电机振动智能分析实战指南：从Python到MCU（基于隔离森林）

本指南面向工业振动监控的初学者，手把手教你用Python完成数据采集、特征工程、异常检测模型训练，并最终将方案部署到STM32等边缘设备。核心算法采用隔离森林（Isolation Forest），兼顾精度与轻量。

---

1. 采样与窗口设定：让数据"看得清"故障

1.1. 三轴采样与设备频率的关系

电机振动通常采集X（水平）、Y（垂直）、Z（轴向）三轴加速度。窗口长度（即一次分析的时间片段）的设定必须与设备转频挂钩，否则要么漏掉低频故障，要么统计特征不稳。

关键公式：

• 转频 f0=转速 (RPM)60f_0 = \frac{\text{转速 (RPM)}}{60}f0=60转速 (RPM) (Hz)
• 窗口长度 TwindowT_{\text{window}}Twindow 内应包含至少 KKK 个旋转周期，推荐 K≥10K \ge 10K≥10：
  Twindow≥Kf0T_{\text{window}} \ge \frac{K}{f_0}Twindow≥f0K

举例：

• 电机 1500 RPM → f0=25Hzf_0 = 25\text{Hz}f0=25Hz，周期 0.04s → Twindow≥10×0.04=0.4sT_{\text{window}} \ge 10\times0.04 = 0.4\text{s}Twindow≥10×0.04=0.4s，工程取 1s。
• 电机 300 RPM → f0=5Hzf_0 = 5\text{Hz}f0=5Hz，周期 0.2s → Twindow≥2sT_{\text{window}} \ge 2\text{s}Twindow≥2s。

1.2 窗口长度的工程权衡

窗口过短	窗口过长
❌ 无法分析低于 1/T1/T1/T 的低频故障	✅ 可捕捉极低频成分
❌ 峭度、偏度等统计量波动大，易误报	✅ 特征稳定，抗噪强
✅ 响应快，预警及时	❌ 预警延迟大
❌ FFT频率分辨率低（Δf=1/T\Delta f = 1/TΔf=1/T）	❌ 计算量大，内存占用高

推荐 ：对于工业电机（600~3000 RPM），取 1秒窗口。转速低于600 RPM时，适当延长至2秒。

1.3 Python实现：滑动窗口切分

import numpy as np

def sliding_window(data, window_size_sec, fs, step_sec=None):
    """
    data: 原始一维振动信号 (numpy array)
    window_size_sec: 窗口长度（秒）
    fs: 采样率 (Hz)
    step_sec: 步进长度（秒），默认等于窗口长度（不重叠）
    """
    win_len = int(window_size_sec * fs)
    step = win_len if step_sec is None else int(step_sec * fs)
    return [data[i:i+win_len] for i in range(0, len(data)-win_len+1, step)]

---

2. 特征工程：把振动波形变成故障指纹

特征工程是决定隔离森林成败的核心。我们将提取时域+频域共12~16维特征，并给出公式和解释。

2.1 时域特征（对冲击、磨损敏感）

设窗口内有 NNN 个采样点 xix_ixi，均值为 μ\muμ，标准差为 σ\sigmaσ。

特征	公式	物理意义
均方根 (RMS)	1N∑xi2\sqrt{\frac{1}{N}\sum x_i^2}N1∑xi2	振动能量，反映整体磨损、不平衡
峰值 (Peak)	max⁡∣xi∣\max \vert x_i \vertmax∣xi∣	最大瞬时冲击
峰峰值 (P-P)	max⁡(xi)−min⁡(xi)\max(x_i) - \min(x_i)max(xi)−min(xi)	振动摆幅
峭度 (Kurtosis)	1N∑(xi−μσ)4\frac{1}{N}\sum\left(\frac{x_i-\mu}{\sigma}\right)^4N1∑(σxi−μ)4	冲击敏感，早期轴承点蚀的黄金指标（正常≈3，>4报警）
偏度 (Skewness)	1N∑(xi−μσ)3\frac{1}{N}\sum\left(\frac{x_i-\mu}{\sigma}\right)^3N1∑(σxi−μ)3	不对称性，反映摩擦、不对中
波形因子	RMS∣均值∣\frac{RMS}{\vert \text{均值} \vert }∣均值∣RMS	检测脉冲，对负载变化不敏感
脉冲因子	Peak∣均值∣\frac{Peak}{\vert \text{均值}\vert }∣均值∣Peak	类似波形因子，但对极端值更敏感

2.2 频域特征（定位具体故障源）

需要对每个窗口做FFT，得到幅值谱 ∣X[k]∣|X[k]|∣X[k]∣，频率分辨率 Δf=fs/N\Delta f = f_s / NΔf=fs/N。

特定频带能量（重点）

公式 ：
E[flow,fhigh]=∑k=klowkhigh∣X[k]∣2E_{[f_{low}, f_{high}]} = \sum_{k=k_{low}}^{k_{high}} |X[k]|^2E[flow,fhigh]=k=klow∑khigh∣X[k]∣2

其中 klow=⌊flow/Δf⌋k_{low} = \lfloor f_{low}/\Delta f \rfloorklow=⌊flow/Δf⌋，khigh=⌈fhigh/Δf⌉k_{high} = \lceil f_{high}/\Delta f \rceilkhigh=⌈fhigh/Δf⌉。

典型频带 （假设当前转频为 f0f_0f0）：

• 1×f01\times f_01×f0：不平衡
• 2×f02\times f_02×f0：不对中、松动
• 0.5×f00.5\times f_00.5×f0：机械松动、摩擦
• 高频段（如 2k~5kHz）：轴承早期点蚀
• 边频带（以齿轮啮合频率/轴承故障频率为中心，宽度 ±2f0f_0f0）：调制故障

Python实现：

def band_energy(fft_mag, fs, f_low, f_high):
    """fft_mag: 单边幅值谱（长度 N//2+1）"""
    delta_f = fs / (2 * (len(fft_mag)-1))
    k_low = int(f_low / delta_f)
    k_high = int(f_high / delta_f)
    return np.sum(fft_mag[k_low:k_high+1] ** 2)

全局频域特征

特征	公式	意义
重心频率	fc=∑fkPk∑Pkf_c = \frac{\sum f_k P_k}{\sum P_k}fc=∑Pk∑fkPk	频谱能量中心，反映刚度变化
频率方差	∑(fk−fc)2Pk∑Pk\frac{\sum (f_k-f_c)^2 P_k}{\sum P_k}∑Pk∑(fk−fc)2Pk	能量分散程度
总能量	∑Pk\sum P_k∑Pk	全频带振动烈度

（Pk=∣X[k]∣2P_k = |X[k]|^2Pk=∣X[k]∣2 为功率）

2.3 工况特征（必须包含）

• 转速 (RPM) -- 来自编码器或变频器
• 负载 (%) -- 电流或扭矩信号

工况特征能让模型区分"转速升高导致振动变大"和"故障导致振动变大"。

---

3. 特征分布分析：不做"睁眼瞎"

为什么要分析特征分布？

• 大多数统计模型（如3-sigma控制图）假设数据服从正态分布，而振动特征（如RMS、峭度）往往是对数正态 或长尾分布。无视分布直接设阈值，误报率极高。
• 分布形态的漂移（均值、方差、偏度变化）是设备退化的早期信号，比超阈值更灵敏。

3.1 分布分析的具体用途

分析工具	作用
直方图 + 核密度估计 (KDE)	直观查看分布形态（单峰/多峰、偏斜、长尾）
Q-Q图	判断是否服从正态/对数正态分布
偏度、峰度值	量化偏离程度：偏度>1强右偏，峰度>3尖峰
KL散度 (Kullback-Leibler)	量化健康分布与当前分布的差异，用于趋势预警

3.2 如何用于特征选择？

• 剔除常数特征：分布退化为单点（方差=0），无信息量。
• 剔除极端离群分布：某个特征在健康数据中就已呈现多峰或极长尾，说明可能混入了不同工况，需分段处理或剔除。
• 决定是否做变换：若RMS呈对数正态，取对数后再标准化，模型更稳定。

3.3 Python示例

import seaborn as sns
import matplotlib.pyplot as plt
from scipy.stats import probplot

# 假设 df 包含所有窗口的RMS特征
sns.histplot(df['rms'], kde=True)
probplot(df['rms'], dist='norm', plot=plt)  # Q-Q图

---

4. 特征排序：找到"最有价值"的特征

隔离森林本身可以输出特征重要性（基于平均路径深度减少量），但在训练前，我们可以先用过滤式方法快速排序，剔除无效特征。

4.1 常用排序方法

方法	原理	优点	缺点
方差阈值	方差 < 0.01 的特征剔除	极快	只能剔除常数特征
互信息 (Mutual Information)	衡量特征与标签（如果有）的非线性相关性	不依赖模型	需要标签（无监督场景慎用）
基于隔离森林的特征重要性	训练后查看 model.feature_importances_	与最终模型一致	需先训练一次
主成分分析 (PCA) 载荷	第一主成分的系数绝对值	降维同时排序	线性假设

4.2 推荐流程（无监督场景）

1. 计算每个特征的方差，剔除方差为0的特征。
2. 计算特征之间的相关性矩阵（皮尔逊），对于相关系数>0.95的组，保留其中一个（参见第五节）。
3. 用全部剩余特征训练一个临时隔离森林，输出特征重要性，排序后保留前15~20个。

from sklearn.ensemble import IsolationForest

iso = IsolationForest(contamination=0.01, random_state=42)
iso.fit(X_train)  # X_train 为标准化后的特征矩阵
importance = iso.feature_importances_  # 注意：scikit-learn 0.22+ 支持
sorted_idx = np.argsort(importance)[::-1]

---

5. 特征相关性分析（皮尔逊相关系数）：去冗余 & 动态监测

5.1 皮尔逊相关系数公式

对于两个特征 X,YX, YX,Y：
r=∑(xi−xˉ)(yi−yˉ)∑(xi−xˉ)2∑(yi−yˉ)2r = \frac{\sum (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum (x_i - \bar{x})^2 \sum (y_i - \bar{y})^2}}r=∑(xi−xˉ)2∑(yi−yˉ)2 ∑(xi−xˉ)(yi−yˉ)

取值范围 [−1,1][-1, 1][−1,1]，绝对值越接近1，线性相关性越强。

5.2 用途一：特征筛选（去冗余）

问题：RMS和峰峰值常常高度相关（r>0.95），同时保留会使隔离森林的随机切分偏向这个冗余方向，降低效率。

做法：设定阈值（如0.95），对相关性矩阵中的高相关组，每组只保留一个特征（保留与目标变量相关性最高或方差最大的）。

def remove_correlated_features(df, threshold=0.95):
    corr_mat = df.corr().abs()
    upper_tri = corr_mat.where(np.triu(np.ones(corr_mat.shape), k=1).astype(bool))
    to_drop = [column for column in upper_tri.columns if any(upper_tri[column] > threshold)]
    return df.drop(columns=to_drop)

5.3 用途二：动态关系监测（高级异常）

在电机健康状态下，计算两个特征（如转速 vs RMS）的相关系数 rhealthyr_{healthy}rhealthy。在线运行时，滑动窗口实时计算 rcurrentr_{current}rcurrent。如果 ∣rcurrent−rhealthy∣>0.3|r_{current} - r_{healthy}| > 0.3∣rcurrent−rhealthy∣>0.3，说明系统动态特性改变（如联轴器松动、负载突变），即使单个特征正常也应报警。

5.4 用途三：故障溯源

当隔离森林报告异常后，将当前窗口的特征与历史故障特征库（每个故障类型对应一组典型特征）做皮尔逊相关，相关性最高的故障类型即为诊断结果。

---

6. 隔离森林模型训练：边缘上的哨兵

6.1 数据量要求

场景	建议数据量（训练集）
最小可用	200~500 条
工程推荐	1000~5000 条
高稳定性	5000+ 条

换算：1秒窗口，30分钟健康数据 = 1800条，完全够用。

6.2 训练步骤（Python）

from sklearn.ensemble import IsolationForest
from sklearn.preprocessing import StandardScaler
import numpy as np

# 1. 加载健康数据（无故障）的特征矩阵 X_healthy (n_samples, n_features)
# 假设已经完成特征工程，得到 X_healthy

# 2. 标准化（必须！否则大数值特征主导切分）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_healthy)

# 3. 训练隔离森林
model = IsolationForest(
    n_estimators=100,        # 树的数量，50~100足够
    max_samples='auto',      # 每棵树采样数，默认256
    contamination=0.01,      # 预期异常比例（健康数据中一般<1%）
    random_state=42,
    bootstrap=False
)
model.fit(X_scaled)

# 4. 保存模型和标准化器（用于后续部署）
import joblib
joblib.dump(model, 'iso_model.pkl')
joblib.dump(scaler, 'scaler.pkl')

6.3 参数调优建议

• n_estimators：越大越稳定，但模型也越大。边缘设备用50，云端用100。
• contamination：设一个略高的值（如0.05）以降低漏报，后续用阈值调节。
• max_samples：数据量<10000时保持默认"auto"（=256）；数据量大时可适当增大。

6.4 模型评估（无监督）

没有标签时，可通过以下方式间接评估：

• 重构误差：将正常验证集输入，看异常分数分布是否集中。
• 注入人工异常：在健康信号中加入冲击、噪声，看模型能否检出。
• 时序一致性：连续窗口的异常分数不应剧烈跳变，否则模型不稳定。

---

7. 从Python到MCU：轻量化部署要点

7.1 模型压缩

• 树数量减至 n_estimators=30~50
• 最大深度 max_depth=8~10（限制树的生长）
• 模型大小可控制在 10~25 KB（STM32完全可承受）

7.2 特征计算优化

• FFT使用CMSIS-DSP库（ARM官方优化）
• 频带能量预计算索引，避免重复计算边界
• 时域特征采用递推算法（如RMS滑动更新）降低计算量

7.3 C++推理示例（伪代码）

#include "isolation_forest.h"  // 假设已有模型加载库

float features[12];            // 实时计算的特征
float anomaly_score = iso_forest_predict(features);  // 返回异常分数（负值越大越异常）
if (anomaly_score < -0.3) {    // 阈值需根据Python调优确定
    trigger_alert();
}

---

8. 完整工作流程图

采集原始振动信号
滑动窗口分片
时域特征提取
FFT + 频域特征提取
合并特征向量
特征分布分析与标准化
相关性分析去冗余
训练隔离森林模型
保存模型 + 标准化器
Python验证
转换为C++模型
部署到MCU实时推理

---

9. 常见问题与避坑指南

问题	解决方案
特征超过50维，模型效果变差	用相关性分析 + 特征重要性筛选到15维以内
训练数据只有几百条	使用滑动窗口重叠（步长0.5秒）扩展样本，或做数据增强（加噪声、缩放）
转速变化大，频带能量不靠谱	动态更新频带边界：根据实时转速重新计算1x, 2x等频带的频率范围
MCU内存不足	限制树的数量和深度，将float64转为float32，甚至量化到int16
误报率高	1）降低contamination；2）提高异常分数阈值；3）增加峭度等确认逻辑（连续3个窗口报警才上报）

---

最后一句：先从Python跑通流程，用你自己的电机数据验证，再移植到MCU。不要一上来就追求复杂模型，隔离森林+15个精心挑选的特征，已经能解决80%的工业异常检测问题。

附：FFT泄漏问题分析与解决方案（工程实战篇）

在电机振动分析中，FFT是提取频域特征的核心工具。但初学者常遇到一个"隐形杀手"------频谱泄漏。它会让本该尖锐的谱线变得"拖尾"、能量扩散到相邻频点，导致频带能量计算严重失真，最终让隔离森林模型学到错误特征。

什么是FFT泄漏？

FFT泄漏 是指：当信号的频率不是FFT频率分辨率 Δf=fs/N\Delta f = f_s / NΔf=fs/N的整数倍时，信号能量会"扩散"到相邻的多个频率分量上，导致频谱变宽、幅值降低、相位失真。

产生原因（直观理解）

FFT 默认对时域信号进行周期性延拓 。如果你的采样窗口内不是整数个信号周期，延拓后的波形在连接处会出现突变（不连续）。这个突变等效于一个高频脉冲，其频谱会布满整个频域，从而污染真实的谱线。

数学表达

设信号 x(t)=Acos⁡(2πf0t)x(t) = A \cos(2\pi f_0 t)x(t)=Acos(2πf0t)，采样后做 N 点 FFT。若 f0=m⋅Δff_0 = m \cdot \Delta ff0=m⋅Δf（m 为整数），则谱线正好落在第 m 根谱线上，无泄漏。

若 f0=(m+δ)⋅Δff_0 = (m + \delta) \cdot \Delta ff0=(m+δ)⋅Δf（0<δ<10<δ<10<δ<1），则能量会泄漏到第 m、m+1 及更远的谱线上。δ 越接近 0.5，泄漏越严重。

对电机振动分析的影响

• 1×转频频带能量：计算值偏小，可能误判为"故障减弱"。
• 边频带能量：微弱的调制边带被泄漏淹没，无法识别轴承/齿轮早期故障。
• 重心频率：向低频方向漂移。

解决方案（恒速电机场景）

方案一：加窗（最通用，强烈推荐）

原理：在时域对信号乘以一个两端平滑衰减到零的窗函数（如汉宁窗），强制消除边界突变。加窗后，泄漏的能量被约束在窗函数主瓣附近的有限范围内，旁瓣衰减极快。

数学本质：加窗相当于原信号的频谱与窗函数频谱做卷积。窗函数频域的主瓣宽度决定了频率分辨率，旁瓣高度决定了泄漏程度。汉宁窗的旁瓣衰减可达 -31 dB，比矩形窗（-13 dB）好得多。

对振动分析的适配：

• 时域特征（RMS、峭度、偏度等）必须在加窗前从原始信号计算。
• 频域特征（频带能量、重心频率等）使用加窗后信号的FFT。
• 频带能量不进行能量修正（因为后续模型只关心相对变化）。

方案二：整周期采样（恒速电机可选）

原理 ：动态调整窗口长度 Twindow=K/f0T_{\text{window}} = K / f_0Twindow=K/f0（K 为整数个周期），使窗口内恰好包含整数个旋转周期，信号天然连续，无需加窗。

优点 ：无泄漏，频率分辨率最高。
缺点：需要精确测速；窗口长度变化，不利于特征标准化；实现稍复杂。

结论 ：对于恒速且转速非常稳定的电机，整周期采样是优雅的。但加窗法更鲁棒（不依赖精确测速，且能抑制噪声），建议作为首选。

Python 代码示例（加汉宁窗 + 原理注释）

import numpy as np
import matplotlib.pyplot as plt

# ========== 参数设置 ==========
fs = 1024          # 采样率 (Hz)
N = 1024           # FFT点数，也是窗口长度
t = np.arange(N) / fs

# 模拟恒速电机：转频 24.5 Hz（不是 Δf=1Hz 的整数倍，会产生泄漏）
f0 = 24.5
signal = np.sin(2 * np.pi * f0 * t)

# ========== 加窗处理 ==========
# 汉宁窗定义: w[n] = 0.5 - 0.5*cos(2πn/(N-1))
# 作用：让信号两端平滑到零，消除边界突变，抑制频谱泄漏
window = np.hanning(N)          # 直接调用 numpy 生成
signal_win = signal * window    # 时域相乘

# ========== 做 FFT ==========
# rfft 返回单边频谱（实信号）
X_no_window = np.fft.rfft(signal)       # 不加窗的频谱（复数）
X_window = np.fft.rfft(signal_win)      # 加窗后的频谱

# 转换为幅值谱（dB表示，便于观察泄漏的旁瓣）
mag_no = 20 * np.log10(np.abs(X_no_window) + 1e-10)
mag_win = 20 * np.log10(np.abs(X_window) + 1e-10)

freqs = np.fft.rfftfreq(N, 1/fs)        # 对应的频率轴

# ========== 绘图对比 ==========
plt.figure(figsize=(10, 4))
plt.plot(freqs, mag_no, label='不加窗（矩形窗）', alpha=0.7)
plt.plot(freqs, mag_win, label='加汉宁窗', alpha=0.7)
plt.xlim(20, 30)                        # 聚焦在转频附近
plt.axvline(f0, color='red', linestyle='--', label=f'真实频率 {f0} Hz')
plt.xlabel('频率 (Hz)')
plt.ylabel('幅值 (dB)')
plt.title('FFT泄漏抑制效果对比（恒速电机 24.5Hz）')
plt.legend()
plt.grid(True)
plt.show()

# ========== 结果解释 ==========
# 不加窗时：能量向两侧扩散，24Hz和25Hz处都有明显幅值，真实峰值被压低。
# 加窗后：能量集中，主瓣变宽但旁瓣快速衰减，24.5Hz处出现清晰峰值。
# 对于频带能量特征（如23~27Hz），加窗后的累加值更能反映真实振动能量。

恒速电机下的实施建议

1. 固定窗口长度：1秒（或包含10个以上周期）。即使转频不是Δf的整数倍，加窗也能保证频带能量特征稳定。
2. 预处理顺序：原始信号 → 计算时域特征 → 加汉宁窗 → FFT → 计算频域特征。
3. 不必刻意追求整周期采样：除非你的转速测量非常精确（误差<0.1%），否则加窗法更简单可靠。
4. 验证泄漏是否被抑制：用上面的代码跑一下你的实际电机数据，观察转频附近频谱是否出现明显的"单峰"而非"平顶"。