工业设备状态监测中的振动信号FFT分析与频谱解析
在现代工业的预测性维护体系中，振动信号分析已成为识别旋转类设备如轴承、齿轮和电机等部件异常的重要手段。通过快速傅里叶变换（FFT）将振动数据从时域转换到频域，有助于精准捕捉设备的故障特征频率，从而实现早期预警。本文以滚动轴承为典型对象，探讨其在FFT分析过程中的频谱解读方式。
一、振动信号采集与预处理
1. 传感器配置与数据获取
使用三轴加速度传感器（量程±50g，灵敏度100mV/g）同时收集设备在水平（X轴）、垂直（Y轴）和轴向（Z轴）三个方向的振动信号。以风电齿轮箱监测为例，采样率设定为12.8kHz，单次采集持续时间为10秒，共获取128,000个样本点，构成完整的时域振动波形。
2. 信号预处理流程
为去除干扰成分，需对原始数据进行滤波处理。下面示例代码展示了如何利用带通滤波技术过滤掉0.5–5kHz范围外的信号。
import numpy as npfrom scipy.signal import butter, filtfiltdef 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)fs = 12800 # 采样频率12.8kHzx_filtered = bandpass_filter(x_raw, 500, 5000, fs)该方法有效削弱了高频电磁干扰和低频温度漂移影响，保留了关键故障特征频段。
二、FFT分析与频谱特征提取
1. 快速傅里叶变换实现
以下代码展示了如何对滤波后的信号执行FFT分析，并计算其功率谱密度。
def fft_analysis(signal, fs): n = len(signal) yf = np.fft.fft(signal) xf = np.fft.fftfreq(n, 1/fs)[:n//2] # 频率轴 power = 2/n * np.abs(yf[:n//2])**2 # 功率谱 return xf, powerfreq, power = fft_analysis(x_filtered, fs)该方法将时域信号转换为单边功率谱，频率分辨率为0.1Hz，能够清楚揭示设备的频率特征。
2. 故障特征频率的计算
对于滚动轴承，其典型故障特征频率包括：
- 外圈故障频率（BPFO）
- 内圈故障频率（BPFI）
- 滚动体故障频率（BSF）
根据公式并结合具体参数，如滚动体数量（Nb=12），转频（fr=15Hz），滚动体直径（d=25mm），节圆直径（D=120mm），可以计算出BPFO=142.5Hz，BPFI=172.5Hz。
三、频谱解析与故障判断
1. 健康设备的频谱特征
在正常运行状态下，轴承振动的能量主要集中在转频（15Hz）及其谐波（30Hz、45Hz等），幅值随频率升高逐渐减小，频谱中无明显边频带或非整数倍频成分。
2. 异常状态下的频谱识别
- 外圈故障：频谱中BPFO（142.5Hz）及其谐波出现明显峰值，并伴有转频边频带（如142.5±15Hz）。
- 内圈故障：BPFI（172.5Hz）幅值显著上升，边频带间隔为转频的整数倍。
- 滚动体故障：BSF（90Hz）处可见特征频率，可能伴随保持架频率（FTF=4.5Hz）。
3. 案例分析
在某风电齿轮箱的振动监测过程中，X轴频谱在142Hz处出现8.2m/s²的幅值（正常值小于2m/s²），并伴随15Hz间隔的边频带。结合参数计算判断该频率为BPFO，最终确认为外圈点蚀故障。更换轴承后，该位置振动幅值降至0.8m/s²，设备恢复正常。
四、技术演进方向
- 智能频谱分析：结合深度学习模型（如CNN）实现自动故障模式识别，已有研究达到92.3%的识别准确率。
- 多源数据融合：整合振动、温度与油液分析数据，提高诊断的全面性与可靠性。
- 边缘实时计算：通过FPGA平台实现FFT的实时处理，将处理延迟从秒级降低到毫秒级。
借助FFT分析和频谱解读技术，工业设备的状态监测能够从传统的“事后维修”模式转向“预测性维护”。在风电行业，此类技术已使齿轮箱的停机时间减少70%，维护成本降低40%，为工业设备的智能化转型提供了有力支持。