机械振动故障分类基础：振动信号特征、常见故障类型与分类任务定义
机械振动故障分类是设备状态监测与智能运维的核心环节。在旋转机械中，振动信号携带了设备运行状态的丰富信息，不同故障类型会在频域、时域及时频域表现出特定的模式。本章将系统梳理振动信号的关键特征、常见机械故障（不平衡、不对中、轴承故障等）的振动表征，并明确分类任务的定义与边界，为后续基于ONNX Runtime的端侧部署奠定数据与任务基础。
核心原理：振动信号如何反映机械故障
旋转机械在运行过程中，由于转子质量分布不均、轴线不对中、轴承元件损伤等原因，会产生周期性的激励力，进而引发壳体或轴承座的振动响应。振动信号本质上是多种频率成分的叠加，包括与转速相关的转频及其谐波、轴承特征频率、齿轮啮合频率以及随机噪声。故障诊断的基本逻辑是：不同的机械故障会改变振动信号的幅值分布、频率结构或调制特性，通过提取这些变化特征，即可实现故障类型的判别。
从信号处理角度看，振动信号通常被划分为三个分析域：
- 时域分析：直接统计振动波形的幅值特征，如均方根值（RMS）反映振动能量水平，峰值反映瞬时冲击强度，峭度（Kurtosis）对冲击性故障敏感。时域指标计算简单，适合端侧实时计算，但信息粒度较粗。
- 频域分析：通过快速傅里叶变换（FFT）将时域信号转换为频谱，识别特定频率处的幅值峰值。例如，不平衡故障在1倍转频（1×）处有明显峰值，不对中故障则在2倍转频（2×）处出现较大峰值。频域分析是故障定位的主要手段。
- 时频域分析：当设备转速变化或故障产生非平稳信号时，短时傅里叶变换（STFT）或小波变换能够同时提供时间与频率信息，适用于变转速工况下的故障诊断。
在端侧部署场景中，考虑到计算资源与功耗限制，通常优先选择时域统计特征与FFT频谱特征作为模型输入，必要时辅以包络谱（通过Hilbert变换解调）提取轴承故障特征。
常见故障类型与振动特征
机械振动故障分类任务中，最常见的故障类型包括转子不平衡、轴不对中、滚动轴承故障、齿轮故障以及机械松动。每种故障在振动信号中都有相对明确的特征频率与幅值模式，下表总结了典型故障的振动特征对照：
| 故障类型 | 特征频率 | 振动幅值特征 | 方向性 | 典型频谱形态 |
|---|---|---|---|---|
| 转子不平衡 | 1×转频 | 径向振动增大，幅值与转速平方成正比 | 径向为主 | 1×处单一高峰，谐波较少 |
| 轴不对中 | 2×转频为主，常伴1× | 轴向振动显著增大，联轴器附近明显 | 轴向+径向 | 2×幅值接近或超过1×，伴有高次谐波 |
| 轴承外圈故障 | BPFO（外圈通过频率） | 冲击脉冲，幅值随载荷增大 | 径向为主 | 包络谱中BPFO处峰值，伴有边带 |
| 轴承内圈故障 | BPFI（内圈通过频率） | 冲击脉冲，受转频调制 | 径向为主 | 包络谱中BPFI处峰值，边带间隔为1× |
| 滚动体故障 | BSF（滚动体自转频率） | 冲击较弱，位置不固定 | 径向+轴向 | BSF处峰值，幅值较低 |
| 机械松动 | 1×及高次谐波（0.5×, 1.5×等） | 振动不稳定，幅值波动大 | 方向不定 | 频谱杂乱，出现分数谐波 |
轴承故障特征频率的计算依赖于轴承几何参数与转速，其公式如下：
BPFO = (n/2) × fr × (1 - d/D × cosα)
BPFI = (n/2) × fr × (1 + d/D × cosα)
BSF = (D/(2d)) × fr × (1 - (d/D × cosα)²)
FTF = (1/2) × fr × (1 - d/D × cosα)
其中：n为滚动体数量，fr为转频(Hz)，d为滚动体直径(mm)，D为节圆直径(mm)，α为接触角(°)分类任务定义与建模思路
机械振动故障分类任务可以形式化定义为：给定一段振动信号（或其特征表示），预测设备当前所处的健康状态类别。根据标签的粒度，可分为二分类（正常/异常）、多分类（正常/不平衡/不对中/轴承故障等）以及细粒度分类（区分轴承故障的具体元件位置）。
从模型输入的角度，有两种主流方案：
- 特征工程+传统机器学习：从振动信号中提取统计特征（RMS、峰值、峭度、波形因子等）和频域特征（各频带能量、特征频率幅值），构成特征向量，输入到随机森林、XGBoost或支持向量机分类器。该方案计算开销小，模型体积小，适合部署在MCU等资源受限设备。
- 端到端深度学习：将原始振动波形（一维时间序列）或时频图（二维图像）直接输入卷积神经网络（CNN）或循环神经网络（RNN），由模型自动学习特征。该方案精度上限更高，但模型参数量大，需要经过ONNX Runtime的量化与优化才能在端侧高效运行。
在ONNX Runtime端侧部署场景中，需要综合考虑模型精度、推理延迟、内存占用和功耗。通常建议：先通过特征工程建立基线模型，再根据精度需求决定是否引入深度学习模型。同时，分类任务的输出层应使用Softmax激活函数，输出各故障类别的概率分布，便于后续设置置信度阈值进行决策。
案例拆解：离心泵振动故障分类任务设计
某化工厂一台离心泵频繁出现振动超标问题，设备工程师采集了泵轴承座处的加速度振动信号，采样率为12.8kHz，每次采集时长为2秒，共采集了正常运行、不平衡、不对中、轴承外圈故障四种状态下的样本各200组。目标是构建一个分类模型，能够在现场边缘设备上实时判断当前设备状态。
初始现象与目标：泵的振动速度有效值（RMS）在2.8~4.5 mm/s之间波动，超过ISO 10816-3标准中2.8 mm/s的报警限。工程师需要区分故障类型，以便制定针对性的维修计划。
关键输入数据与特征提取：对每段2秒的振动信号（25600个采样点）进行如下处理：
- 计算时域特征：RMS、峰值、峭度、波形因子、脉冲因子；
- 进行FFT变换，提取1×、2×、3×转频处的幅值（转频fr=25Hz）；
- 计算轴承外圈特征频率BPFO（理论值约91.3Hz）附近±5Hz带宽内的频谱能量；
- 对信号进行Hilbert包络解调，提取包络谱中BPFO处的幅值。
最终每个样本形成一个10维特征向量。将800个样本按7:3划分为训练集和测试集，使用随机森林分类器进行训练。
分析判断过程：初步观察发现，不平衡样本的1×幅值平均为2.1mm/s，明显高于正常状态的0.4mm/s；不对中样本的2×幅值达到1.8mm/s，且轴向振动显著；轴承故障样本的包络谱BPFO处幅值突出，而原始频谱中该频率处幅值并不明显。这验证了包络解调对轴承故障诊断的必要性。
实际操作与结果：使用Python的scikit-learn库训练随机森林模型（200棵树，最大深度10），在测试集上取得了96.5%的准确率。混淆矩阵显示，不平衡与不对中之间存在少量混淆（约3%），原因是两者在1×和2×幅值比例上存在重叠区域。通过增加轴向振动特征后，混淆率降至1.2%。
部署与代价：将训练好的模型导出为ONNX格式，模型大小仅85KB，在ARM Cortex-A53处理器上单次推理耗时约0.8ms，完全满足实时监测需求。但工程师也发现，当泵转速波动超过±5%时，固定频率带宽的特征提取方式会导致精度下降，需要引入转速归一化处理。
常见误区与总结复盘
在机械振动故障分类任务的设计与实施中，初学者常犯以下错误：
- 误区一：忽视采样率与抗混叠滤波。采样率过低会导致高频故障特征混叠到低频段，造成误判。应确保采样率至少为最高分析频率的2.56倍，并在ADC前使用抗混叠滤波器。
- 误区二：直接使用原始波形训练深度学习模型而不做预处理。原始振动信号包含大量噪声和工况干扰，直接训练容易过拟合。建议先进行带通滤波（如10Hz~5kHz）和幅值归一化。
- 误区三：混淆特征频率与故障频率。例如，轴承故障的特征频率是滚动体通过损伤点时的冲击频率，而非转频的整数倍。需要根据轴承参数精确计算，不能简单套用1×或2×。
- 误区四：忽略模型在端侧的推理效率。一个在PC上精度很高的深度学习模型，可能因为参数量大、计算密集而无法在嵌入式设备上实时运行。应优先考虑模型量化（INT8）和剪枝技术。