激光振动测量在旋转机械振动参数检测中的数据处理方法

激光振动测量凭借非接触、高精度、宽频带的优势，已成为电机、涡轮机、齿轮箱等旋转机械振动参数检测的核心技术。但激光测振采集的原始信号易受环境振动、散斑干扰、电子噪声影响，需通过专业数据处理将“原始波形”转化为“有效参数”——比如反映振动强度的峰峰值、定位故障的频率特征、揭示动态特性的模态参数。本文聚焦激光振动测量在旋转机械中的数据处理关键环节，从信号净化到特征提取，拆解具体方法与工程应用场景。

原始信号预处理：从“噪声混杂”到“信号净化”

激光测振的原始信号首先要解决“去噪”问题。常见噪声包括三类：环境振动（如地面传导的低频扰动）、激光散斑（被测表面粗糙导致的光强波动）、电子噪声（传感器电路的随机干扰）。低通滤波是最基础的方法——比如针对转速1500rpm的电机，设置500Hz截止频率，可滤除高频电子噪声；均值滤波用滑动窗口计算平均值，能平滑散斑带来的随机波动；小波阈值去噪则更智能：将信号分解为不同尺度的小波系数，对噪声系数设定阈值置零，再重构信号。某电机的径向振动信号经db4小波分解至5层后，散斑噪声幅值从0.1mm降至0.02mm，转子不平衡的低频振动特征得以清晰保留。

预处理还要解决“信号对齐”问题——旋转机械的振动信号需与转速同步，比如用编码器采集转速脉冲，将振动信号的时间轴转换为角度轴，避免转速波动导致的信号错位。例如某变速风机的振动数据，通过同步重采样将不等时间间隔的采样点转为“每转1024点”，为后续阶比分析奠定基础。

时域特征提取：直接读“振动强度”与“故障趋势”

时域分析是旋转机械振动检测的“第一扇窗”，通过统计特征直接反映振动强度与故障早期迹象。最常用的四个参数是：峰峰值（信号最大值与最小值之差，反映最大振动位移）、有效值（RMS，信号平方平均的平方根，反映平均振动能量）、峰值因子（峰值与RMS的比值）、峭度（四阶中心矩与二阶中心矩平方的比值）。

峰峰值是最直观的指标——比如风机叶轮不平衡时，径向振动峰峰值可从0.1mm骤升至0.5mm；RMS是ISO 10816等标准的核心评估项，电机的RMS通常不得超过0.2mm/s；峰值因子与峭度则是“故障预警器”：轴承点蚀初期，振动信号会出现周期性冲击，此时峭度值从正常的3左右升至5以上，峰值因子也同步增大，比RMS更早捕捉到故障。某轴承的振动数据显示，峭度值在故障前1个月就从2.8升至4.5，提前预警了点蚀故障。

频域分析：用“频率指纹”定位振动源

旋转机械的振动源几乎都与“旋转频率”（基频f0=转速/60）相关，频域分析通过FFT（快速傅里叶变换）将时域信号转为“频率-幅值谱”，精准定位振动源。但FFT有个“坑”：非周期信号会产生频谱泄漏，因此需选对窗函数——汉宁窗适用于平稳信号，能降低泄漏；布莱克曼窗适用于高频率分辨率场景。

举个例子：某涡轮机的振动信号经汉宁窗处理后，FFT谱显示基频（50Hz）幅值达1.2mm/s，二倍频（100Hz）达0.8mm/s。结合设备结构，基频超标对应转子不平衡（转子重心偏离旋转中心），二倍频超标对应联轴器不对中（两轴轴线偏移）。调整转子平衡与联轴器同轴度后，振动幅值降至0.3mm/s以下。再比如齿轮箱的振动谱中，出现齿轮啮合频率（f=齿数×转速/60）的高次谐波，说明齿轮磨损；轴承的频谱中出现滚子通过频率（f=（转速/60）×（滚子数/2）×（1-滚子直径/轴承节圆直径）），说明轴承剥落。

阶比分析：变速机械的“动态频率标尺”

对于风机、水泵等变速运行的机械，固定频率的FFT会因转速变化导致频谱模糊——比如风机从800rpm升到1500rpm，基频从13.3Hz变到25Hz，FFT谱中的峰值会“漂移”。阶比分析解决了这个问题：它以“旋转频率”为基准，将振动频率转换为“阶比”（即频率与基频的比值），比如1阶是基频，2阶是二倍基频，实现“等角度采样”下的频谱分析。

阶比分析的步骤很明确：首先用编码器同步采集转速信号，然后对振动信号进行“重采样”——将不等时间间隔的采样点转为等角度间隔（比如每转采集1024点），最后对重采样后的信号做FFT，得到“阶比谱”。某变速风机的阶比谱显示，1阶幅值始终超标（对应叶轮不平衡），2阶幅值随转速升高增大（对应轴系不对中），动平衡校正后1阶幅值下降70%，2阶幅值也同步降低。

模态参数识别：揭示机械的“动态基因”

模态参数（固有频率、阻尼比、模态振型）是旋转机械动态设计与故障诊断的“核心密码”——比如电机定子的固有频率若与电源频率的倍数接近，会引发共振；涡轮机叶片的模态振型若与气流激励匹配，会导致疲劳断裂。激光测振仪（尤其是扫描式）能采集多测点的振动响应，结合激励信号（如敲击、电磁激励）计算“频响函数”（FRF，输出响应与输入激励的比值），再通过算法提取模态参数。

常用的模态识别算法有两个：PolyMAX（多项式特征值法）和ERA（特征系统实现算法）。PolyMAX适用于多输入多输出（MIMO）系统，能提高小阻尼模态的精度；ERA适用于脉冲响应信号，计算快。某电机定子的模态分析中，扫描式激光测振仪采集了200个测点的响应，结合电磁激励的FRF数据，用PolyMAX识别出前3阶固有频率：120Hz、250Hz、400Hz。其中250Hz接近二倍电源频率（100Hz×2），工程师通过加厚定子铁芯，将固有频率调整到280Hz，避免了共振。

非线性处理：拆解复杂故障的“精准工具”

旋转机械的复杂故障（如齿轮断齿、轴承滚子剥落）会产生“非线性、非平稳”信号——传统时域、频域方法难以提取特征，这时需要小波变换、EMD（经验模态分解）等非线性工具。

小波变换像一把“多分辨率放大镜”：通过“伸缩平移”操作，在时域和频域同时保持高分辨率，能分离故障冲击与背景噪声。比如齿轮箱断齿的振动信号，用db6小波分解至3层，细节层d3包含明显的周期性冲击，重构后信噪比从10dB提升至25dB；EMD则是“自适应分解器”：将信号拆成多个IMF（本征模态函数），每个IMF代表不同频率的振动成分，去除含噪声的IMF后，故障特征更清晰。某轴承滚子剥落的信号，经EMD分解后，第2个IMF的冲击周期正好等于滚子通过频率（120Hz），计算该IMF的RMS值，能定量评估剥落程度。

多源融合：让参数更“可信”

激光振动的参数（如幅值、频率）需结合转速、温度、电流等数据，才能更准确判断设备状态——这就是“多源数据融合”。比如电机振动RMS超标，可能是不平衡，也可能是绕组故障；但如果同时电流增大、温度升高，故障概率就从50%升到90%。

常用的融合方法有D-S证据理论和神经网络：D-S理论将多源数据的“可信度”组合，输出综合结果——比如振动RMS超标的可信度0.8，电流增大的可信度0.7，温度升高的可信度0.6，融合后判断绕组故障的可信度达0.92；神经网络（如BP网）通过训练样本，建立输入（振动、转速、温度）与输出（故障类型）的映射，某齿轮箱的诊断模型输入阶比谱特征、转速、油温，输出齿轮磨损、轴承故障的准确率达95%。某电机厂用这种方法，将振动检测的误判率从15%降到了3%。