3、异常检测概念：异常检测定义、常见异常类型（冲击、磨损、共振）、在工业预测性维护中的应用价值

在工业设备运维场景中，异常检测是预测性维护体系的第一道技术关口。它的核心任务不是“预测设备何时坏”，而是“在设备尚未明显失效时，识别出偏离正常状态的行为模式”。对于振动传感器而言，异常检测意味着从连续的时域波形、频谱特征或统计指标中，区分出正常磨损、突发冲击、结构共振等不同性质的异常信号，并据此触发维护决策。本章将系统梳理异常检测的定义边界、工业现场最常见的三类振动异常（冲击、磨损、共振）的物理机理与识别特征，并结合TFLite Micro在边缘端的部署约束，讨论异常检测在预测性维护中的实际价值与落地路径。

3.1 异常检测的定义与核心原理

异常检测（Anomaly Detection）在工业振动监测中的定义是：通过传感器采集设备运行时的振动信号，利用统计模型、机器学习或深度学习算法，识别出与设备正常状态显著不同的数据模式。这里的“正常状态”并非固定不变，而是随工况（转速、负载、温度）动态变化的基线。例如，一台离心泵在额定转速2900rpm时，其振动频谱中1倍频（48.3Hz）幅值稳定在0.5mm/s左右，当轴承出现早期点蚀时，该频率的边带幅值会逐渐上升，同时高频段（2kHz-10kHz）出现能量聚集——这种变化就是异常检测需要捕捉的信号。

从技术实现角度看，异常检测分为三个层次：数据层（原始波形或预处理后的特征）、特征层（时域统计量、频域峰值、包络谱特征）、模型层（阈值判断、聚类、分类器、自编码器重构误差）。在TFLite Micro环境下，由于内存和算力限制，通常采用轻量级方案：在MCU上直接计算时域特征（RMS、峰值因子、峭度）和简化频域特征（FFT后特定频段能量），再通过固定阈值或简单分类器（如决策树、单类SVM的轻量实现）进行判断。

3.2 常见异常类型：冲击、磨损、共振

工业振动信号中的异常类型多种多样，但根据物理机理和信号特征，可以归纳为三大类：冲击型异常、磨损型异常和共振型异常。理解这三类异常的本质区别，是设计检测算法的前提。

异常类型	物理机理	时域特征	频域特征	典型场景
冲击异常	滚动体通过缺陷、齿轮啮合冲击、异物撞击	瞬态高幅值脉冲，持续时间短（<1ms），重复周期与转速相关	宽频激励，能量分布在较宽频带，出现边带族	轴承点蚀、齿轮断齿、刀具崩刃
磨损异常	表面材料逐渐去除，间隙增大，接触状态改变	RMS缓慢上升，波形趋于随机，峰值因子先升后降	特征频率幅值上升，谐波增多，高频段底噪抬高	滑动轴承磨损、齿轮均匀磨损、导轨磨损
共振异常	激励频率与结构固有频率重合，导致振幅放大	波形呈正弦状，幅值稳定但明显高于正常值	特定频率（固有频率）处出现尖锐峰值，且不随转速变化	基础松动、叶片共振、管道共振

3.2.1 冲击异常：瞬态能量释放

冲击异常是最容易识别的振动异常类型。当滚动轴承的滚珠通过局部缺陷（如剥落坑）时，会产生极短时长的冲击脉冲，该脉冲的重复频率等于轴承的故障特征频率（BPFO、BPFI等）。在时域波形上，冲击表现为明显的尖峰，其幅值可能达到正常振动水平的5-20倍。在频域上，冲击能量分布在很宽的频带内，但会以故障特征频率为中心形成边带族。

在TFLite Micro实现中，检测冲击异常最有效的方法是计算峭度（Kurtosis）和峰值因子（Crest Factor）。峭度是四阶统计矩，正常振动信号的峭度接近3（高斯分布），而冲击信号峭度可达到10-50。峰值因子是峰值与RMS的比值，正常值在3-5之间，冲击时可达10以上。这两个指标计算简单，仅需少量乘法和开方运算，非常适合MCU实时计算。

// 峭度计算伪代码（适用于MCU）
float kurtosis = 0;
float mean = 0, std = 0;
// 计算均值
for (i = 0; i < N; i++) mean += x[i];
mean /= N;
// 计算标准差
for (i = 0; i < N; i++) std += (x[i]-mean)*(x[i]-mean);
std = sqrt(std/N);
// 计算峭度
for (i = 0; i < N; i++) {
    float z = (x[i]-mean)/std;
    kurtosis += z*z*z*z;
}
kurtosis = kurtosis/N - 3;  // 减去高斯基线

3.2.2 磨损异常：渐进式退化

磨损异常与冲击异常的本质区别在于时间尺度。磨损是一个缓慢的、渐进的过程，其振动特征变化可能持续数周甚至数月。例如，滑动轴承的巴氏合金层逐渐磨损时，轴颈与轴承的间隙增大，导致转子的涡动轨迹发生变化，振动RMS值从初始的0.8mm/s缓慢上升到2.5mm/s。在频域上，磨损初期表现为1倍频幅值上升，随着磨损加剧，2倍频、3倍频等谐波成分逐渐增多，同时高频段（1kHz以上）的底噪能量明显抬高。

检测磨损异常需要采用趋势分析方法。在MCU上，可以维护一个滑动窗口的RMS均值，并计算其变化率。如果连续多个窗口的RMS值呈单调上升趋势，且上升斜率超过预设阈值，则判定为磨损异常。另一种有效方法是监测频带能量比，例如计算高频段（2kHz-5kHz）能量与低频段（50Hz-500Hz）能量的比值，磨损时该比值会持续增大。

3.2.3 共振异常：结构固有频率放大

共振异常与前两类有本质区别：它不是设备本身损坏引起的，而是结构动力学问题。当设备的激励频率（如转子转速频率、齿轮啮合频率）接近或等于结构固有频率时，振动幅值会被放大数倍甚至数十倍。共振异常的典型特征是：振动幅值在特定转速或特定频率下突然增大，且该频率不随负载变化而变化。

识别共振异常需要结合转速谱阵（Waterfall图）或模态分析。在MCU上，由于计算资源有限，通常采用简化方法：在设备启动或停机过程中，连续采集振动信号并计算各频率分量的幅值变化。如果发现某个频率分量的幅值在特定转速区间内出现明显峰值，且该频率与转速频率不成整数倍关系，则高度怀疑存在共振。

3.3 异常检测在工业预测性维护中的应用价值

预测性维护（Predictive Maintenance, PdM）的核心思想是“在设备失效前进行维护”，而异常检测正是实现这一目标的关键技术。根据美国能源部的统计，有效的预测性维护可以降低维护成本25%-30%，减少非计划停机时间35%-45%，延长设备使用寿命10%-20%。

3.3.1 从“定期维护”到“按需维护”的转变

传统维护模式分为两种：事后维护（设备坏了再修）和预防性维护（按固定周期更换零件）。前者导致非计划停机损失，后者造成“过度维护”——许多零件在未达到寿命极限时就被更换。异常检测使维护模式升级为“按需维护”：只有当振动特征显示设备状态异常时，才安排维护作业。例如，某化工厂的搅拌器原先每3个月更换一次轴承，采用振动异常检测后，发现轴承实际寿命可达8个月，维护周期延长至6个月，每年节省轴承费用和人工成本约12万元。

3.3.2 异常检测的经济效益量化

维护模式	年维护成本（万元）	非计划停机时间（小时/年）	设备可用率	备件库存成本（万元）
事后维护	45	120	92%	18
预防性维护	38	60	96%	15
预测性维护（含异常检测）	28	25	98.5%	10

上表数据基于某钢铁厂轧机机组的实际统计。可以看出，预测性维护虽然需要前期投入传感器和算法开发成本，但长期运行的综合效益显著。对于TFLite Micro方案，由于传感器节点成本低（MCU+加速度计约50-100元），可以大规模部署，覆盖更多监测点，进一步提升异常检测的覆盖率。

3.3.3 边缘计算与云端协同的价值分层

在工业物联网架构中，异常检测并非全部在边缘完成。合理的分工是：边缘层（MCU）负责实时性要求高的初步筛选（如冲击检测、超阈值报警），云端/网关层负责复杂的趋势分析和多传感器融合诊断。TFLite Micro的优势在于：它可以在MCU上运行轻量级神经网络模型，将部分智能推理下沉到边缘，减少数据传输量。例如，一个振动传感器节点每秒钟采集20kHz采样率的数据，如果不做边缘处理，每天需要上传约3.4GB数据；而通过边缘异常检测，只上传异常片段和统计特征，数据量可减少至原来的1/1000。

3.4 案例拆解：离心泵轴承冲击异常检测

下面通过一个完整的案例，展示异常检测从数据采集到维护决策的闭环流程。

背景与约束：某石化厂的一台卧式离心泵，转速2950rpm（约49.2Hz），驱动电机功率75kW。泵体安装有一个三轴加速度传感器（量程±16g，灵敏度100mV/g），采样率12.8kHz，每次采集4096点（约0.32秒）。MCU采用STM32F446（Cortex-M4，180MHz），运行TFLite Micro，内存预算16KB。

初始现象：设备运行正常时，振动速度RMS为1.2mm/s（符合ISO 10816-3标准）。运行3个月后，RMS缓慢上升至1.8mm/s，但未超过报警阈值（4.5mm/s）。第4个月，RMS突然跳变至3.5mm/s，同时操作人员反映泵体有轻微异响。

关键数据与判断过程：

1. 时域分析：计算峭度值，从正常时的3.2上升至8.7，峰值因子从4.1上升至9.5，提示存在明显冲击成分。
2. 频域分析：对4096点FFT，频谱分辨率3.125Hz。在2.5kHz-5kHz频段发现边带族，边带间隔约147Hz，与轴承外圈故障特征频率BPFO（计算值146.8Hz）吻合。
3. 包络谱分析：对原始信号进行带通滤波（2kHz-5kHz）后取包络，再FFT，在147Hz处出现明显峰值，幅值达0.8g，确认轴承外圈存在局部缺陷。

实际操作步骤：

// TFLite Micro 模型输入特征（5维）
float features[5] = {
    rms_value,        // 振动速度RMS (mm/s)
    kurtosis_value,   // 峭度
    crest_factor,     // 峰值因子
    bpfo_energy,      // BPFO边带能量占比
    high_freq_ratio   // 2k-5kHz能量/总能量
};
// 模型输出：0=正常，1=冲击异常，2=磨损异常，3=共振异常
// 使用2层全连接神经网络（5→8→4），参数量约100个

结果对比：模型输出为“冲击异常”概率0.92。维护人员安排停机检查，发现轴承外圈有一个约2mm×3mm的剥落坑。更换轴承后，振动RMS恢复至1.1mm/s，峭度降至3.0。从异常触发到更换轴承，设备共运行了约120小时，期间振动RMS从3.5mm/s缓慢上升至4.2mm/s，但未造成灾难性失效。

风险与代价：本次维护停机4小时，损失产值约8万元。如果未及时发现，轴承可能在第5个月内完全失效，导致转子卡死，维修成本将超过30万元（含轴修复、密封更换、紧急人工费）。

复盘经验：① 单一RMS阈值报警会漏掉早期冲击异常，必须结合峭度等冲击敏感指标；② 边带间隔计算需要准确的转速信息，建议在MCU上同时采集转速脉冲信号；③ TFLite Micro模型在16KB内存下运行良好，推理时间约3ms，满足实时性要求。

3.5 常见误区与总结复盘

在异常检测方案设计中，工程师常犯以下错误：

• 误区一：阈值设置固定不变。设备在不同工况（如启动、停机、变载）下的正常振动水平差异很大，固定阈值会导致大量误报或漏报。应使用工况自适应阈值或基于统计过程控制（SPC）的动态控制限。
• 误区二：只关注RMS值。RMS是振动能量的整体度量，但对早期局部缺陷不敏感。必须结合峭度、峰值因子、频带能量等多维特征。
• 误区三：忽略共振风险。在设备启停过程中，如果共振频率被激励，振动幅值会短暂超过报警阈值，但设备本身并无故障。需要区分共振与真实故障，避免误维护。
• 误区四：模型训练数据不足。异常检测模型需要覆盖正常工况的多种变化（不同转速、负载、温度），否则在工况变化时会产生大量误报。建议至少采集2周以上的正常运行数据作为基线。