
    }

4.2 频域特征：用FFT"听"出故障频率

频域分析，说白了就是把时域信号转换到频率域。为什么要这么做？因为每种故障都有它特定的"频率指纹"。

FFT（快速傅里叶变换）是频域分析的核心工具。我刚开始做FFT时，总纠结于频谱图的每个细节。后来发现，其实抓住几个关键频率就够了：

• 转频：主轴旋转频率，比如15rpm的风机，转频就是0.25Hz
• 啮合频率：齿轮箱的齿轮啮合频率，GMF = 齿数 × 转频
• 轴承故障频率：外圈、内圈、滚动体、保持架各有特征频率

我曾经处理过一台齿轮箱，FFT频谱在啮合频率附近出现了明显的边频带。当时我就判断是齿轮出现了局部损伤。拆开一看，果然有一个齿面剥落了。

# FFT频谱计算
def fft_spectrum(signal, fs):
    n = len(signal)
    fft_vals = np.fft.fft(signal)
    fft_freq = np.fft.fftfreq(n, 1/fs)
    
    # 只取正频率部分
    positive_idx = np.where(fft_freq >= 0)
    magnitude = np.abs(fft_vals[positive_idx]) / n
    
    return fft_freq[positive_idx], magnitude

4.3 时频域特征：小波包分解的"显微镜"

时域和频域都有局限。时域看不到频率，频域看不到时间变化。对于非平稳信号（比如变转速工况），我们需要时频域分析。

小波包分解（WPD）是我个人最常用的时频域工具。它比传统小波变换更精细——不仅分解低频，还分解高频部分。

为什么需要小波包？你想想看，风电的振动信号往往是突变性的。比如叶片裂纹扩展时，会产生瞬态冲击。FFT只能告诉你"有冲击"，但小波包能告诉你"冲击发生在什么时间、什么频段"。

分解层数	频带数量	频率分辨率	适用场景
3层	8个	较粗	快速筛查
4层	16个	中等	常规诊断
5层	32个	精细	早期微弱故障

我一般用4层小波包分解。层数太少，特征不够精细；层数太多，计算量太大，实时性跟不上。嗯，这里有个平衡点。

# 小波包分解示例（使用PyWavelets）
import pywt

def wavelet_packet_decomposition(signal, level=4, wavelet='db4'):
    wp = pywt.WaveletPacket(data=signal, wavelet=wavelet, mode='symmetric')
    
    # 提取各节点系数
    nodes = [node.path for node in wp.get_level(level, 'natural')]
    features = []
    
    for node in nodes:
        coeffs = wp[node].data
        energy = np.sum(coeffs ** 2)  # 节点能量
        features.append(energy)
    
    # 归一化能量特征
    total_energy = np.sum(features)
    features_normalized = features / total_energy
    
    return features_normalized

4.4 三种特征的实战选择

说了这么多，到底该用哪种？我的建议是：

• 实时监控：用时域特征（均值、方差、峰值），计算快，适合嵌入式系统
• 定期巡检：用频域特征（FFT频谱），能精确定位故障频率
• 疑难杂症：用时频域特征（小波包），特别是变转速、非平稳工况

我曾经遇到一个案例：某机组振动值忽大忽小，时域和频域都看不出明显规律。最后用小波包分解，发现某个高频段的能量在特定转速下异常。原来是叶片上的结冰脱落导致的瞬态冲击。

好了，关于振动信号的特征提取，今天就聊到这里。这些方法我都亲自验证过，在风电场的实际数据上效果不错。你回去可以拿自己场站的数据试试，有问题随时交流。

---

公众号:蓝海资料掘金营，微信deep3321