2、故障识别基础：工业故障类型（正常、磨损、不平衡）的定义、特征与典型场景
在构建基于TinyML的分类式故障识别系统之前，必须首先建立对工业设备故障模式的清晰认知。本章聚焦于三类最基础、最具代表性的设备状态——正常状态、磨损故障与不平衡故障，从物理定义、信号特征、典型场景三个维度展开剖析。这三类状态不仅是旋转机械（电机、泵、风机、压缩机）中最常见的运行工况，也是后续振动信号采集、特征工程与模型训练的数据基础。理解它们的本质差异，是设计有效分类器的前提。
2.1 核心原理：三类状态的物理本质与信号生成机制
正常状态是设备在设计工况下运行的基准状态。此时，旋转机械的振动能量主要来源于不可避免的间隙、装配公差、流体扰动和电磁力等随机激励。振动信号在时域上表现为幅值稳定的随机波形，峰值因数（峰值/RMS）通常介于3~5之间；在频域上，能量分布较宽但幅值较低，转频（1X）分量虽存在但不占主导。正常状态并非“零振动”，而是振动水平处于设备制造商规定的允许范围之内，且各频率分量幅值保持相对稳定。
磨损故障属于渐进性退化故障，其物理本质是运动副表面材料逐渐剥离，导致配合间隙增大、接触状态恶化。以滚动轴承为例，当滚道或滚动体出现点蚀、剥落时，每次滚动体经过缺陷位置都会产生一个短暂的冲击脉冲。这种冲击在时域上表现为周期性出现的尖峰，其周期与轴承的故障特征频率（BPFO、BPFI、BSF等）相关。冲击脉冲会激发系统的高频固有振动，因此在频域上表现为以固有频率为中心的谐振峰，并伴随以故障特征频率为间隔的边带。磨损故障的振动信号最显著的特征是峭度值升高（通常大于4），且峰值因数明显增大。
不平衡故障是指转子质量中心与旋转中心不重合，产生离心力。该离心力的大小与质量偏心距和转速的平方成正比（F = m·e·ω²）。因此，不平衡故障的振动具有强烈的转速依赖性——转速越高，振动越剧烈。在时域上，振动波形近似正弦波，幅值稳定；在频域上，能量高度集中于转频（1X）分量，其幅值通常占总振动能量的80%以上，而2X、3X等高次谐波幅值很小。不平衡故障的相位特征是：在转子圆周方向上，振动高点与不平衡质量点之间存在固定的滞后角（通常约90°~120°）。
2.2 判断方法：从信号采集到特征提取的操作流程
在实际工业场景中，判断设备处于何种状态需要遵循一套标准化的操作流程。该流程是后续TinyML模型训练数据采集的工程基础。
- 确定测点与安装方式：对于旋转机械，加速度传感器应尽量安装在轴承座或壳体刚度较大的位置，使用磁座或螺纹安装，确保传感器与设备之间无松动。采样方向通常选择水平径向（对不平衡最敏感）和垂直径向（对磨损冲击较敏感）。
- 设定采样参数：根据设备转频（f₀）确定采样率。建议采样率≥10倍的最高分析频率，而最高分析频率通常取转频的10~20倍。例如，对于转速为1500 RPM（转频25 Hz）的电机，采样率建议≥5 kHz。采样时长应至少包含10~20个转频周期，以保证频率分辨率足够。
- 时域特征提取：计算振动信号的有效值（RMS）、峰值、峰值因数、峭度、波形因数等统计量。其中，峭度对冲击型故障（磨损）极为敏感，而RMS值适合评估整体振动水平。
- 频域特征提取：对时域信号进行FFT变换，提取1X、2X、3X等转频谐波的幅值，以及特定频带（如2~10 kHz）内的能量和。对于磨损故障，需关注高频段的谐振峰和边带；对于不平衡故障，则重点关注1X幅值占比。
- 状态判定：将提取的特征与设备历史基线数据或ISO 10816等标准阈值进行对比。若1X幅值超过正常值2倍以上且其他频段能量低，判定为不平衡；若峭度>4且高频能量显著增加，判定为磨损；若所有指标均在基线±20%范围内，判定为正常。
| 特征指标 | 正常状态 | 磨损故障 | 不平衡故障 |
|---|---|---|---|
| 时域波形 | 随机平稳，无冲击 | 周期性冲击脉冲 | 近似正弦波 |
| RMS值 | 基线水平 | 轻度升高 | 显著升高（与转速相关） |
| 峭度 | ≈3 | >4，甚至>10 | ≈3（无冲击） |
| 频谱主峰 | 无明显主峰 | 高频谐振峰+边带 | 1X转频幅值突出 |
| 转速敏感性 | 不敏感 | 较敏感 | 极敏感（与ω²成正比） |
2.3 案例拆解：离心风机的不平衡与轴承磨损复合故障识别
某化工厂一台功率为45 kW的离心风机，额定转速为2950 RPM（转频约49.2 Hz），通过联轴器与电机直连。该风机已连续运行约18个月，近期出现振动超标报警。现场工程师使用手持式测振仪在风机轴承座水平方向测得振动速度有效值为7.8 mm/s（ISO 10816-3 区域C，需要维修），而三个月前该值为3.2 mm/s（区域A/B）。
初步现象与数据采集：为查明振动升高的原因，工程师使用加速度传感器（灵敏度100 mV/g）进行详细测量，采样率设为12.8 kHz，采样时长为2秒。采集到的时域信号显示：波形整体幅值较大，且叠加有周期性冲击脉冲，冲击间隔约为0.020秒（对应频率约50 Hz，接近转频）。同时，波形呈现明显的调幅特征。
分析判断过程：对信号进行FFT分析后发现：频谱中1X（49.2 Hz）分量幅值高达4.2 mm/s，占总能量的54%；同时，在3.2 kHz附近出现明显的谐振峰，且该谐振峰两侧存在间隔为49.2 Hz的边带。进一步计算时域信号的峭度为5.8，峰值因数为6.2。综合判断：1X幅值突出且转速敏感，表明存在转子不平衡；而高频谐振峰+边带+高峭度，则表明轴承滚道存在局部磨损（点蚀）。这是一例典型的复合故障——不平衡加剧了轴承的动载荷，加速了磨损进程。
实际操作与结果：停机后对风机转子进行动平衡测试，发现叶轮侧残余不平衡量为85 g·mm，远超允许值（30 g·mm）。在叶轮平衡盘上加装配重后，1X振动幅值从4.2 mm/s降至1.1 mm/s。随后更换了风机轴承，拆解后发现内圈滚道存在多处剥落坑。修复后，风机振动速度有效值降至2.8 mm/s，峭度恢复至3.1，设备恢复正常运行。
风险与代价：若仅按不平衡故障处理而不更换轴承，磨损碎片可能进入保持架导致轴承卡死，引发设备损毁事故。本次维修总停机时间为16小时，若发生轴承抱死，维修时间将超过72小时且可能损坏电机。
复盘经验：复合故障在工业现场极为常见。TinyML分类器在训练时，必须包含复合故障样本，否则模型会将复合故障误判为单一故障类别。建议在数据采集阶段，人为模拟不同磨损程度与不平衡量的组合工况。
2.4 常见误区与总结复盘
在故障识别基础教学中，初学者常陷入以下误区，这些误区会直接影响TinyML模型的特征选择与分类效果。
总结复盘：本章建立的三类状态认知框架，是TinyML故障识别系统的“知识底座”。正常状态提供了分类的基线参照；磨损故障的特征在于高频冲击与峭度变化；不平衡故障的特征在于1X转频幅值主导与转速敏感性。在实际工程中，这三类状态往往相互叠加、相互影响，形成复合故障。因此，在构建数据集时，不仅要采集纯正常、纯磨损、纯不平衡样本，还应采集不同磨损程度、不同不平衡量以及两者组合的样本。此外，特征工程应兼顾时域统计量（RMS、峭度、峰值因数）与频域特征（1X幅值、高频能量比、边带能量），为TinyML模型提供区分度高的输入向量。下一阶段，我们将在此基础上，探讨如何将振动信号转化为适合边缘设备推理的轻量级特征集。