振动故障诊断基础:振动信号特征、常见故障类型及其频谱特征

振动故障诊断是设备状态监测与预测性维护的核心技术之一。在旋转机械中,约70%的故障都会通过振动信号的变化表现出来。理解振动信号的物理本质、掌握典型故障的频谱特征,是后续利用TinyML在边缘端实现自动诊断的前提。本章将从振动信号的产生机理出发,系统梳理不平衡、不对中、轴承磨损等典型故障的时域与频域特征,为后续特征工程与模型训练奠定基础。

旋转机械振动故障诊断知识框架 振动信号源 旋转机械 (电机/泵/风机/压缩机) 信号采集 加速度传感器 (ICP/IEPE/压电式) 信号处理 FFT/包络谱 时域统计/小波 典型故障类型 不平衡 (Unbalance) 不对中 (Misalignment) 轴承磨损 (Bearing Wear) 频谱特征 1× 转频为主 2× 转频为主 BPFO/BPFI/BSF/FTF TinyML诊断输出 故障类型识别 故障严重程度评估 剩余寿命预测 图2-1 振动故障诊断知识框架:从信号采集到TinyML诊断输出

2.1 振动信号的物理本质与表征参数

旋转机械的振动本质上是机械结构在动态力作用下产生的周期性或准周期性位移响应。当转子系统存在质量偏心、结构变形或部件损伤时,旋转过程中会产生周期性的激振力,该力通过轴承座传递到壳体,最终表现为可测量的振动加速度、速度或位移信号。振动信号中蕴含着丰富的设备状态信息,其幅值大小反映故障严重程度,频率成分则对应不同的故障机理。

在工程实践中,通常从三个维度描述振动信号:

  • 时域参数:包括峰值(Peak)、峰峰值(Peak-to-Peak)、均方根值(RMS)、峰值因子(Crest Factor)、峭度(Kurtosis)等。RMS值反映振动能量总体水平,适用于稳态工况评估;峭度对冲击型故障敏感,常用于轴承早期损伤检测。
  • 频域参数:通过FFT将时域信号转换为频谱,提取各频率分量的幅值、相位和能量分布。频谱分析是故障类型识别的核心手段。
  • 时频域参数:对于非平稳信号(如变转速工况),需使用短时傅里叶变换(STFT)、小波变换等方法,同时观察频率随时间的变化规律。
参数类别 参数名称 物理含义 适用场景
时域 RMS (mm/s) 振动能量有效值 整体状态评估、ISO 10816标准
时域 峭度 (Kurtosis) 信号分布尖锐程度 轴承早期冲击故障
频域 1× 转频幅值 基频分量幅值 不平衡、轴弯曲诊断
频域 2× 转频幅值 二倍频分量幅值 不对中、轴裂纹诊断
频域 BPFO/BPFI 轴承外圈/内圈通过频率 轴承滚动体/滚道损伤
经验提示:在TinyML边缘部署场景中,受限于MCU的计算能力和存储空间,通常优先提取RMS、峭度、峰值因子等时域特征,以及1×、2×、BPFO等关键频点的幅值作为模型输入,而非直接输入原始波形或完整频谱。这能显著降低特征维度,减少模型参数量。

2.2 典型故障类型及其频谱特征

旋转机械的常见故障各有其独特的振动特征。掌握这些特征与故障机理之间的对应关系,是建立诊断规则和训练分类模型的基础。以下重点分析三种最常见的故障类型。

2.2.1 转子不平衡

不平衡是旋转机械中最常见的故障,约占所有振动问题的30%~40%。其根本原因是转子质量中心与旋转中心不重合,产生离心力。离心力大小与质量偏心距和转速的平方成正比,因此高速设备对不平衡尤为敏感。

频谱特征:不平衡故障的振动能量主要集中在转频(1×)处,幅值随转速升高而增大。在时域波形上表现为近似正弦波,径向方向(水平和垂直)振动较大,轴向振动较小。相位上,水平和垂直方向振动相位差约为90°。

2.2.2 轴系不对中

不对中是指电机与负载(泵、风机等)之间的联轴器连接存在轴线偏移,包括平行不对中、角度不对中和综合不对中。不对中会产生附加弯矩和径向力,导致振动加剧,严重时还会引起联轴器损坏和轴疲劳断裂。

频谱特征:不对中的典型特征是2×转频分量显著增大,同时伴有1×分量。平行不对中时,2×分量占主导;角度不对中时,轴向振动明显增大,且1×和2×分量同时升高。严重不对中时,还会出现3×、4×等高次谐波。

2.2.3 滚动轴承磨损

滚动轴承是旋转机械中最易损坏的部件之一。当轴承的滚动体、内圈、外圈或保持架出现点蚀、剥落、裂纹等损伤时,每次滚动体经过损伤点都会产生周期性冲击,激发轴承结构的高频固有振动。

频谱特征:轴承故障的特征频率与轴承几何参数和转速相关,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/(2d)) × fr × (1 - (d/D × cosα)²)
保持架故障频率 FTF  = (fr/2) × (1 - d/D × cosα)
其中:n=滚动体数量,fr=转频,d=滚动体直径,D=节圆直径,α=接触角

在频谱图上,轴承早期故障表现为特征频率处的峰值,并伴随边频带。随着故障发展,高频段会出现轴承固有频率的调制峰群,此时需采用包络解调分析(Envelope Analysis)才能有效提取。

对比分析:三种典型故障的频谱特征差异明显,是自动诊断的关键判别依据。
故障类型 主导频率 振动方向 时域特征 随转速变化
不平衡 1× 转频 径向为主 正弦波 幅值∝转速²
不对中 2× 为主,1× 次之 径向+轴向 波形畸变 幅值随负载增大
轴承磨损 BPFO/BPFI/BSF + 高频调制 径向为主 冲击脉冲 特征频率随转速线性变化

2.3 振动信号采集与预处理要点

在TinyML振动诊断系统中,信号采集质量直接决定诊断准确性。传感器选型、安装位置、采样参数设置和预处理流程都需要严格把控。

  1. 传感器选型:工业设备振动监测通常选用压电式加速度传感器(ICP型),频响范围1Hz~10kHz,量程±50g。对于低速重载设备(转速<300rpm),可选用速度传感器或位移传感器。
  2. 安装位置:传感器应尽量靠近轴承承载区,安装在刚度较大的平面上。使用磁座或螺纹连接,避免手持或胶粘,防止高频信号衰减。测量方向优先选择径向(水平、垂直),必要时增加轴向测点。
  3. 采样参数设置:根据最高分析频率确定采样率。奈奎斯特定理要求采样率≥2倍最高频率,工程上通常取2.56倍。例如分析频率10kHz,采样率设为25.6kHz。采样时长需满足频率分辨率要求:Δf = fs/N,一般要求Δf ≤ 1Hz,因此N = fs/Δf = 25600点。
  4. 抗混叠滤波:采样前必须经过低通抗混叠滤波器,截止频率设为分析频率的80%,避免高频噪声混叠到低频段。
风险提示:在边缘端部署TinyML模型时,MCU的ADC采样率和存储空间有限。若MCU无法支持25.6kHz采样,可考虑降低分析频率至5kHz(覆盖轴承故障特征频率),或采用分时采样策略。此外,需注意传感器供电电压和信号调理电路的匹配,避免信号饱和或信噪比不足。

2.4 案例拆解:离心泵轴承磨损诊断

某化工厂一台离心泵(转速2980rpm,滚动轴承型号6308)出现振动超标问题,振动值从2.8mm/s上升至6.5mm/s(ISO 10816标准报警值为4.5mm/s)。设备工程师采集了轴承座水平方向的加速度信号,采样率25.6kHz,采样时长1秒。

分析过程:

  1. 时域检查:波形显示存在明显的周期性冲击脉冲,峰值达8.2g,峭度值4.8(正常值<3),初步判断为轴承冲击故障。
  2. 频谱分析:FFT频谱中,1×转频(49.7Hz)幅值正常,但高频段出现以2.1kHz为中心的调制峰群,边带间隔为BPFO频率。
  3. 特征频率计算:6308轴承参数:滚动体数n=8,滚动体直径d=15.08mm,节圆直径D=65mm,接触角α=0°。计算得BPFO=3.05×fr=151.6Hz,BPFI=4.95×fr=246Hz。实测边带间隔152Hz,与BPFO高度吻合。
  4. 包络解调:对信号进行带通滤波(1.5kHz~3kHz)后做包络谱分析,在152Hz处出现明显峰值,确认外圈存在剥落损伤。

处理结果:停机检修发现轴承外圈滚道存在约5mm×3mm的剥落区域。更换轴承后,振动值恢复至1.8mm/s,设备运行正常。

复盘经验:该案例中,若仅依赖RMS值判断,只能得出"振动超标"的结论,无法定位故障部位。通过频谱特征频率计算和包络分析,实现了精准诊断。在TinyML模型设计中,应提取BPFO、BPFI等特征频率处的幅值作为关键输入特征,同时结合峭度等时域指标,提高诊断模型的区分度。

2.5 常见误区与总结

在振动故障诊断实践中,初学者常犯以下错误,需要特别注意规避:

  • 误区一:只看总振值不看频谱。总振值(RMS)只能反映振动严重程度,无法区分故障类型。必须结合频谱分析才能定位故障根源。
  • 误区二:忽略相位信息。不平衡和不对中在频谱上都有1×分量,但相位特征不同。不平衡的水平和垂直方向相位差约90°,不对中则表现为轴向和径向相位关系异常。
  • 误区三:采样参数设置不当。采样率过低导致高频成分混叠,采样时长不足导致频率分辨率不够,都会掩盖关键特征频率。
  • 误区四:忽视工况变化。转速、负载变化会显著影响振动特征。在TinyML模型训练时,应覆盖不同工况数据,或对信号进行转速归一化处理。
总结要点:振动故障诊断的核心逻辑是"故障机理→激振力→振动响应→特征提取→模式识别"。本章建立的频谱特征知识库是后续特征工程的基础。在TinyML实现中,建议将特征频率计算(BPFO、BPFI等)固化为MCU上的查表函数,根据实时转速动态计算特征频率,再提取对应频点的幅值作为模型输入,这样既能保证物理可解释性,又能提升模型泛化能力。