要分析机器的“声音”，首先需要将它转化为可测量的电信号。加速度计是常用的振动传感器，内部有一块微小的压电晶体，当机器振动时，晶体受到惯性力产生形变，表面就会生成与振动加速度成正比的电荷。这个电荷信号经过放大和模数转换，变成计算机可以处理的数字波形。同样，声级计或麦克风则直接捕捉空气中传播的声压波动。无论是接触式的振动传感器还是非接触式的声学麦克风，它们都在做同一件事：把机械运动翻译成时间序列信号。
原始的时间波形看起来杂乱无章，但其中隐藏着规律。傅里叶变换是故障诊断的数学基石，它能把一个随时间变化的信号分解成不同频率成分的叠加，就像把一段复杂的和弦拆解成一个个单独的音符。得到的频谱图上，横轴是频率，纵轴是幅值。一台健康的机器，其频谱通常表现为少数几个稳定的峰值——对应转速频率及其谐波。一旦某个峰值异常升高，或者在非预期频率处出现新峰，就说明有部件在“走调”。例如，轴承外圈故障会在频谱上产生一系列以故障特征频率为间隔的边带，而齿轮断齿则会在啮合频率周围出现调制现象。
知道了异常频率，下一步是定位故障源。这需要建立“频率-部件”的对应关系。转轴的不平衡表现为1倍转频处的大幅振动；不对中则会在2倍转频处突出；滚动轴承的故障频率取决于滚珠数量、节径和接触角，不同部位（内圈、外圈、滚动体）各有独特的计算公式。对于更复杂的异响，如气流噪声或结构共振，工程师会使用声阵列技术——多个麦克风组成阵列，通过波束形成算法计算声源方向，就像用“声学相机”给机器拍照，直观地看到异响从哪个位置发出。近年来，深度学习也被引入这一领域，卷积神经网络可以直接从原始频谱图中学习故障特征，在某些场景下比人工设定阈值更灵敏。
声学与振动测试的本质，是赋予机器一种“自述”能力。通过传感器捕捉振动，用频谱分析拆解特征，再结合物理模型或数据驱动算法定位故障，我们就能在早期发现磨损、松动、裂纹等隐患。这项技术已广泛应用于风电齿轮箱、航空发动机、高铁轴承等关键设备的健康监测。随着边缘计算和人工智能的发展，未来的机器将不再只是被动地被“听诊”，而是能主动报告自己的健康状况，让维护从“定期检修”走向“预测性维护”。
