振动信号特征工程：从预处理到故障诊断实践

1. 振动分析特征工程概述

振动信号分析是工业设备状态监测与故障诊断的核心手段。在旋转机械、航空航天、能源电力等领域，通过采集设备振动信号并提取有效特征，可以实现早期故障预警、性能退化评估和剩余寿命预测。然而原始振动信号往往具有高维度、强噪声和非平稳特性，直接用于分析诊断效果有限。这就是特征工程的价值所在——通过专业处理方法，从原始信号中提取出对设备状态敏感、对故障类型区分度高的有效特征。

我在某风电齿轮箱监测项目中，曾遇到一个典型案例：原始振动信号的信噪比仅为12dB，直接使用频谱分析无法检测到早期齿面磨损。通过设计时域、频域和时频域组合特征，最终将故障检测灵敏度提升了3倍。这个经历让我深刻认识到，优秀的特征工程是振动分析成功的关键。

2. 振动信号特性与预处理

2.1 典型振动信号特点

工业设备振动信号通常呈现以下特性：

• 非平稳性：转速波动、负载变化导致信号统计特性时变
• 多分量耦合：齿轮啮合、轴承转动等不同源振动相互调制
• 噪声干扰：环境振动、电磁干扰等噪声叠加
• 非线性：松动、摩擦等故障引发非线性响应

以某汽轮机轴承振动为例，实测信号包含：

1. 转频成分（25Hz基频及其谐波）
2. 轴承故障特征频率（内圈缺陷频率123Hz）
3. 背景噪声（宽频带随机振动）

2.2 信号预处理关键技术

降噪处理：

• 小波阈值去噪：选用db8小波基进行5层分解，软阈值处理

python复制import pywt
coeffs = pywt.wavedec(signal, 'db8', level=5)
threshold = np.std(coeffs[-1]) * np.sqrt(2*np.log(len(signal)))
coeffs = [pywt.threshold(c, threshold, 'soft') for c in coeffs]
denoised = pywt.waverec(coeffs, 'db8')

• 经验模态分解（EMD）：更适合非平稳信号，但需注意模态混叠问题

趋势项消除：

• 多项式拟合：3阶多项式通常足够
• 高通滤波：截止频率建议设为0.5倍转频

实践提示：预处理阶段保留原始信号副本！我曾因过度滤波导致故障特征丢