📚 课程目录第2章轴承故障基础

2、轴承故障基础：轴承结构、常见故障类型（磨损、点蚀、裂纹等）、故障机理与振动信号特征

轴承是旋转机械中最普遍也最关键的支撑部件，其健康状态直接决定设备能否平稳运行。在TinyML机械故障诊断项目中，我们采集的振动信号本质上就是轴承内部状态的外在映射——轴承的每一个结构损伤，都会在振动波形中留下独特的“指纹”。理解轴承的结构组成、故障演化路径以及振动信号特征，是后续设计特征工程、选择传感器、训练边缘模型的前提。本节将系统梳理轴承的结构层次、典型故障类型及其物理机理，并建立故障类型与振动频域特征之间的对应关系，为端侧识别模型提供理论依据。

2.1 滚动轴承的结构与失效模式

滚动轴承由内圈、外圈、滚动体和保持架四大核心元件组成。内圈与旋转轴过盈配合，随轴一起转动；外圈固定在轴承座或壳体上，保持静止；滚动体（钢球或滚子）在内、外圈滚道之间滚动，将滑动摩擦转化为滚动摩擦；保持架则均匀隔离滚动体，防止其相互接触和脱落。在TinyML故障诊断场景中，我们最关心的是振动信号从故障源到传感器安装点的传递路径：滚动体或滚道上的损伤点每经过一次承载区，就会产生一次机械冲击，该冲击通过轴承座传递到壳体表面，被加速度传感器拾取。

轴承的失效模式通常分为以下几类，每类故障在振动信号中呈现不同的特征：

故障类型	失效机理	典型原因	振动信号特征
疲劳点蚀（剥落）	交变接触应力超过材料疲劳极限，表面萌生微裂纹并扩展，最终形成剥落坑	长期重载运行、润滑不良、装配过紧	周期性冲击脉冲，故障特征频率处出现明显峰值，伴随边频带
磨粒磨损	硬质颗粒（金属碎屑、砂粒）进入滚道，造成表面材料均匀去除	密封失效、润滑油污染、装配环境不洁	振动整体能量上升，高频段噪声底抬高，无明显离散频率
粘着磨损（胶合）	润滑膜破裂，金属直接接触产生局部高温，材料转移和撕裂	润滑不足、转速过高、载荷过大	振动剧烈波动，出现不规则冲击，温度同步升高
裂纹与断裂	过载、冲击载荷或材料缺陷导致套圈或滚动体产生宏观裂纹	装配不当、意外撞击、疲劳裂纹扩展	突发性大幅值冲击，振动能量骤增，可能伴随异常噪声
保持架损伤	保持架变形、断裂或磨损，导致滚动体间距不均	润滑失效、装配应力、转速突变	振动频率成分杂乱，出现保持架特征频率（FTF）及其谐波

  关键认知：在TinyML端侧识别中，我们并不需要精确区分所有故障机理的细微差别，而是需要抓住每类故障最显著的振动“指纹”——即故障特征频率及其谐波结构。边缘模型通过提取这些频域特征，即可实现高效的故障分类。

2.2 故障特征频率的计算与物理意义

当轴承某一元件表面存在局部损伤时，滚动体经过损伤点会产生周期性冲击，该冲击的重复频率称为故障特征频率。这些频率完全由轴承的几何参数和转速决定，与载荷大小无关，因此可以作为故障识别的“稳定锚点”。对于深沟球轴承，四个基本特征频率的计算公式如下：

外圈故障频率（BPFO）= (n/2) × fr × (1 - d/D × cosα)
内圈故障频率（BPFI）= (n/2) × fr × (1 + d/D × cosα)
滚动体故障频率（BSF）= (D/d) × fr × [1 - (d/D × cosα)²]
保持架故障频率（FTF）= (1/2) × fr × (1 - d/D × cosα)

其中：
n  = 滚动体数量
fr = 转轴旋转频率（Hz）= 转速(rpm) / 60
d  = 滚动体直径（mm）
D  = 节圆直径（mm）
α  = 接触角（度）

以常见的6205深沟球轴承为例（n=9，d=7.94mm，D=39.04mm，α=0°），在转速为1797rpm（fr=29.95Hz）时，计算得到：BPFO≈107.4Hz，BPFI≈162.2Hz，BSF≈70.5Hz，FTF≈11.9Hz。这些频率值就是我们在频谱分析中重点搜索的目标。值得注意的是，实际故障发生时，振动信号中不仅包含基频，还包含其2倍频、3倍频等高次谐波，以及以转频为间隔的边频带（特别是内圈故障时，由于载荷区随轴旋转，边频带尤为明显）。

2.3 振动信号特征与故障类型的对应关系

在端侧TinyML模型中，我们通常从时域和频域两个维度提取特征。时域特征（如峰值、均方根值、峭度）反映振动的整体强度和冲击特性，适合做初步的异常检测；频域特征（如特征频率处的幅值、边频带能量）则能精确定位故障元件。下表总结了不同故障类型在振动信号中的典型表现：

故障位置	时域特征	频域特征	识别要点
外圈故障	周期性冲击脉冲，幅值稳定	BPFO及其谐波，边频带较少	特征频率稳定，不受转频调制影响
内圈故障	冲击幅值随载荷区位置变化，呈包络调制	BPFI及其谐波，两侧出现转频边频带	边频带是内圈故障的重要判据
滚动体故障	冲击间隔不规则，幅值波动大	BSF及其谐波，可能出现保持架频率调制	滚动体自转与公转叠加，特征频率较难提取
均匀磨损	整体振动水平上升，无显著冲击	高频段噪声底抬高，无明显离散谱峰	RMS值持续增大，峭度变化不明显

工程经验：在TinyML端侧部署时，由于计算资源有限，不建议直接对原始波形做完整FFT。更高效的做法是：先计算时域统计量（RMS、峭度、峰值因子）做粗筛，当检测到异常后再触发频域特征提取，或者使用轻量级滤波器组（如小波包分解）提取特定频段的能量作为特征向量。

2.4 案例拆解：从振动频谱定位内圈故障

某工厂一台离心泵的驱动端轴承（型号6308）出现异常噪声，振动传感器安装在轴承座垂直方向。设备转速为1485rpm（fr=24.75Hz），轴承参数：n=8，d=15.08mm，D=65mm，α=0°。现场采集的振动数据如下：

时域RMS值：从2.1mm/s上升到4.8mm/s（超过ISO 10816报警阈值）
峭度值：3.2（正常）→ 5.8（异常）
频谱分析：在123.5Hz处出现明显峰值，两侧存在24.5Hz间隔的边频带

分析过程：首先计算理论特征频率：BPFI = (8/2) × 24.75 × (1 + 15.08/65 × cos0°) ≈ 122.8Hz。实测峰值123.5Hz与理论值偏差0.6%，在允许误差范围内（通常±1%）。边频带间隔24.5Hz与转频24.75Hz基本一致，符合内圈故障的调制特征。综合判断为内圈疲劳点蚀。

处理措施：安排计划停机更换轴承。拆解后确认内圈滚道存在多处剥落坑，最大直径约3mm。更换新轴承后，振动RMS值恢复至1.8mm/s，设备运行平稳。

复盘经验：该案例中，如果仅依赖RMS值判断，只能得出“振动超标”的结论，无法定位故障源。而通过特征频率计算和边频带分析，在不停机的情况下就准确判断了故障位置，为维修准备争取了时间。在TinyML端侧模型中，我们可以将BPFI、BPFO等特征频率处的幅值作为分类特征，配合边频带能量比，即可在边缘设备上实现类似的诊断能力。

常见误区：初学者容易将频谱中的最高峰值直接对应为故障频率，这是错误的。实际振动信号中，转频及其谐波往往幅值最大，而故障特征频率的幅值可能相对较小。正确的做法是：先根据轴承参数计算理论特征频率，再在频谱中搜索该频率附近（±1%）是否存在峰值，同时检查谐波和边频带结构，综合判断。

2.5 总结与TinyML设计启示

本节内容为TinyML轴承故障识别奠定了物理基础。从端侧模型设计的角度，我们可以提炼出以下关键设计原则：

特征选择要“物理可解释”：优先选择与故障特征频率直接相关的频域特征（如BPFO/BPFI处的幅值），而不是盲目堆叠大量统计量。这不仅能提高模型精度，还能减少特征维度，降低边缘设备的计算负担。
采样率与频率分辨率的权衡：要准确分辨特征频率及其边频带，采样率至少为最高分析频率的2.56倍，采样时长需保证频率分辨率≤1Hz。例如，要分析到2000Hz，采样率应≥5120Hz；要分辨1Hz间隔的边频带，采样时长需≥1秒。
数据预处理的重要性：实际工业环境中，振动信号常包含噪声和干扰。在端侧进行带通滤波（如500Hz-5000Hz）可有效去除低频干扰和高频噪声，提升信噪比。
模型轻量化与鲁棒性平衡：树模型（如随机森林、XGBoost）和1D-CNN是TinyML轴承诊断的常用选择。前者特征可解释性强，后者能自动提取特征，但需要更多训练数据和计算资源。