当前位置: 首页 / 行业观察 / 正文

FFT在预测性维护中的适用边界:三个前提与五类替代方法

行业观察 2026-10-21 00:00 阅读 2

傅里叶变换能把杂乱的时域波形变成清晰的频谱图,这一点已经被反复验证。但在工程实践中,只知道它能做什么远远不够,还必须清楚它做不到什么。

FFT 有自己的适用条件与盲区:它擅长稳态周期信号,对非平稳过程与瞬时冲击则力不从心;它的分析结论高度依赖采集质量;它只呈现频率与幅值,不做诊断。忽视这些边界,频谱图画得再漂亮,也得不出可用结论。

本文从工程视角梳理 FFT 的强项与短板、三个硬性前提、在预测性维护体系中的定位,以及五类替代与补充方法。

一、FFT 的强项:稳态周期信号

FFT 适合分析设备稳定运行时的振动数据。这个"稳定"包含两层含义:转速稳定,负载稳定。

在这一前提下,电机转子不平衡产生的转频振动、齿轮啮合产生的高频分量、轴承特征频率的谐波结构,都能被精准拆解为一根根清晰的谱线。故障特征频率一目了然,比对工作可以直接进行。

这也是 FFT 成为振动分析入门必修课的原因。它提供了一套通用的语言:横轴频率、纵轴幅值,任何一台设备、任何一种故障,都可以用同一套坐标描述。这种统一性,是后续所有分析方法的基础。

从工程效率看,稳态工况覆盖了旋转设备的大部分运行时间。水泵、风机在正常工艺条件下长期处于相对稳定的转速与负载区间,这段时间采集的数据量占比高、可比性强。FFT 在这段数据上的表现,决定了日常诊断的基本盘。

图1:傅里叶变换的数学表达与其对应的振动波形

二、FFT 的短板:无法兼顾时间与频率

FFT 有一个天生的技术局限,行业内常称为测不准原理。

如果把振动比作一首歌,FFT 能告诉你这首歌里有哪些音调,也就是有哪些频率成分,但无法精确告诉你某个音调是在哪一秒出现的。

这个局限带来的直接后果是:对于非平稳信号,例如启停机过程、变工况运行,以及瞬时冲击信号,例如轴承早期剥落、齿轮断齿,FFT 往往力不从心。

它依然能发现异常——频谱上确实多了不该有的成分,但它难以定位异常发生的时间点。更麻烦的是,信号的非平稳性会导致频谱拖尾模糊,让原本清晰的谱线变得难以判读。

信号类型FFT 的表现典型场景
稳态周期信号谱线清晰,可直接比对特征频率稳定转速与负载下的运行数据
非平稳信号能发现异常,难以定位发生时刻启停机过程、变工况运行
瞬时冲击信号频谱拖尾模糊,特征易被掩盖轴承早期剥落、齿轮断齿
图2:稳态信号与冲击信号在频域分解中的差异

三、用好 FFT 的三个硬性前提

工程落地中有一条公认的铁律:输入决定了输出。忽略以下前提,FFT 的分析结果会失去诊断价值。

前提一,信号必须稳定。设备转速和负载波动过大,会导致频率成分漂移。频谱上的谱线本是固定位置的一根竖线,转速一变,它就在横轴上左右晃动,多次平均之后变成一片模糊的隆起。这种情况下,特征频率对不上,比对工作无法进行。

前提二,采样频率要合规。依据奈奎斯特采样定理,采样频率至少需高于所关心分析频段的上限的 2 倍,这是避免频率混叠的理论底线。在实际工程中,为适配非理想的滤波特性,通常会取 2.56 到 4 倍的裕量,以保障频谱数据真实可信。

采样不足的后果不是精度下降,而是虚假成分。高频信号被折叠到低频段,会在频谱上凭空造出一个不存在的峰,而这种峰恰好可能落在某个轴承特征频率上,导致误判。

前提三,特征频率库是基础。FFT 只负责呈现频率幅值,不负责诊断。必须预先根据设备转速、轴承参数等计算出理论故障频率,才能在频谱图上对号入座。没有频率库,频谱图只是一组图形。

这三条前提中,第一条由现场工况决定,第二条由采集系统设计决定,第三条由台账与算法能力决定。三者分属不同环节,任何一环缺失,FFT 的输出都不可靠。

图3:FFT把时域信号分解为不同频率分量的过程

四、技术定位:基石,而非天花板

在预测性维护体系中,FFT 的地位可以这样界定。

一方面,它是标准语言。在 FFT 出现之前,振动分析主要靠听声辨位。FFT 提供了量化诊断的可能,是目前商业化振动分析设备的标配,是从经验维修迈向预测性维护的关键桥梁。今天讨论频谱、讨论特征频率、讨论倍频,用的都是这套语言。

另一方面,它不是全部答案。预测性维护的核心是趋势分析与异常识别,而非依赖某一种特定算法。FFT 是性价比高、应用面广的工具,但随着传感技术与算力的进步,它不再是仅有的路径。

把这两面放在一起看,结论很清楚:FFT 是必须掌握的基本功,但不能当成终点。

五、当 FFT 不够用时:五类替代与补充方法

面对复杂的工业现场,需要更丰富的工具箱。以下五类方法各有明确的应用场景。

短时傅里叶变换 STFT的做法是给信号加一个固定的滑动窗口,像切香肠一样切片后逐段分析。它适合观察频率随时间的变化,能回答"某个频率是什么时候出现的"。代价是时间分辨率与频率分辨率不可兼得:窗口取窄,时间定位准但频率模糊;窗口取宽,频率清晰但时间模糊。

小波变换类似数学放大镜。它能自适应地调整窗口,既能看清低频概貌,又能捕捉高频瞬态冲击。在轴承、齿轮早期故障诊断中表现优异,因为这类故障的特征恰恰是短时、高频、幅值低。

希尔伯特-黄变换 HHT是针对非线性、非平稳信号的利器。它基于数据本身进行分解,不预设基函数,因此非常适合分析设备局部损伤产生的复杂振动。

阶次跟踪专治变转速难题。它通过将时间域信号转换为角度域信号,消除转速波动的影响。通俗地说,就是从每秒采多少个点,变成每转一圈采固定数量的点。等角度采样之后,转速变化不再导致谱线漂移,特别适合变速箱、燃机等设备的启停机分析。

AI 与智能算法是端到端的方案。利用海量数据自动提取特征,绕过人工读图的门槛,尤其适合结构复杂、故障耦合度高的大型机组。它的代价是对样本量与标注质量依赖较强,可解释性也弱于机理方法。

方法解决的问题主要代价
STFT频率随时间的演化时频分辨率不可兼得
小波变换高频瞬态冲击的捕捉参数选择依赖经验
HHT非线性、非平稳信号分解过程较复杂
阶次跟踪变转速导致谱线漂移需要转速同步信号
AI 算法复杂耦合故障的识别依赖样本量与标注
图4:四类补充方法的适用方向对照

六、组合拳怎么打:一条可操作的判断路径

方法多了,反而容易乱。工程上可以用一条简单的判断路径来决定用哪种工具。

第一步,判断工况是否稳定。转速与负载都在允许范围内波动,走 FFT 路线;转速明显变化,直接上阶次跟踪。

第二步,判断故障是稳态特征还是瞬态冲击。稳态特征,例如不平衡、不对中、啮合异常,用 FFT 足够;瞬态冲击,例如轴承早期剥落、齿轮断齿,转小波变换或包络解调。

第三步,判断是否需要时间定位。只需要知道"有没有"和"是什么",FFT 可以胜任;需要知道"什么时候开始",用 STFT 或小波变换。

第四步,判断是否需要处理强耦合。单一机理方法难以分离时,引入 AI 模型做辅助识别,但仍需人工复核结论。

这条路径的价值不在于精确,而在于避免用一种工具应对所有问题。工程实践中的失误,往往不是方法不够先进,而是方法与问题不匹配。

七、小结:清楚边界,才算掌握

傅里叶变换是预测性维护领域的通用语言,是每个技术人员必须掌握的基本功。但它不是终点。

真正的专业能力,不仅体现在知道 FFT 能做什么,更体现在清楚它做不到什么。面对复杂的非平稳信号时,能融合小波变换、阶次跟踪等手段,用组合的方式去捕捉那些早期微弱故障特征,这才是工程判断力的体现。

给使用方三条可对照的标准。

第一,看采集是否满足前提。转速与负载是否在合理范围,采样频率是否留有裕量,这两条决定了频谱数据能不能用。

第二,看有没有特征频率库。没有库的频谱分析,只能看趋势,不能定部件。

第三,看方法是否与故障类型匹配。用稳态工具分析瞬态故障,结论一定偏。

工具的价值,取决于用它的人是否清楚它的边界。

作者:青云居士|易新智维
本文为行业技术分享,案例数据来自项目实践,仅供参考。