旋转机械中每个部件都有其固有的特征频率。以滚动轴承为例，内圈、外圈、滚动体和保持架在运转中各自对应不同的故障特征频率（如BPFO、BPFI等），这些频率由轴承几何参数和转速决定。当外圈出现剥落时，振动频谱中会激发出以BPFO为间隔的冲击脉冲序列。工程师通过加速度传感器采集振动信号，再经傅里叶变换得到频谱图，就能在特定频率位置发现异常峰值，从而判断故障发生在哪个部件上。齿轮箱诊断同样依赖啮合频率及其边带分析——边带间距往往对应故障齿轮的转频，这为定位故障齿轮提供了直接线索。
实际工况中，机器转速常发生变化，单纯依靠傅里叶变换难以处理非平稳信号。此时短时傅里叶变换、小波变换等时频分析方法便派上用场，它们能同时呈现信号在时间和频率上的演变。例如在变转速工况下，包络分析结合阶次跟踪技术，可将振动信号按转角而非时间重采样，使故障特征频率在阶次谱中保持稳定，大幅提升诊断可靠性。声学测试则常采用声阵列和波束成形技术，在嘈杂环境中定位噪声源，适用于电机、风机等设备的异响排查。
如果说特征频率识别是“对症查病”，模态分析则更接近“了解体质”。模态分析通过测量结构在不同频率下的响应，识别出固有频率、阻尼比和振型。当结构出现裂纹或连接松动时，固有频率会发生偏移，振型也会改变。实验模态分析（EMA）通过力锤或激振器施加激励，配合多点响应测量，可建立结构的动态模型；工作模态分析（OMA）则仅凭运行状态下的响应数据即可识别模态参数，特别适合大型在役设备。这些模态信息不仅用于故障诊断，还能指导减振设计和结构优化。
声学与振动测试将机械故障从“事后维修”推向“预测性维护”。特征频率识别帮我们锁定故障部位，时频分析应对复杂工况，模态分析则揭示结构动态特性的深层变化。三者层层递进，共同构成机械故障诊断的技术链条。随着边缘计算和机器学习的发展，这些方法正变得更加智能和实时，让机器“说话”的每一个细节都不被遗漏。
