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失，不得不重新采集数据。

3. 时域特征工程

3.1 基本统计特征

对预处理后的信号计算：

1. 均值/方差：反映振动能量水平
2. 峰值/峰峰值：检测冲击成分
3. 波形指标：偏度（反映不对称性）、峭度（敏感于冲击）

某轴承故障案例中，正常状态与故障状态的峭度值对比：

3.2 高阶时域特征

• 脉冲指标：I = peak/RMS
• 裕度指标：CL = peak/(|x|)^(1/2)
• 包络分析：Hilbert变换提取包络线，再计算包络谱

经验之谈：当峭度值>5时，大概率存在冲击性故障。但需结合其他特征确认故障类型。

4. 频域特征工程

4.1 经典频谱分析

• FFT参数选择：
  • 采样点数：至少包含10个转频周期
  • 窗函数：Hanning窗平衡频率分辨率与幅值精度
  • 平均次数：不少于32次平均降低随机误差

某齿轮箱频谱特征示例：

matlab复制[pxx,f] = pwelch(vibration, hann(2048), 1024, 2048, fs);
findpeaks(pxx, f, 'MinPeakHeight', max(pxx)/10);

4.2 故障特征频率识别

• 轴承故障频率计算：

  • 内圈缺陷频率：BPFI = n/2 × f_r × (1 + d/D × cosα)
  • 外圈缺陷频率：BPFO = n/2 × f_r × (1 - d/D × cosα)

• 齿轮故障特征：

  • 啮合频率及其边带
  • 幅值调制/频率调制现象

4.3 频带能量特征

将频谱划分为多个子带（如1/3倍频程），计算各带能量占比。某风机振动频带能量分布：

5. 时频域联合分析

5.1 短时傅里叶变换(STFT)

• 窗长选择：包含2-3个故障特征周期
• 时频分辨率权衡：长窗提高频率分辨率，短窗提高时间分辨率

5.2 小波变换特征

• 小波包能量熵：有效表征非平稳信号复杂度
• 最优小波基选择：
  • 轴承故障：Db10/Db20
  • 齿轮故障：Sym8

小波分解重构示例：

python复制import pywt
coeffs = pywt.wavedec(signal, 'db10', level=6)
# 重构特定频带
cA6 = coeffs[0]
cD6 = coeffs[1]
rec_a6 = pywt.upcoef('a', cA6, 'db10', level=6)
rec_d6 = pywt.upcoef('d', cD6, 'db10', level=6)

6. 非线性特征提取

6.1 分形特征

• 盒维数计算：

  matlab复制function D = boxcount(Z)
      [n,~] = size(Z);
      s = log2(n);
      Ns = zeros(1,s);
      for k = 1:s
          size = 2^k;
          cnt = 0;
          for i = 1:size:n
              for j = 1:size:n
                  if any(any(Z(i:i+size-1,j:j+size-1)))
                      cnt = cnt + 1;
                  end
              end
          end
          Ns(k) = cnt;
      end
      p = polyfit(log(2.^(1:s)), log(Ns), 1);
      D = -p(1);
  end
  

6.2 熵特征

• 样本熵：衡量信号复杂度
• 排列熵：对非线性特性敏感

某往复压缩机阀片故障的熵值变化：

7. 特征选择与优化

7.1 特征相关性分析

• Pearson相关系数矩阵
• 互信息评估非线性相关性

7.2 降维技术

• PCA主成分分析：保留95%方差
• t-SNE可视化：观察特征聚类效果

某电机轴承数据集特征选择结果：

7.3 特征工程Pipeline设计

典型工作流程：

1. 数据清洗 → 2. 预处理 → 3. 多域特征提取 → 4. 特征筛选 → 5. 模型输入

关键建议：建立特征版本控制系统！我曾因特征迭代导致前后结果不可比，现在采用如下命名规则：
FeatureSet_v[版本号]_[日期]，例如"BearingFeatures_v2.3_20230615"

8. 工程应用案例

8.1 风电齿轮箱故障诊断

• 问题：早期齿面点蚀难以检测
• 解决方案：
  1. 提取调制边带能量比特征
  2. 结合小波包节点能量熵
  3. 构建SVM分类模型
• 效果：故障识别率从68%提升至92%

8.2 数控机床主轴健康评估

• 特征组合：
  • 时域：RMS+峭度+脉冲指标
  • 频域：转频谐波能量占比
  • 非线性：样本熵+分形维数
• 健康指数公式：

  code复制HI = 0.3*RMS_norm + 0.2*Kurtosis + 0.3*SidebandRatio + 0.2*SampleEntropy
  

9. 常见问题与解决方案

9.1 特征稳定性问题

• 现象：同一状态特征值波动大
• 解决方法：
  1. 检查工况是否稳定（转速/负载）
  2. 增加信号采集时长
  3. 采用工况归一化处理

9.2 特征区分度不足

• 优化策略：
  1. 尝试时频域联合特征
  2. 引入非线性动力学特征
  3. 结合物理模型指导特征设计

9.3 计算效率瓶颈

• 加速方案：

  python复制# 使用numba加速特征计算
  from numba import jit
  
  @jit(nopython=True)
  def calc_kurtosis(x):
      n = len(x)
      mean = np.sum(x)/n
      std = np.sqrt(np.sum((x-mean)**2)/n)
      kurt = np.sum((x-mean)**4)/(n*std**4)
      return kurt
  

10. 前沿技术展望

虽然本文介绍了传统振动特征工程方法，但在实际项目中我发现以下趋势值得关注：

1. 深度学习特征自动提取：结合1D-CNN直接从原始信号学习特征
2. 物理信息融合特征：将机理模型与数据特征结合
3. 迁移特征学习：跨设备、跨工况的特征迁移方法

最近在一个跨国项目中，我们采用ResNet18提取的深度特征与传统特征融合，使跨厂区的设备故障诊断准确率提高了15%。这提示我们：传统特征工程方法与现代深度学习并非替代关系，而是互补融合的关系。