在工业生产场景中，机械设备的稳定运行直接关联生产效率与作业安全，而噪声、振动堪称设备故障的“晴雨表”——轴承磨损、齿轮啮合偏差、转子不平衡等隐患，均会通过异常振动或噪声释放信号。因此，噪声振动检测成为设备状态监测的核心手段，其技术方法的科学应用，能实现故障的早期预警与精准定位，避免非计划停机损失。本文围绕机械设备运行中的噪声振动检测技术展开，详细解析各类方法的原理、操作要点及实际应用场景，为工业设备维护提供可落地的技术参考。
振动信号的采集与预处理技术
振动信号是设备状态的直接载体，采集环节的准确性决定后续分析的可靠性。常用振动传感器分为两类：压电式加速度传感器响应频率宽（0-20kHz），适用于齿轮啮合、滚动轴承的高频冲击检测；磁电式速度传感器对低频振动（10-1000Hz）敏感，多用于电机、泵类设备的转子不平衡监测。安装时需保证传感器与设备表面紧密耦合——磁座吸附适合临时检测，螺纹固定则用于长期监测，避免接触不良引入虚假信号。
原始信号常包含环境噪声（车间背景音、其他设备振动）与电磁干扰（电源杂波），需通过预处理剔除无效信息。首先是滤波：低通滤波器滤除高于设备工作频率2倍的高频干扰，高通滤波器去除传感器温度漂移带来的低频漂移；其次是去噪：小波变换可在时域与频域同时聚焦，适合处理非平稳信号（如设备启动阶段的转速上升），能有效分离故障信号与噪声；最后是放大：电荷放大器将压电传感器的mV级信号放大至可采集范围，确保AD转换精度。
某水泥厂球磨机轴承检测的案例颇具代表性：初期用磁电式传感器采集的信号中，齿轮箱高频噪声（约2kHz）淹没了轴承的300Hz振动信号；更换压电式传感器并加装1kHz低通滤波器后，成功提取出滚动体的异常振动，最终定位到滚动体表面剥落缺陷，避免了轴承卡死事故。
噪声源识别技术：从声压到声强的定位
机械设备噪声多由多声源叠加而成（电机电磁噪声、风机气动噪声、齿轮啮合噪声），仅测总声压级无法定位具体噪声源，需借助声强测量技术。声强是单位时间通过单位面积的声能，属矢量参数（含大小与方向），通过双麦克风探头测量两个位置的声压差，可计算出声强的方向与大小，从而定位噪声源。
声强测量的操作要点：先确定测量面（如电机端盖、风机进风口），将其划分为网格点；逐点测量声强值并绘制等高线图，高值区域即为主要噪声源。某风机检测中，声强测量发现进风口声强是其他部位3倍，检查发现防护网堵塞导致气流紊乱，清理后噪声从85dB(A)降至72dB(A)，效果显著。
近场声全息技术（NAH）是更先进的噪声源定位方法，通过设备近场（1-2倍波长距离）的麦克风阵列采集声压信号，反演声源的位置与辐射特性，适用于汽轮机缸体等复杂形状设备。某汽轮机厂用NAH定位缸体泄漏噪声，准确找到密封件损坏位置，避免了“逐个拆解”的低效方式。
时域与频域分析：解读振动信号的“语言”
振动信号分析分时域与频域两个维度：时域关注信号的时间历程（波形、峰值），频域则将信号分解为不同频率成分，揭示故障的频率特征。
时域分析的关键参数：峰值反映冲击强度（轴承滚珠剥落时会出现高频冲击峰值）；有效值（RMS）反映平均振动能量（转子不平衡时，RMS随转速升高而增大）；峭度对早期故障敏感——正常设备峭度约为3，轴承表面微裂纹时会升至5-10，是早期预警的核心指标。某电机轴承检测中，峭度从3.2升至6.8，进一步检查发现内圈微小裂纹，及时更换避免了故障扩大。
频域分析的核心是傅里叶变换（FT），将时域信号转为频谱图，显示不同频率的振幅。齿轮啮合故障的特征频率是“齿数×转速频率”（如10齿齿轮、1000rpm转速，啮合频率约166.7Hz），若该频率振幅显著升高，说明齿轮啮合不良；滚动轴承故障频率由几何参数与转速决定（内圈故障频率=0.5×转速频率×(外径-滚珠直径)/节圆直径），通过频谱图可精准定位故障部位（内圈、外圈、滚珠）。
非平稳信号（如设备启动、负载变化）需用短时傅里叶变换（STFT）或小波变换：STFT通过滑动时间窗将信号拆分为平稳段，生成时间-频率分布图，观察频率随时间的变化；小波变换用可变窗口（高频窄窗、低频宽窗），更适合分析轴承滚珠撞击等突变信号。
模态分析：揭示设备的固有振动特性
设备振动不仅与外部激励有关，还与其固有特性（固有频率、振型、阻尼比）密切相关——当激励频率接近固有频率时，会发生共振，导致振动急剧增大甚至损坏设备。模态分析通过实验或仿真获取固有特性，为避免共振、优化结构提供依据。
实验模态分析步骤：在设备关键部位（机架、梁、轴承座）布置5-10个加速度传感器；用激励器（力锤或电磁激励器）施加激励，采集激励力与振动响应信号；通过频域多参考点法等算法，计算固有频率、振型与阻尼比。
某流水线输送机架的共振问题就是通过模态分析解决的：机架固有频率12Hz，而输送电机转速频率12.5Hz（750rpm），两者接近导致强烈振动；增加底部斜撑提高固有频率至15Hz后，振动振幅从0.8mm降至0.1mm，彻底解决共振。
模态分析还可优化设备结构：某风机叶轮模态分析显示，一阶固有频率200Hz，而叶片旋转频率180Hz（10800rpm），存在共振风险；将叶片厚度从2mm增至2.5mm后，固有频率提高至220Hz，消除了隐患。
无线传感网络在噪声振动检测中的应用
传统有线传感器需铺设大量电缆，对大型设备（汽轮机、轧机）或移动设备（叉车、挖掘机）来说，布线难度大、维护成本高。无线传感网络（WSN）由多个无线节点（含振动/噪声传感器、通信模块、电池）组成，通过无线传输数据，实现实时、分布式监测。
无线节点的设计要点：低功耗（睡眠唤醒机制，电池寿命1-2年）、抗干扰（ZigBee协议的跳频通信，抵御工业电磁干扰）、小型化（体积≤5cm×5cm×2cm，适合安装在轴承座内侧等狭小空间）。
某钢铁厂轧机机组监测案例：20个无线振动节点安装在轴承座、齿轮箱等部位，实时传输数据至监控中心；当某轴承振动有效值超过4.5mm/s阈值时，系统自动报警，维护人员及时发现内圈磨损，避免了轧机停机（一小时损失约50万元）。
无线传感网络与云计算结合后，可将数据上传至云端，利用云端计算能力进行实时分析（频谱、峭度计算），实现远程诊断。某风电公司用无线节点采集风电机组叶片、齿轮箱的振动数据，上传云端后用AI算法分析叶片不平衡故障（特征频率为转速1倍），提前3个月预警叶片裂纹，减少了停机时间。
机器学习辅助的噪声振动故障诊断
传统故障诊断依赖工程师经验——观察频谱图、时域波形，结合设备参数判断故障类型，但随着设备复杂度提高（如多轴机器人、复合加工中心），故障特征愈发复杂，传统方法效率与准确性难以满足需求，机器学习（ML）成为解决关键。
机器学习辅助诊断步骤：首先收集设备正常与故障状态的噪声振动数据（如轴承正常、内圈/外圈/滚珠故障的振动信号）；然后提取特征（时域的峰值、有效值、峭度，频域的特征频率振幅、频谱熵，时频域的小波包能量）；接着用支持向量机（SVM）、随机森林（RF）等模型训练，识别故障类型；最后用训练好的模型诊断新数据，输出故障类型与概率。
某汽车厂发动机轴承诊断案例：采集1000组正常数据、300组故障数据（内圈/外圈/滚珠各100组），提取20个特征，用随机森林模型训练后，诊断准确率达98.5%，比传统方法（85%）效率提高40%，减少了工程师工作量。
卷积神经网络（CNN）更先进——无需手动提取特征，直接将原始振动信号（时域波形或频谱图）输入，通过卷积层自动提取高频冲击、频率峰值等特征，全连接层分类。某轴承厂实验显示，CNN对轴承故障的诊断准确率达99.2%，远高于传统ML模型（约95%），尤其适合处理复杂非平稳信号。