旋转机械振动信号特征提取方法

一、引言

旋转机械（如电机、汽轮机、风机等）的故障约 80% 可通过振动信号反映，正常运行时振动幅值通常低于 0.1mm ，而故障状态下（如轴承磨损、转子不平衡）幅值可增至 0.5mm 以上，频率成分也会出现特征性变化。传统特征提取方法对非平稳、非线性信号的处理效果有限，故障特征遗漏率超过 30% ，导致诊断准确率低于 70% 。现代特征提取技术通过多域分析与智能算法，可使微弱故障特征的检出率提升至 90% ，为早期故障预警提供支撑 —— 数据显示，采用优化特征提取方法的诊断系统，可将设备故障停机时间缩短 40% ，维修成本降低 25% 。在工业智能化背景下，研究振动信号特征提取方法，对保障旋转机械安全高效运行具有重要意义。

二、特征提取方法的分类与原理

（一）时域特征提取

时域方法直接对振动信号的时域波形进行分析，通过统计参数描述信号特征，常用指标包括均值（反映信号整体水平）、峰值（表征最大冲击）、峭度（对脉冲信号敏感，正常值 3-5，故障时可增至 10 以上）、方差（体现信号波动程度）。时域方法计算简单（处理延迟 <10ms) ），适用于实时监测，但对复杂故障（如复合故障）的区分能力弱，特征辨识度低于 60% ，易受噪声干扰（信噪比 < 10dB 时误差增加 40% ）。

（二）频域特征提取

基于傅里叶变换（FT）将时域信号转换至频域，通过功率谱密度（PSD）识别特征频率，如转子不平衡对应 1 倍频（与转速同频），轴承故障对应特征频率（内圈故障频率 =0.5× 转速 × （1 - 滚珠直径 / 节圆直径） × 滚动体数）。频域方法对平稳信号的特征提取效果显著，频率分辨率可达 1Hz ，但无法处理非平稳信号（如启动过程的转速变化），时间信息完全丢失，特征提取滞后性明显（处理延迟 >50ms ）。

（三）时频域特征提取

时频分析方法结合时域与频域优势，通过短时傅里叶变换（STFT）、小波变换（WT）、希尔伯特 - 黄变换（HHT）等实现信号的时频分布表征。STFT 通过滑动时间窗分析局部频谱，窗长 50-100ms 时可平衡时间与频率分辨率；小波变换具有多尺度分析能力，对冲击性故障（如齿轮断齿）的特征提取精度较 FT 提升 30% ；HHT 通过经验模态分解（EMD）将信号分解为固有模态函数（IMF），适用于非线性信号，故障特征提取的信噪比提升 20dB。

（四）智能特征提取

基于深度学习的方法可自动学习特征，卷积神经网络（CNN）通过卷积层提取局部特征，对轴承故障的特征识别率达 95% ；循环神经网络（RNN）擅长处理时序依赖，在转子不对中故障的动态特征提取中准确率超 90% 。智能算法无需人工设计特征，对复杂信号的适应性强，但需大量样本训练（通常 >10000 组），计算复杂度高（处理延迟 >100ms; ），小样本场景下泛化性不足。

三、特征提取方法的应用场景与局限

（一）不同故障类型的适配性

不平衡、不对中等平稳故障适合频域方法，1 倍频、2 倍频成分的识别精度可达90% ；轴承早期磨损、齿轮点蚀等冲击性故障需时频域方法，小波变换对 50-500Hz 的

冲击特征提取效果最佳；转子裂纹等非线性故障依赖 HHT 或智能算法，特征提取的信噪比需≥15dB 才能保证精度。复合故障（如同时存在不平衡与轴承磨损）的特征耦合严重，单一方法的识别率低于 70% ，需多方法融合。

（二）典型应用局限

时域方法对微弱特征敏感度过低，故障初期（峭度 <5 ）时特征辨识度不足 50% ；频域方法在转速波动 5% 时，特征频率偏移超过 10Hz ，导致误判；时频方法存在模态混叠（EMD 的混叠率约 20% ）、边界效应（STFT 的边缘误差达 15% ）等问题；智能算法在低信噪比（＜5dB）下性能下降 40% ，且模型解释性差，特征物理意义不明确。

四、特征提取方法的优化策略

（一）多方法融合与自适应改进

构建 “时域预处理 - 时频域增强 - 智能筛选” 的融合框架，时域参数（如峭度）用于初步定位故障时段，时频分析（如小波包变换）提取细节特征，智能算法（如自编码器）筛选关键特征，复合故障识别率提升至 85% 。开发自适应时频分析方法，基于信号特性动态调整小波基函数（如 db4-db8 根据冲击强度切换）、EMD 的停止准则，模态混叠率降低至 10% 以下。

（二）噪声抑制与特征增强

采用变分模态分解（VMD）与小波阈值去噪结合的方法，噪声抑制率提升 30% ，保留故障特征的同时将信噪比提升至 20dB。引入稀疏表示理论，通过字典学习重构故障特征，微弱特征（幅值 <0.05mm ）的提取灵敏度提高 2 倍，早期故障检出时间提前30% 。

（三）轻量化与工程适配

对智能算法进行模型压缩，采用知识蒸馏将 CNN 参数减少 50% ，处理延迟缩短至 50ms ，满足实时监测需求。建立特征提取方法的选择准则，根据故障类型、信号平稳性、信噪比等参数自动匹配最优方法，如转速波动 5% 时切换至 HHT，低信噪比时启用稀疏增强，方法选择的准确率达 80% 。

五、结论

旋转机械振动信号特征提取需根据故障类型与信号特性选择适配方法，时域、频域方法适用于简单场景，时频域与智能方法更适配复杂工况。针对特征耦合、噪声干扰等问题，需通过多方法融合、自适应优化、轻量化设计提升性能。未来，结合数字孪生的虚实融合特征提取将成为趋势，实现从 “数据驱动” 到 “物理 - 数据双驱动” 的升级，为旋转机械故障诊断提供更精准的技术支撑。

参考文献

[1] 廖庆斌,李舜酩. 一种旋转机械振动信号特征提取的新方法[J]. 中国机械工程,2006,17(16):1675-1679. DOI:10.3321/j.issn:1004-132X.2006.16.007.

[2] 崔海龙,魏巍,刘大伟. 基于优化的 Morlet 小波旋转机械振动故障信号微弱特征提 取 方 法 [J]. 中 小 企 业 管 理 与 科 技 ,2015(19):167-167,168.DOI:10.3969/j.issn.1673-1069.2015.19.139.

[3] 游磊,蒲强,吴成宾. 基于小波能量谱旋转机械振动信号的故障特征提取[J]. 煤 矿机械,2012,33(5):271-273. DOI:10.3969/j.issn.1003-0794.2012.05.127.