### 滚动轴承 FFT 振动信号提取方法 在 PyCharm 中实现滚动轴承的 FFT（快速傅里叶变换）以提取振动信号的方法可以通过 Python 的科学计算库 `numpy` 和绘图工具 `matplotlib` 来完成。以下是具体的实现方式： #### 数据准备 假设已经获取到滚动轴承的振动信号数据，通常这些数据是以时间序列的形式存储在一个数组中。如果尚未准备好数据，则可以从公开的数据集中加载，例如西储大学发布的滚动轴承实验数据。 ```python import numpy as np import matplotlib.pyplot as plt # 假设这是采集到的时间域振动信号 time_domain_signal = np.random.normal(size=1024) # 随机生成模拟数据 sampling_rate = 1024 # 采样率 (Hz)，可以根据实际情况调整 ``` #### 执行 FFT 变换 利用 `numpy.fft.fft()` 函数可以轻松执行离散傅里叶变换。为了便于分析频率成分，还需要计算对应的频率范围。 ```python def compute_fft(signal, sampling_rate): """ 对输入信号进行快速傅里叶变换并返回幅度谱和频率向量。 参数: signal (ndarray): 输入的时间域信号 sampling_rate (float): 采样率 返回: freqs (ndarray): 频率向量 amplitude_spectrum (ndarray): 幅度谱 """ n_points = len(signal) fft_result = np.fft.fft(signal) / n_points # 归一化处理 amplitude_spectrum = np.abs(fft_result[:n_points // 2]) * 2 # 单边幅值谱 freqs = np.arange(n_points // 2) * (sampling_rate / n_points) # 频率向量 return freqs, amplitude_spectrum freq_vector, amp_spec = compute_fft(time_domain_signal, sampling_rate) ``` #### 结果可视化 使用 Matplotlib 将频域结果绘制出来以便于观察主要频率分量及其强度。 ```python plt.figure(figsize=(10, 6)) plt.plot(freq_vector, amp_spec, color="blue", linewidth=1.5, linestyle="-") plt.title("Frequency Domain Representation of Vibration Signal", fontsize=18) plt.xlabel("Frequency (Hz)", fontsize=16) plt.ylabel("Amplitude", fontsize=16) plt.grid(True) plt.tight_layout() plt.show() ``` 以上代码实现了从原始振动信号到其频域表示的过程[^1]。此过程中涉及的关键技术包括但不限于 FFT 计算以及如何正确解释所得的结果。 对于更复杂的场景，比如需要区分不同类型的故障模式或者进一步优化特征提取流程时，还可以引入机器学习框架如 TensorFlow 或 PyTorch，并结合 CNN-LSTM 等先进算法提升诊断精度[^3]。