振动信号是工业设备状态监测中最常用的信息载体之一。旋转机械（电机、风机、轴承、齿轮箱）、往复机械（压缩机、活塞泵）、甚至结构件（厂房、桥梁）的异常状态都会在振动信号中留下特征印记。一个成熟的振动分析系统需要从原始波形中提取多维度的特征，覆盖时域、频域、包络域三个层面，同时支持边缘实时处理和云端离线分析两种模式。
振动信号的来源与分类
工业现场的振动信号按激励源可分为三类。机械振动由运动部件的不平衡、不对中、松动、磨损等缺陷引起，是最常见的监测对象。典型特征是与转速相关的主频分量——不平衡对应 1× 频（转速的一倍频），不对中常伴随 2× 频，齿轮点蚀会出现啮合频率及其谐波。电气振动在电机上表现为与电源频率相关的分量，如 50Hz 或 60Hz，以及定子槽数与极对数决定的齿谐波频率。流体激励来自泵、风机、水轮机等输送流体的设备，特征频率与叶片数和转速的乘积相关——叶轮有 7 片叶片、转速 1500rpm，特征频率约为 7 × 25Hz = 175Hz。
不同类型的信号特征频率差异明显：机械不平衡的主频通常在 1-50Hz 范围，轴承故障特征在 50-500Hz 范围，齿轮啮合频率可达数百到数千 Hz，而结构共振可能延伸到更高频段。采样频率的选择需要覆盖目标频段的上限——根据奈奎斯特采样定理，采样频率至少是最高分析频率的 2 倍。工程上通常留 2-3 倍余量，5000Hz 目标分析频率对应 10-15kHz 的采样频率。
时域特征：快速但信息有限
时域特征是振动分析的第一站，计算简单、延迟低，适合边缘侧实时计算。常用的时域特征包括以下几类。
RMS（均方根值）反映信号的总能量水平，是评估振动严重程度的基础指标。峭度（Kurtosis）是四阶统计量，衡量信号分布的"尖峭程度"——正常机械振动的峭度值通常在 3-4 之间，当出现轴承早期故障（微小冲击）时峭度值会显著升高，可达 5-8 甚至更高。峰值因子（Crest Factor）是峰值与 RMS 的比值，对突发冲击特别敏感，适合检测齿轮点蚀和轴承滚动体缺陷。
波峰因子有一个独特的优势：它的相对值不随转速和负荷变化。RMS 值会随转速升高而增大，而波峰因子在同样的机械状态下对不同转速相对稳定。这对于变转速设备（如风电齿轮箱、变频驱动电机）特别重要——工程师可以用波峰因子做跨转速的健康状态对比。
表中列出了六种常用时域特征的计算复杂度和适用场景：
时域特征 | 计算公式 | 计算复杂度 | 适用场景 |
峰值 | max(abs(x)) | O(N) | 突发冲击检测 |
RMS | sqrt(mean(x²)) | O(N) | 振动总体水平 |
峭度 | E[(x-μ)⁴]/σ⁴ | O(N) | 早期故障检测 |
波峰因子 | Peak/RMS | O(N) | 转速无关的冲击检测 |
波形因子 | RMS/mean(abs(x)) | O(N) | 磨损程度判断 |
裕度因子 | Peak/mean(abs(x)) | O(N) | 早期冲击检测 |
时域特征的局限在于只能反映统计特性，无法定位故障类型。当峭度值升高时，可能是轴承早期剥落，也可能是齿轮点蚀——单看时域特征无法区分，需要频域特征辅助。
频域分析：FFT 之外
频域分析是振动诊断的主力工具。经典 FFT 将时域波形分解为不同频率的正弦波叠加，得到振动的频率成分。功率谱密度（PSD）进一步对频谱做归一化处理，表达单位频带内的能量分布。
标准 FFT 有三个工程上的痛点。第一是频率分辨率受限——10kHz 采样率、4096 点 FFT 的频率分辨率是 10000/4096 ≈ 2.44Hz。对于转速 1500rpm 的电机，1× 频是 25Hz，2.44Hz 的分辨率意味着可能无法精确区分 25Hz 和 27Hz。提高分辨率的方法是增加 FFT 点数，代价是计算量和延迟。第二是频谱泄漏——信号截断时如果不是恰好整数个周期，会导致真实频率能量扩散到相邻频率 bin，掩盖微弱特征。加窗函数（Hanning、Hamming、Blackman）可以缓解但无法完全消除。第三是非平稳信号的适配——设备启停、工况切换时的振动信号是时变的，静态 FFT 无法捕捉频率随时间的变化。
STFT（短时傅里叶变换）通过滑动窗口在时域上分段做 FFT，得到时频域的三维图谱——横轴时间、纵轴频率、颜色表示能量。STFT 的分辨率在时间和频率之间存在权衡：窗口大则频率分辨率高但时间分辨率低，窗口小则反之。小波变换用多尺度分析替代固定窗口，对低频部分（宽窗口）和高频部分（窄窗口）分别调整分辨率，在时频分析上更灵活。
包络谱：解调冲击特征
包络谱是近年来最受重视的振动分析技术，特别适合轴承故障和齿轮早期点蚀的诊断。这些故障产生的是高频冲击脉冲——冲击的能量覆盖一个宽频带，但冲击的重复频率（即故障特征频率）反映了故障的类型。包络谱的思路是先对原始高频冲击信号做解调，提取冲击的包络，再对包络做 FFT——这样就能在包络谱中清晰看到冲击的重复频率，而这个频率通常在低频段（几十到几百 Hz），不受高频噪声干扰。
解调的方法主要有两种。Hilbert 变换法是最常用的——对原始信号 x(t) 做 Hilbert 变换得到解析信号 z(t) = x(t) + j·x̂(t)，解析信号的模 |z(t)| 就是包络线。同步解调法（Phase Demodulation）在已知载波频率时效果更好，但工业现场通常不知道载波频率，所以 Hilbert 法更通用。
包络谱与功率谱的对比优势在检测早期微弱故障时尤为明显。一个 3500rpm 电机的滚动轴承，外圈有一个微小剥落点——冲击脉冲重复频率 BPFO 约为 115Hz。功率谱中 115Hz 分量可能被电机本体的 58.3Hz（1×）、116.7Hz（2×）等强频率分量掩盖，但包络谱中 115Hz 会是一个清晰的峰值，因为包络谱只保留冲击重复频率，不受载波频率干扰。
阶次跟踪：变转速设备的救星
工业现场存在大量变转速设备——风机在启动停机阶段转速从 0 升到额定值，数控车床根据加工阶段调整主轴转速，混合动力车辆的驱动电机转速随工况波动。这些设备的振动频谱如果用固定时间采样做 FFT，会出现频率模糊——因为相同故障特征在不同转速下对应不同的频率。
阶次跟踪的核心思想是将采样从时间域转换到角域（转速域），使得每次采样对应转轴转过相同的角度。这样故障特征在阶次轴上的位置就是固定的——轴承外圈故障对应阶次 BPFO/转速，无论转速如何变化，阶次值保持不变。
实现阶次跟踪需要转速信号，通常通过键相传感器（安装在转轴上的光电或磁电传感器）获取脉冲信号。根据键相脉冲的间隔计算出转轴瞬时角速度，对原始振动信号做重采样（插值），使得在每个固定的角度增量处都有一个插值后的采样点。重采样后的信号再做 FFT 就能得到阶次谱——横轴是阶次（转速的倍数），纵轴是能量。
边缘 vs 云端的分工
振动分析的特征提取环节可以在边缘侧完成，也可以在云端完成，两者各有分工。边缘侧适合做低频、低计算量的实时特征计算——RMS、峭度、峰值因子这些时域特征在 PLC 或边缘网关上用 1ms 级延迟就能算出。实时特征超过阈值时触发告警事件，推送到 MES 或维护管理系统。
频域分析和包络谱计算的计算量较大，适合在平台侧做。平台侧可以拉取完整的原始波形数据（10kHz 采样，1 秒一个文件约 20KB），用 Flink 或 Spark 做离线批处理，也可以用 TensorRT 加速的深度学习模型做在线推理。平台侧的优势在于可以存储历史数据做基线对比，以及跨多台设备做对比分析——同一型号轴承在不同工况下的包络谱对比，可以更准确地判断健康状态。
结语
振动特征提取的技术栈从上世纪 60 年代的时域统计和模拟频谱仪，演进到今天的数字化包络谱和深度学习辅助诊断。工程实践中最有效的方案不是单靠某一种技术，而是多层次组合：边缘侧做时域特征实时计算和简单告警，平台侧做频域和包络谱分析以及跨设备关联，AI 模型辅助工程师做最终诊断。这种分层架构也符合工业互联网中边缘-云协同的设计思路。对于正在建设状态监测系统的团队，建议先明确监测对象的转速特性和目标故障类型，再决定需要哪些特征——变转速设备必须考虑阶次跟踪，轴承和齿轮类故障优先用包络谱，一般状态监测从 RMS 和峭度起步即可。
