工业设备状态监测的振动信号FFT分析与频谱解读

在工业设备预测性维护中，振动信号分析是诊断轴承、齿轮、电机等旋转部件故障的核心技术。通过快速傅里叶变换（FFT）将时域振动信号转换为频域频谱，可精准识别设备异常特征频率，实现故障早期预警。本文以滚动轴承为例，解析FFT分析流程与频谱解读方法。

一、振动信号采集与预处理

1. 传感器布局与数据采集

采用三轴加速度传感器（量程±50g，灵敏度100mV/g）同步采集设备水平（X）、垂直（Y）、轴向（Z）三方向振动信号。以某风电齿轮箱监测为例，采样频率设为12.8kHz（满足奈奎斯特定理，覆盖最高频成分6.4kHz），单次采集时长10秒，生成包含128,000个数据点的时域波形。

2. 信号预处理流程

python

import numpy as np

from scipy.signal import butter, filtfilt

# 带通滤波（0.5-5kHz）

def bandpass_filter(data, lowcut, highcut, fs, order=4):

   nyq = 0.5 * fs

   low = lowcut / nyq

   high = highcut / nyq

   b, a = butter(order, [low, high], btype='band')

   return filtfilt(b, a, data)

# 示例：对X轴信号滤波

fs = 12800  # 采样频率12.8kHz

x_filtered = bandpass_filter(x_raw, 500, 5000, fs)

通过滤波消除高频噪声（如电磁干扰）和低频漂移（如温度变化影响），保留包含故障特征的中高频成分。

二、FFT分析与频谱特征提取

1. 快速傅里叶变换实现

python

def fft_analysis(signal, fs):

   n = len(signal)

   yf = np.fft.fft(signal)

   xf = np.fft.fftfreq(n, 1/fs)[:n//2]  # 计算频率轴

   power = 2/n * np.abs(yf[:n//2])**2   # 计算功率谱密度

   return xf, power

# 对滤波后信号进行FFT

freq, power = fft_analysis(x_filtered, fs)

该代码将时域信号转换为单边功率谱，频率分辨率Δf=fs/N=12.8kHz/128000=0.1Hz，可清晰分辨设备特征频率。

2. 关键特征频率计算

以滚动轴承为例，其故障特征频率包括：

外圈故障频率（BPFO）：

内圈故障频率（BPFI）：

滚动体故障频率（BSF）：

其中：

Nb为滚动体数量，fr为转频，d为滚动体直径，D为节圆直径，α为接触角。某风电齿轮箱轴承参数：Nb=12，fr=15Hzd=25mm，

D=120mm，计算得BPFO=142.5Hz，BPFI=172.5Hz。

三、频谱解读与故障诊断

1. 正常状态频谱特征

健康轴承的振动能量主要集中在转频（15Hz）及其谐波（30Hz、45Hz等），幅值随频率升高呈递减趋势。频谱中无显著边频带或非整数倍频成分。

2. 故障状态频谱识别

外圈故障：在BPFO（142.5Hz）及其谐波处出现明显峰值，且伴随转频边频带（如142.5±15Hz）。

内圈故障：BPFI（172.5Hz）处幅值显著增高，边频带间隔为转频的整数倍。

滚动体故障：BSF（90Hz）处出现特征频率，同时可能伴随保持架故障频率（FTF=4.5Hz）成分。

3. 案例分析

某风电齿轮箱振动监测中，X轴频谱显示142Hz处幅值达8.2m/s²（正常值<2m/s²），且两侧存在15Hz间隔的边频带。结合参数计算确认该频率为BPFO，诊断为轴承外圈点蚀故障。更换轴承后，同位置振动幅值降至0.8m/s²，设备恢复稳定运行。

四、技术发展趋势

智能频谱分析：结合深度学习（如CNN）自动识别频谱故障模式，某研究已实现故障识别准确率92.3%。

多传感器融合：同步分析振动、温度、油液数据，提升故障诊断可靠性。

边缘计算部署：通过FPGA实现实时FFT分析，将数据处理延迟从秒级压缩至毫秒级。

通过FFT分析与频谱解读，工业设备状态监测可实现从"事后维修"到"预测性维护"的转变。以风电行业为例，该技术可使齿轮箱故障停机时间减少70%，年维护成本降低40%，为工业智能化转型提供关键技术支撑。