2. 故障数据基础

故障数据是工业大数据分析与故障诊断的基石。只有准确理解故障数据的定义、掌握常见故障类型、熟悉数据采集方式与传感器选型原则，才能为后续的数据预处理与异常寿命样本判定打下坚实基础。本章从这四个维度展开，帮助学员建立系统化的故障数据认知框架。

2.1 故障数据的定义

故障数据是指在设备、系统或生产过程中，当某一功能或性能指标偏离正常范围时，由传感器、控制器或人工记录所捕获的反映异常状态的数据集合。故障数据通常包含时间戳、工况参数、振动信号、温度曲线、电流波形、压力波动等多元信息。

在工业场景中，故障数据通常以三种形式存在：

• 原始采集数据： 传感器直接输出的未经处理的信号，如振动加速度、温度、压力、电流等。
• 特征工程数据： 对原始数据进行时域、频域或时频域分析后提取的统计特征，如均方根值、峰值因子、频谱能量等。
• 标签化故障数据： 经过人工标注或系统自动判定的带有故障类型、严重程度、发生时间等标签的数据。

2.2 常见故障类型

工业设备故障按物理属性可分为机械故障、电气故障和系统故障三大类。下表列出了各类故障的典型表现、常见原因与典型数据特征。

2.3 数据采集方式

工业数据采集方式根据信号类型、采样频率、传输距离和实时性要求的不同，主要分为以下四种：

1. 有线采集（工业以太网/现场总线）： 适用于高速、高可靠性场景，如振动信号、高速电流信号。常用协议包括Profinet、EtherCAT、Modbus TCP等。采样率可达100 kHz以上。
2. 无线采集（Wi-Fi/蓝牙/LoRa/5G）： 适用于旋转部件、移动设备或布线困难场景。LoRa适合远距离低速率（如温度、压力），5G适合高速率低延迟（如实时振动监测）。
3. 边缘采集（嵌入式DAQ/PLC）： 在设备端完成信号调理、模数转换和初步特征提取，仅上传关键特征或报警信息，降低数据传输压力。
4. 云端采集（IoT网关+云平台）： 通过网关汇聚多源数据，上传至云端进行存储、分析与模型训练。适用于跨地域、多设备的大数据场景。

2.4 传感器选型原则

传感器是故障数据采集的“第一道关口”，选型是否合理直接影响数据质量和诊断效果。以下是工业故障诊断场景中传感器选型的核心原则：

2.5 数据采集系统典型架构

一个完整的工业故障数据采集系统通常包含以下五个层次，各层次之间通过标准协议进行数据交互：

• 感知层： 各类传感器（振动、温度、压力、电流、声发射等）将物理量转换为电信号。
• 调理层： 信号放大器、滤波器、隔离器对原始信号进行预处理，提高信噪比。
• 采集层： 数据采集卡（DAQ）、PLC、嵌入式系统完成模数转换（ADC），采样率根据故障特征频率设定（通常为特征频率的5~10倍）。
• 传输层： 通过有线（以太网、RS485）或无线（Wi-Fi、5G）方式将数字信号传输至边缘节点或服务器。
• 存储与分析层： 时序数据库（如InfluxDB、TimescaleDB）存储原始数据，大数据平台（如Hadoop、Spark）进行批量分析，实时流处理引擎（如Kafka、Flink）处理在线数据。

2.6 数据质量对故障诊断的影响

故障数据质量直接决定诊断模型的准确性和可靠性。常见的数据质量问题包括：