简介：本资源是一份面向机械工程、结构动力学及设备可靠性工程师的振动分析核心公式速查文档，聚焦故障诊断、试验设计与数据解读中的关键计算需求。全文系统梳理15个高频实用公式，覆盖激振力推导（F=(m₀+m₁+m₂)A）、加速度/速度/位移三参数换算（含ω=2πf角频率关联）、平滑交越点频率计算（加速度-速度/速度-位移/加速度-位移三类）、线性与对数扫频时长及速率控制（含倍频程n与扫描速率R关系），以及随机振动中PSD积分求均方根值（grms）、峰峰值位移估算（Xp-p=1067·√(wo/fo)）等硬核内容。资源为单文件Word文档（.doc），体积精简仅103KB，便于嵌入报告、快速查阅或教学引用。目前已有236人学习下载，适合从事振动台试验、设备健康监测、NVH分析及可靠性验证的工程技术人员作为随身公式手册使用。
1. 振动分析中常用的计算公式：不是查表背诵，而是理解每个符号在真实传感器数据里怎么跳动
你手头有一台加速度传感器，采样率 25.6 kHz，测得一段轴承座振动信号，时域波形毛刺多、周期性弱，FFT 频谱上 320 Hz 附近有个鼓包但信噪比不到 6 dB——这时候翻《振动分析中常用的计算公式.doc》第 7 行的“位移-速度-加速度换算关系”，却卡在“ω 是角频率”这句上：ω 到底该取实测主频？还是理论转速对应频率？还是 FFT 峰值处插值结果？
这份文档真正价值，从来不是当字典查，而是帮工程师在原始时序数据、物理量纲、诊断逻辑三者之间快速建桥。它覆盖旋转机械故障初筛（如不平衡、不对中、滚动轴承缺陷）、结构模态粗估、隔振设计校核等高频场景，适合刚接手振动监测系统的现场工程师、做设备健康评估的算法支持人员，以及需要把仿真结果和实测对齐的结构动力学初学者。别被“公式”二字吓住——所有推导都可逆向验证，所有参数都有实测锚点，关键是你得知道哪个公式此刻正在你的 Python 脚本里悄悄决定报警阈值。
2. 从时域信号出发：位移、速度、加速度三者的微分/积分关系与工程化实现
振动传感器输出的原始数据，99% 是加速度（单位 m/s²），但故障特征可能藏在位移（μm）或速度（mm/s）频带里。直接套用理论微分/积分公式会因噪声放大而翻车，必须结合工程约束重写。
2.1 为什么不能直接对加速度信号求二重积分得位移？
理论公式：
$$ x(t) = \iint a(t),dt^2 $$
看似简单，但实测加速度信号含低频漂移（如温度致零点偏移）、工频干扰（50 Hz 及其谐波）、量化噪声。直接积分后，0.1 Hz 的漂移经两次积分会放大成 ~100× 的趋势项，完全淹没真实位移。某导师曾用某国产数采仪测电机振动，未去趋势直接积分，位移曲线像心电图一样缓慢爬升，误判为严重松动。
提示：所有积分运算前，必须先做高通滤波 + 趋势消除。截止频率选 2–5 Hz（取决于最低关注故障频率），非简单减均值——均值消除只对纯直流有效，对缓变漂移无效。
2.2 工程可用的加速度→速度→位移转换链
我们用scipy.signal构建抗噪链，以采样率fs=25600、加速度信号acc（numpy array）为例：
import numpy as np from scipy import signal def acc_to_vel(acc, fs, highpass_hz=3.0): """加速度转速度：带高通滤波的数值积分""" # 设计巴特沃斯高通滤波器（2阶，避免相位失真） sos = signal.butter(2, highpass_hz, 'hp', fs=fs, output='sos') acc_filtered = signal.sosfilt(sos, acc) # 梯形法积分：vel[i] = vel[i-1] + (acc_filtered[i] + acc_filtered[i-1]) * dt / 2 dt = 1.0 / fs vel = np.cumsum((acc_filtered[:-1] + acc_filtered[1:]) * dt / 2) vel = np.insert(vel, 0, 0.0) # 补零保证长度一致 return vel def vel_to_displ(vel, fs, highpass_hz=3.0): """速度转位移：同理高通+积分""" sos = signal.butter(2, highpass_hz, 'hp', fs=fs, output='sos') vel_filtered = signal.sosfilt(sos, vel) dt = 1.0 / fs displ = np.cumsum((vel_filtered[:-1] + vel_filtered[1:]) * dt / 2) displ = np.insert(displ, 0, 0.0) return displ # 使用示例 vel = acc_to_vel(acc, fs=25600, highpass_hz=3.0) displ = vel_to_displ(vel, fs=25600, highpass_hz=3.0)参数说明：
highpass_hz=3.0：这是经验值。若关注 10 Hz 以上故障（如滚动体缺陷），可设 5 Hz；若需保留 1–2 Hz 的轴向窜动，则必须 ≤2 Hz，此时需额外做基线校正。sos（second-order sections）：比butter(..., output='ba')更稳定，避免高阶滤波器系数溢出。- 积分用梯形法而非矩形法：精度提升一阶，对高频成分更友好。
验证方法：对已知正弦加速度信号a(t)=A·cos(ωt)，理论速度应为v(t)=A/ω·sin(ωt)。代入代码，检查np.max(np.abs(vel - A/omega*np.sin(omega*t))) < 1e-3*A是否成立。
3. 频域核心公式落地：FFT 幅值、功率谱密度、包络谱的物理量纲与缩放规则
时域转换只是起点，振动诊断真正发力在频域。但 FFT 输出的“幅值”到底代表什么？为什么同一段数据，用 MATLABpwelch和 Pythonscipy.signal.welch算出的 PSD 数值差 10 倍？根源全在公式背后的量纲缩放。
3.1 加速度信号 FFT 幅值的正确解读
对 N 点实信号acc，np.fft.rfft(acc)输出复数数组X，其幅值|X[k]|不是物理加速度幅值，需按以下步骤还原：
def acc_fft_physical(acc, fs): N = len(acc) X = np.fft.rfft(acc) freqs = np.fft.rfftfreq(N, 1/fs) # 1. 单边谱缩放：除以 N 得真实幅值（单位 m/s²） # 注意：rfft 默认输出单边谱（含 DC 和 Nyquist），需乘 2 除 N amp_physical = np.abs(X) * 2 / N amp_physical[0] /= 2 # DC 分量不乘 2 if N % 2 == 0: amp_physical[-1] /= 2 # Nyquist 分量不乘 2 return freqs, amp_physical freqs, amp = acc_fft_physical(acc, fs=25600)关键点：
*2/N是核心缩放因子。不除 N，幅值随采样点数线性增长；不乘 2，单边谱丢失一半能量。amp_physical[k]单位是 m/s²，表示该频率点对应正弦分量的峰值加速度（不是 RMS！）。若需 RMS，再除 √2。- 若传感器灵敏度为 100 mV/g，需先将电压信号转为 m/s²：
acc = voltage * 9.81 * 10（因 1 g = 9.81 m/s²，100 mV/g → 1 V 对应 10 g）。
3.2 功率谱密度（PSD）的工程计算：为什么welch参数不能乱设？
PSD 单位是 (m/s²)²/Hz，反映单位频带内的功率。scipy.signal.welch的nperseg（每段点数）和noverlap（重叠点数）直接影响分辨率与方差：
from scipy.signal import welch f_psd, psd = welch( acc, fs=fs, nperseg=4096, # 关键！决定频率分辨率 Δf = fs/nperseg = 6.25 Hz noverlap=2048, # 50% 重叠，提升统计稳定性 window='hann', # 汉宁窗抑制频谱泄漏 scaling='density' # 必须设为 'density' 才得 PSD，非 'spectrum' )参数选择逻辑：
nperseg=4096：平衡分辨率（Δf=6.25 Hz）与频谱平滑度。若关注 100 Hz 内故障（如轴承外圈缺陷），Δf < 5 Hz 更佳，可设nperseg=8192（Δf=3.125 Hz），但需保证信号时长 ≥0.3 s。scaling='density'：这是 PSD 的定义要求。若误用'spectrum'，输出单位变成 (m/s²)²，完全错误。window='hann'：比矩形窗泄漏小 30 dB，对非整周期截断信号至关重要。
3.3 包络谱（Envelope Spectrum）：解调轴承故障的钥匙公式
滚动轴承缺陷频率（BPFO/BPFI/BSF/FTF）常被载波淹没在高频噪声中。包络谱通过 Hilbert 变换提取幅值包络，再对其 FFT：
$$ \text{Envelope}(t) = \left| \mathcal{H}{a(t)} \right|, \quad \text{ES}(f) = \left| \text{FFT}{\text{Envelope}(t)} \right| $$
from scipy.signal import hilbert def bearing_envelope_spectrum(acc, fs, band_low=3000, band_high=8000, nperseg=4096): # 1. 带通滤波：聚焦缺陷敏感频带（如 3–8 kHz） sos_bp = signal.butter(4, [band_low, band_high], 'bandpass', fs=fs, output='sos') acc_bp = signal.sosfilt(sos_bp, acc) # 2. Hilbert 变换取包络 analytic = hilbert(acc_bp) envelope = np.abs(analytic) # 3. 包络信号的 FFT（注意：此处用物理幅值缩放） f_env, amp_env = acc_fft_physical(envelope, fs) return f_env, amp_env f_env, amp_env = bearing_envelope_spectrum(acc, fs=25600)为什么带通滤波中心频段必须人工设定？
因为轴承几何参数（节径、滚子数、接触角）决定理论缺陷频率，但实际安装间隙、润滑状态会使载波频带偏移。某模拟项目 X 中，理论 BPFO=245 Hz，但实测载波集中在 5.2 kHz，若滤波设 2–4 kHz 就漏掉全部特征。
4. 振动烈度与故障判据公式：ISO 10816 和 GB/T 2298 的工程折中
有了频谱，下一步是判断“是否超标”。ISO 10816-3（工业机器）和 GB/T 2298（机械振动术语）给出速度有效值（RMS）判据，但直接套用会误报——因为标准基于稳态、无冲击的理想工况。
4.1 速度有效值（RMS）的正确计算路径
不能对原始加速度直接 RMS！必须先转速度，再求 RMS：
def velocity_rms_from_acc(acc, fs): # 步骤1：加速度→速度（高通滤波+积分） vel = acc_to_vel(acc, fs, highpass_hz=1.0) # 低频截止放宽至 1 Hz # 步骤2：速度信号 RMS（注意：是速度的 RMS，不是加速度的） vel_rms = np.sqrt(np.mean(vel**2)) # 单位 mm/s（若 acc 单位 m/s²，则 vel 单位 m/s，需 *1000） return vel_rms * 1000 # 转为 mm/s，匹配 ISO 标准单位 vel_rms_mm_s = velocity_rms_from_acc(acc, fs=25600)ISO 10816-3 典型阈值（mm/s RMS）：
| 机器类型 | 10–1000 Hz 速度 RMS（mm/s） |
|---|---|
| 小型刚性机器 | ≤2.8（良好） |
| 大型刚性机器 | ≤4.5（良好） |
| 有柔性基础机器 | ≤7.1（良好） |
注意：此 RMS 必须在机器额定转速下、稳定运行 30 秒以上采集。某公司产线电机在启停瞬间 RMS 达 12 mm/s，但稳态仅 3.2 mm/s，按瞬时值误停机。
4.2 冲击性故障的补充判据：峭度（Kurtosis）与脉冲因子（Impulse Factor）
对于早期轴承剥落、齿轮点蚀等冲击故障，RMS 不敏感。此时用无量纲指标：
峭度（Kurtosis）:
$$ K = \frac{1}{N}\sum_{i=1}^{N} \left( \frac{x_i - \bar{x}}{\sigma_x} \right)^4 $$
正常轴承信号 K≈3；K>6 预示冲击；K>10 强烈冲击。但注意：传感器过载、电气干扰也会抬高 K 值。脉冲因子（Impulse Factor）:
$$ IF = \frac{\max(|x_i|)}{\text{RMS}(x)} $$
正常值 1–2；>3.5 需警惕。
def vibration_impulse_metrics(acc): acc_abs = np.abs(acc) peak = np.max(acc_abs) rms = np.sqrt(np.mean(acc**2)) kurtosis = pd.Series(acc).kurtosis() # 或用 scipy.stats.kurtosis impulse_factor = peak / rms return kurtosis, impulse_factor k, ifac = vibration_impulse_metrics(acc)血泪经验：某次现场发现 K=8.2，但检查发现是传感器电缆接触不良导致周期性尖峰，非机械故障。因此，K 和 IF 必须与时域波形、包络谱联合看——若尖峰在时域随机分布且包络谱无周期性，大概率是电气问题。
5. 避坑指南：振动公式应用中 5 个高频翻车点与现场排查口诀
振动分析不是数学考试，公式套错一步，诊断结论全盘作废。以下是某跨平台系统部署中踩过的 5 个真实坑，按“现象→原因→解决”列明，每条都配可执行命令或检查点。
5.1 现象：FFT 频谱在 0 Hz 处出现巨大尖峰，掩盖所有低频特征
原因：加速度信号含显著直流偏置（传感器零点漂移或数采仪 offset），未做高通滤波直接 FFT。
解决：
- 用
scipy.signal.detrend(acc, type='linear')去线性趋势； - 更可靠：
acc_centered = acc - np.mean(acc[0:1000])（取前 1000 点基线）； - 终极方案：硬件端启用传感器 IEPE 恒流源的 AC 耦合模式。
5.2 现象：包络谱上出现等间隔杂散峰，间隔恰为采样率的整数分之一（如 25.6 kHz / 100 = 256 Hz）
原因：Hilbert 变换对带通滤波后的信号要求严格——若滤波器相位非线性，解析信号产生虚假调制。
解决：
- 改用
scipy.signal.firwin设计线性相位 FIR 带通滤波器（非 butter）； - 或直接用
scipy.signal.hilbert前，先signal.resample(acc, len(acc)*2)过采样，降低混叠风险。
5.3 现象：同一台电机，上午测 RMS=3.1 mm/s，下午测 RMS=5.8 mm/s，但轴承温度、电流均正常
原因：数采仪输入量程切换错误。上午用 10 V 量程（对应 ±100 g），下午误切为 1 V 量程（±10 g），导致信号削波，RMS 虚高。
解决：
- 检查数采仪配置：
cat /sys/devices/.../range（Linux 下）或读取设备寄存器； - 时域波形观察：削波时波形顶部/底部变平，
np.sum(acc > 0.9*np.max(acc)) > 10即告警。
5.4 现象：理论不平衡故障频率（1× RPM）在频谱上找不到，但 2×、3× RPM 明显
原因：转速测量不准。编码器信号受油污干扰，或磁性传感器安装间隙过大，导致 RPM 计算偏差 >5%。
解决：
- 不依赖编码器，用频谱峰值搜索：
f_peak = freqs[np.argmax(psd[10:200])]（限 10–200 Hz）； - 用
scipy.signal.find_peaks(psd, distance=50)找基频及谐波，验证是否满足f2/f1 ≈ 2.0。
5.5 现象：更换同型号传感器后，相同工况下速度 RMS 值相差 30%
原因：传感器灵敏度公差（典型 ±5%）叠加数采仪增益误差（±2%），累积误差达 ±7%，但用户未做标定。
解决：
- 每支传感器出厂标定证书必须录入系统；
- 现场用振动校准仪（如 B&K 4294）做单点标定：
acc_cal = voltage_measured * sensitivity_certified； - 在软件中设置通道增益补偿：
acc_corrected = acc_raw * (sensitivity_nominal / sensitivity_actual)。
6. 进阶技巧：用公式反推传感器选型与采样参数——让诊断逻辑驱动硬件配置
很多工程师把振动分析当成“软件事后处理”，其实公式本身就在告诉你硬件该怎么配。比如，要可靠捕获滚动体缺陷（BSF），先看它的理论频率范围，再倒推采样率与带宽。
6.1 从故障频率反推最低采样率：奈奎斯特不是终点，是起点
轴承 BSF 公式：
$$ \text{BSF} = \frac{N_b}{2} f_r \left(1 - \frac{d}{D}\cos\alpha \right) $$
其中 $N_b$ 为滚子数，$f_r$ 为转速（Hz），$d$ 为滚子直径，$D$ 为节径，$\alpha$ 为接触角。
某模拟项目 X 中，电机转速 2980 rpm（$f_r=49.7$ Hz），$N_b=11$，$d/D=0.2$，$\alpha=0^\circ$，算得 BSF ≈ 273 Hz。
但BSF 不是载波频率！实际缺陷冲击激发的是 3–8 kHz 高频共振。要捕获其包络，需满足：
- 采样率 $f_s$：必须 ≥ 2 × 载波上限（如 8 kHz → $f_s≥16$ kHz），但为留余量，选 25.6 kHz（常见工业数采仪档位）；
- 抗混叠滤波器截止频率：设为 $f_s/2.56 = 10$ kHz，确保 8 kHz 以上噪声被压制；
- FFT 分辨率：若需区分 BSF（273 Hz）与邻近的 2×BSF（546 Hz），要求 Δf < 100 Hz → $N > f_s / \Delta f = 25600/100 = 256$ 点，实际取 4096 点（Δf=6.25 Hz）。
6.2 用 RMS 公式预估传感器量程：避免削波与信噪比双输
假设目标检测最小故障对应速度 RMS=0.5 mm/s，载波频带 5 kHz，Q 值（品质因数）约 10，则加速度 RMS 为：
$$ a_{\text{rms}} = 2\pi f \cdot v_{\text{rms}} \cdot Q = 2\pi \times 5000 \times 0.0005 \times 10 \approx 157 , \text{m/s}^2 \approx 16 , g $$
因此传感器量程至少选 ±20 g（留 25% 余量），灵敏度选 100 mV/g（输出电压 2 V，适配多数数采仪 10 V 量程）。
6.3 一个硬核验证技巧：用白噪声注入测试整个链路的量纲保真度
生成已知 PSD 的白噪声（单位 (m/s²)²/Hz），走完整流程：
- 白噪声 → 加速度信号
acc_white； acc_white→ 速度 → 位移；- 对速度信号求 RMS，应严格等于理论值
sqrt(PSD * bandwidth)。
# 生成白噪声（PSD = 1e-6 (m/s²)²/Hz，带宽 10 kHz） np.random.seed(42) n_points = 2**16 fs = 25600 psd_target = 1e-6 acc_white = np.random.normal(0, np.sqrt(psd_target * fs), n_points) # 走完整流程 vel_white = acc_to_vel(acc_white, fs, highpass_hz=1.0) vel_rms_calc = np.sqrt(np.mean(vel_white**2)) * 1000 # mm/s # 理论值：sqrt(PSD * BW) * 1000 = sqrt(1e-6 * 10000) * 1000 ≈ 100 mm/s print(f"实测速度 RMS: {vel_rms_calc:.1f} mm/s") # 应在 95–105 mm/s 间若偏差 >10%，说明积分链或滤波器存在系统性增益误差，需校准。这个测试我坚持在每次新部署数采系统时做，它比任何说明书都可靠——毕竟，公式不会说谎，但人会忽略量纲。
希望帮到你。
本文还有配套的精品资源，点击获取
