故障监测基础：电机、泵、风扇的常见故障类型及其振动/电流/温度特征
在工业旋转设备中，电机、泵和风扇是最为常见的动力与输送设备。它们的运行状态直接关系到生产线的连续性与安全性。TinyML预测性维护的核心，并非盲目采集海量数据，而是基于对故障物理机理的深刻理解，精准提取能够表征设备健康状态的特征。本章将系统梳理这三类设备的典型故障模式，并深入解析其在振动、电流和温度三个物理维度上的可观测特征，为后续构建高效的边缘AI模型奠定坚实的信号基础。
2.1 核心原理：故障机理与特征信号的物理映射
旋转设备的绝大多数故障，最终都会通过机械振动、电机电流和表面温度的变化体现出来。理解这三类信号与故障之间的映射关系，是构建预测性维护模型的第一步。
振动信号是反映设备机械状态最直接、信息最丰富的载体。当设备内部出现轴承磨损、转子不平衡或结构松动时，振动能量会在特定频率处集中或发散。例如，滚动轴承的磨损会在其故障特征频率（如外圈BPFO、内圈BPFI、滚动体BSF）处产生冲击能量，而转子不平衡则主要表现为1倍转频（1×）分量的幅值增大。振动信号的优势在于其高灵敏度和早期可检测性，通常能在故障发展到严重阶段前数周甚至数月捕捉到异常。
电流信号则从电气侧提供了互补视角。电机作为旋转设备的动力源，其定子电流会因负载转矩的波动而产生调制现象。当机械侧出现故障（如轴承磨损导致负载波动）时，电流频谱中会在电源基频（如50Hz）两侧出现边带频率，其间隔等于机械故障特征频率。这种基于电机电流特征分析（MCSA）的方法，特别适合那些不便安装振动传感器的场景，如潜水泵或防爆电机。
温度信号虽然响应速度较慢，但具有极高的故障指向性。轴承润滑不良、摩擦加剧、绕组绝缘老化等故障，都会导致局部温度异常升高。温度趋势分析（而非单点阈值判断）对于识别渐进性退化过程尤为有效。
2.2 判断方法：三类设备故障的振动/电流/温度特征识别
针对电机、泵和风扇的常见故障，需要建立一套系统的特征识别方法。下表归纳了典型故障类型及其在多物理量上的可观测特征，这是后续特征工程和模型训练的直接依据。
| 故障类型 | 适用设备 | 振动特征 | 电流特征 | 温度特征 |
|---|---|---|---|---|
| 轴承磨损/点蚀 | 电机/泵/风扇 | BPFO/BPFI/BSF处出现峰值，时域有周期性冲击，峭度值升高 | 基频两侧出现间隔为故障特征频率的边带 | 轴承座温度缓慢上升，最终超过环境温度+40℃ |
| 转子不平衡 | 电机/风扇 | 1×转频处幅值显著增大，径向振动为主，轴向振动较小 | 电流幅值波动，出现1×转频调制边带 | 无明显温升，但电机负载增加导致绕组温度略升 |
| 轴不对中 | 电机-泵联轴器 | 2×转频分量突出，轴向振动明显增大，伴有1×分量 | 电流中出现2×转频边带，且随负载增大而增强 | 联轴器附近温度异常，轴承端盖发热 |
| 结构松动 | 电机/泵底座 | 振动频谱出现大量高次谐波（3×、4×…），相位不稳定，时域波形杂乱 | 电流谐波畸变率上升，但特征不如振动明显 | 通常无直接温升，但伴随异常噪声 |
| 润滑不足/油膜失稳 | 滑动轴承泵 | 高频噪声（>20kHz）增加，可能出现亚同步振动（0.4×~0.5×转频） | 电流噪声底噪升高，无明显边带 | 轴承温度快速上升，是润滑失效的最敏感指标 |
| 气蚀（泵） | 离心泵 | 宽频随机冲击，伴有气泡破裂产生的高频振动（500Hz~2kHz） | 电流波动加剧，但无固定特征频率 | 泵体局部温度下降（气蚀导致介质汽化吸热） |
在实际工程应用中，振动特征的提取通常采用以下流程：首先对原始时域信号进行带通滤波（如1kHz~10kHz），然后通过希尔伯特变换或带通滤波+整流+低通滤波获取包络信号，最后对包络信号进行FFT得到包络谱。在包络谱中，轴承故障特征频率及其谐波会清晰显现。对于电流信号，则需先进行去直流和抗混叠滤波，再通过加窗FFT（如汉宁窗）获得高分辨率频谱，重点观察基频附近的边带结构。
2.3 案例拆解：离心泵轴承早期磨损的TinyML识别实战
某化工厂循环水系统配备一台45kW离心泵，转速为2950rpm（转频fr=49.2Hz），泵端轴承为SKF 6310深沟球轴承。该泵已连续运行18个月，近期出现轻微噪声，但振动总值（RMS）仍在ISO 10816-3的A/B区边界，传统定期维护策略下仍计划继续运行至下一个检修周期。
初始现象与数据采集：维护团队在泵轴承座水平方向安装了一颗ADXL345加速度传感器（量程±16g，采样率12.8kHz），同时在电机进线端使用电流互感器采集单相电流（采样率6.4kHz）。连续采集10秒数据，并记录泵出口压力、流量及轴承座温度。
分析判断过程：
- 时域振动分析：原始振动波形中可见周期性冲击，冲击间隔约为10.2ms，对应频率约98Hz。计算峭度值为5.8（正常值应<3），表明存在明显冲击特征。
- 包络谱分析：对振动信号进行带通滤波（2kHz~8kHz）后提取包络，FFT分析发现98Hz处有显著峰值，且伴有196Hz、294Hz谐波。根据6310轴承几何参数计算：BPFO=3.05×fr≈150Hz，BPFI=4.95×fr≈244Hz，BSF=2.02×fr≈99Hz。98Hz峰值与BSF（滚动体故障频率）高度吻合。
- 电流特征验证：对电流信号做FFT，在50Hz基频两侧发现98Hz间隔的边带（即48.02Hz和51.98Hz处出现小峰值），幅值约为基频的0.8%，进一步确认了机械故障的存在。
- 温度趋势：轴承座温度从正常时的55℃缓慢升至62℃，温升速率约0.3℃/天，虽未达到报警阈值（75℃），但趋势异常。
实际操作与结果：基于上述多源特征融合判断，团队决定提前2周安排检修。拆解后发现滚动体表面存在明显点蚀剥落，保持架轻微变形。更换轴承后，振动峭度降至2.1，电流边带消失，温度在4小时内恢复至56℃。此次提前检修避免了潜在的轴承抱死事故，节省非计划停机损失约12万元。
复盘经验：单一振动RMS指标在早期故障阶段不敏感，而包络谱分析可将检测提前量提升至3~4周。电流特征作为交叉验证手段，有效排除了振动传感器误报的可能。TinyML模型在此场景中，只需在MCU上运行一个轻量级1D-CNN模型，输入为包络谱的128个频点特征和电流边带幅值，即可实现故障分类。
2.4 常见误区与总结复盘
在故障监测基础知识的应用中，工程师常陷入以下误区，需要特别警惕：
- 误区一：振动总值（RMS）万能论。RMS值对持续的高能量振动（如不平衡）敏感，但对早期轴承点蚀这类低能量冲击型故障反应迟钝。必须结合峭度、峰值因子等无量纲指标，以及包络谱分析。
- 误区二：忽视相位信息。不平衡和不对中在幅值上可能相似（1×分量增大），但相位特征截然不同——不平衡的径向相位稳定，不对中的轴向相位差接近180°。仅靠幅值谱容易误判。
- 误区三：电流特征孤立使用。MCSA虽然方便，但对机械故障的灵敏度低于振动，且容易受电网谐波、负载波动干扰。最佳实践是以振动为主判据，电流为辅助验证。
- 误区四：温度阈值一刀切。不同季节、不同负载下，设备温度差异很大。应建立基于工况（转速、负载率）的温度预测模型，分析残差而非值。
总结复盘：本章建立的故障-特征映射关系是TinyML预测性维护的特征工程基础。在实际项目落地时，建议按以下步骤操作：首先，明确设备的关键故障模式及其特征频率；其次，选择合适的传感器组合（振动+电流+温度），确定采样率和特征提取算法；再次，在边缘设备上实现特征提取的轻量化（如使用Goertzel算法替代完整FFT提取特定频点）；最后，利用少量标注数据训练分类模型，并在运行中持续更新阈值。
需要强调的是，故障特征并非一成不变。随着故障程度的加深，特征频率可能从单一峰值发展为谐波簇，幅值也会非线性增长。因此，TinyML模型应设计为输出故障概率和置信度，而非简单的二分类标签，以便维护人员结合趋势做出更合理的决策。