在工業(yè)設備預測性維護中，振動信號分析是診斷軸承、齒輪、電機等旋轉部件故障的核心技術。通過快速傅里葉變換（FFT）將時域振動信號轉換為頻域頻譜，可精準識別設備異常特征頻率，實現(xiàn)故障早期預警。本文以滾動軸承為例，解析FFT分析流程與頻譜解讀方法。

一、振動信號采集與預處理

1. 傳感器布局與數(shù)據(jù)采集

采用三軸加速度傳感器（量程±50g，靈敏度100mV/g）同步采集設備水平（X）、垂直（Y）、軸向（Z）三方向振動信號。以某風電齒輪箱監(jiān)測為例，采樣頻率設為12.8kHz（滿足奈奎斯特定理，覆蓋最高頻成分6.4kHz），單次采集時長10秒，生成包含128,000個數(shù)據(jù)點的時域波形。

2. 信號預處理流程

python

import numpy as np

from scipy.signal import butter, filtfilt

# 帶通濾波（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：對X軸信號濾波

fs = 12800  # 采樣頻率12.8kHz

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

通過濾波消除高頻噪聲（如電磁干擾）和低頻漂移（如溫度變化影響），保留包含故障特征的中高頻成分。

二、FFT分析與頻譜特征提取

1. 快速傅里葉變換實現(xiàn)

python

def fft_analysis(signal, fs):

   n = len(signal)

   yf = np.fft.fft(signal)

   xf = np.fft.fftfreq(n, 1/fs)[:n//2]  # 計算頻率軸

   power = 2/n * np.abs(yf[:n//2])**2   # 計算功率譜密度

   return xf, power

# 對濾波后信號進行FFT

freq, power = fft_analysis(x_filtered, fs)

該代碼將時域信號轉換為單邊功率譜，頻率分辨率Δf=fs/N=12.8kHz/128000=0.1Hz，可清晰分辨設備特征頻率。

2. 關鍵特征頻率計算

以滾動軸承為例，其故障特征頻率包括：

外圈故障頻率（BPFO）：

內(nèi)圈故障頻率（BPFI）：

滾動體故障頻率（BSF）：

其中：

Nb為滾動體數(shù)量，fr為轉頻，d為滾動體直徑，D為節(jié)圓直徑，α為接觸角。某風電齒輪箱軸承參數(shù)：Nb=12，fr=15Hzd=25mm，

D=120mm，計算得BPFO=142.5Hz，BPFI=172.5Hz。

三、頻譜解讀與故障診斷

1. 正常狀態(tài)頻譜特征

健康軸承的振動能量主要集中在轉頻（15Hz）及其諧波（30Hz、45Hz等），幅值隨頻率升高呈遞減趨勢。頻譜中無顯著邊頻帶或非整數(shù)倍頻成分。

2. 故障狀態(tài)頻譜識別

外圈故障：在BPFO（142.5Hz）及其諧波處出現(xiàn)明顯峰值，且伴隨轉頻邊頻帶（如142.5±15Hz）。

內(nèi)圈故障：BPFI（172.5Hz）處幅值顯著增高，邊頻帶間隔為轉頻的整數(shù)倍。

滾動體故障：BSF（90Hz）處出現(xiàn)特征頻率，同時可能伴隨保持架故障頻率（FTF=4.5Hz）成分。

3. 案例分析

某風電齒輪箱振動監(jiān)測中，X軸頻譜顯示142Hz處幅值達8.2m/s2（正常值<2m/s2），且兩側存在15Hz間隔的邊頻帶。結合參數(shù)計算確認該頻率為BPFO，診斷為軸承外圈點蝕故障。更換軸承后，同位置振動幅值降至0.8m/s2，設備恢復穩(wěn)定運行。

四、技術發(fā)展趨勢

智能頻譜分析：結合深度學習（如CNN）自動識別頻譜故障模式，某研究已實現(xiàn)故障識別準確率92.3%。

多傳感器融合：同步分析振動、溫度、油液數(shù)據(jù)，提升故障診斷可靠性。

邊緣計算部署：通過FPGA實現(xiàn)實時FFT分析，將數(shù)據(jù)處理延遲從秒級壓縮至毫秒級。

通過FFT分析與頻譜解讀，工業(yè)設備狀態(tài)監(jiān)測可實現(xiàn)從"事后維修"到"預測性維護"的轉變。以風電行業(yè)為例，該技術可使齒輪箱故障停機時間減少70%，年維護成本降低40%，為工業(yè)智能化轉型提供關鍵技術支撐。