旋转机械，像电机、轴承、齿轮箱等，是现代工业的核心装备，其运行状态直接关乎生产效率与安全。过去，振动监测主要依靠人工经验和简单信号分析，在复杂工况下，很难满足早期故障预警的需求。近年来，随着人工智能和信号处理算法不断革新，振动分析技术从 “被动检测” 迈向 “主动预测”，实现了革命性转变。本文将重点探讨时频域分析与深度学习的协同应用、早期微弱故障特征提取技术，以及非平稳信号处理算法创新，揭示这些突破对工业设备健康管理未来发展的重要意义。

传统的振动信号分析大多基于频域或时域单一维度，在捕捉非线性、非平稳信号中的复杂特征时存在困难。以轴承故障为例，在故障初期，信号仅表现为高频冲击，但使用傅里叶变换（FFT）虽能识别频率成分，却无法确定故障发生的时间；小波变换（WT）虽然能兼顾时频特性，可它依赖人工选择基函数，适应性有限。

深度学习的引入打破了这一局面。卷积神经网络（CNN）能够通过多层卷积核自动学习信号的局部特征，长短期记忆网络（LSTM）则擅长捕捉时序依赖关系。将二者结合形成的混合模型（如 CNN-LSTM），可以从原始振动信号中挖掘出隐藏的故障模式。例如，某风电企业利用该模型对齿轮箱振动数据进行训练，成功识别出 0.01mm 级的齿轮裂纹，误报率降低了 73%。

1. 数据增强：通过加噪、平移等手段扩展训练样本数量，提高模型的泛化能力，使其在不同场景下都能有良好表现。

2. 注意力机制：引入自注意力模块（如 Transformer），让模型能够聚焦于关键故障特征，避免被无关信息干扰。

3. 轻量化部署：运用模型压缩技术，如剪枝、量化等，减小模型规模，实现边缘设备上的实时诊断，提高诊断效率。

早期故障信号通常会被噪声淹没，传统的提取方法，如包络解调，很容易受到环境干扰。近年来，自适应噪声抵消、经验模态分解（EMD）等技术的发展，极大地提升了微弱故障特征的提取能力。

某石化企业的离心压缩机振动信号中存在周期性冲击，但被强烈的背景噪声掩盖。通过构建参考噪声通道，利用自适应滤波算法（如 LMS）实时抵消噪声，成功提取出轴承外圈剥落的特征频率。这项技术使故障发现时间提前了 3 个月，有效避免了停机造成的损失。

针对滚动轴承早期点蚀故障，VMD 将信号分解为多个固有模态函数（IMF），再结合谱峭度筛选出包含故障信息的 IMF 分量，最终在噪声中定位到 0.05mm 的微小损伤。实验结果显示，该方法相比传统的 FFT + 包络分析，信噪比提高了 4.2dB。

旋转机械常常处于变转速、变负载等非平稳工况，传统的傅里叶变换难以处理频率随时间变化的信号。新型时频分析工具与自适应算法的出现，为解决这类问题提供了有效方案。

• S 变换：通过自适应调整高斯窗函数宽度，在低频段保持高频率分辨率，高频段保持高时间分辨率，非常适合用于齿轮箱变速运行时的分析。

• Wigner-Ville 分布（WVD）：能够精确刻画信号的瞬时频率，但存在交叉项干扰问题，可通过核函数优化（如 Choi-Williams 分布）来抑制。

• 同步压缩小波变换（SST）：将小波变换后的时频分布沿频率方向压缩，增强信号能量聚集性，已成功应用于风力发电机叶片裂纹检测。

• 递归量化分析（RQA）：通过相空间重构与递归图量化，揭示非线性振动系统的动力学特性，在非线性轴承故障诊断中表现出色。