故障诊断基础：常见机械故障的振动特征与机理

在TinyML振动传感器故障诊断项目中，模型能否准确识别故障类型，本质上取决于我们是否深刻理解各类机械故障在振动信号中留下的“指纹”。振动信号是机械设备运行状态的综合反映，不同故障类型会激发不同频率成分、不同幅值包络和不同统计特性的振动响应。本章将系统梳理不平衡、不对中、轴承磨损、齿轮故障这四类最常见机械故障的振动特征与物理机理，为后续特征工程和模型训练提供坚实的理论基础。

3.1 转子不平衡：最基础的周期性激励

转子不平衡是指转子质量中心与旋转中心不重合，导致旋转时产生离心力。这种离心力的大小与偏心质量、偏心距以及转速的平方成正比。在振动信号中，不平衡故障最典型的特征是振动频率等于转频（1×，即转子每转一圈振动一次），且振动幅值随转速升高而显著增大。从振动方向看，不平衡主要引起径向振动（水平与垂直方向），轴向振动分量通常较小。

在实际工程中，不平衡又分为静不平衡、动不平衡和混合不平衡。静不平衡表现为转子重心偏离轴线，在重力作用下转子会自然停在某一位置；动不平衡则涉及转子沿轴向多个平面上的质量分布不均，需要在两个校正平面上进行配重。对于TinyML诊断模型而言，不平衡故障的振动信号相对简单，时域波形呈现近似正弦波形态，频谱中基频（1×）占绝对主导，谐波成分较少。

3.2 转子不对中：轴向振动的显著信号

转子不对中是指电机轴与负载轴（如泵、压缩机、齿轮箱输入轴）的中心线不在同一直线上，分为平行不对中、角度不对中和综合不对中。不对中故障会产生一个与转速同频的径向力，同时产生一个二倍转频（2×）的轴向振动分量。当不对中严重时，2×分量甚至可能超过1×分量，并伴随多次谐波（3×、4×等）。

从机理上看，不对中导致联轴器在每转中承受交变的弯曲应力和剪切应力，这些应力通过轴承座传递到壳体，激发轴向振动。在时域波形中，不对中信号往往呈现“M”形或“W”形包络，且振动幅值对负载变化敏感。对于TinyML模型，需要同时提取1×、2×幅值比、轴向/径向振动能量比等特征，才能有效区分不对中与不平衡。

3.3 滚动轴承磨损：高频冲击与特征频率

滚动轴承是旋转机械中最易损坏的部件之一，其故障振动特征与故障位置密切相关。轴承由内圈、外圈、滚动体和保持架组成，当某一元件表面出现点蚀、剥落或裂纹时，滚动体经过缺陷位置会产生周期性冲击。这些冲击的重复频率称为轴承故障特征频率，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为滚动体数量，fr为转频，d为滚动体直径，D为节圆直径，α为接触角。这些特征频率通常在1kHz以下，但轴承故障产生的冲击会激发轴承座和壳体的高频固有振动（通常在2kHz-20kHz范围内）。因此，轴承故障的振动信号表现为“高频载波+低频冲击包络”的形式。

在TinyML诊断中，直接对原始高频信号进行分类需要较高的采样率（通常≥25.6kHz），这会增加边缘设备的计算负担。工程上常用的做法是采用包络分析（Envelope Analysis），先通过带通滤波提取高频共振带，再进行包络解调，最后对包络信号做FFT得到故障特征频率。这样可以将采样率降低到2kHz左右，大幅减少TinyML模型的计算量。

3.4 齿轮故障：啮合频率与边带调制

齿轮传动是机械设备中最常见的动力传递方式。齿轮啮合时，轮齿的交替接触会产生周期性的啮合冲击，其频率称为啮合频率（GMF），等于齿轮齿数乘以转频。正常齿轮的振动频谱中，GMF及其谐波（2×GMF、3×GMF）幅值较小且稳定。当齿轮出现磨损、断齿、点蚀或裂纹时，啮合刚度发生变化，导致GMF幅值增大，并在GMF两侧出现边带频率（GMF ± n×fr）。

边带是齿轮故障最关键的诊断特征。例如，当齿轮存在局部缺陷（如断齿）时，每转一圈会产生一次冲击，在频谱上表现为GMF两侧出现间隔为转频fr的边带族。边带的数量和幅值反映了故障的严重程度。此外，齿轮故障还常伴随时域波形的幅值调制现象，即振动幅值按转频周期性地增大和减小。

对于TinyML模型，齿轮故障的特征提取需要关注以下指标：GMF幅值及其谐波能量、边带能量与GMF能量之比、边带数量、时域波形的峭度指标等。其中，峭度（Kurtosis）对冲击型故障非常敏感，正常齿轮的峭度约为3，而断齿时峭度可超过5。

3.5 案例拆解：离心泵复合故障的振动信号识别

某化工厂一台离心泵（转速2970rpm，电机驱动，4级电机）出现异常振动，振动速度有效值从2.1mm/s上升至7.8mm/s。现场采用加速度传感器（灵敏度100mV/g，采样率25.6kHz，采样时长2秒）采集振动数据。初步频谱分析发现：1×转频（49.5Hz）幅值较高，同时存在2×转频（99Hz）分量，且轴向振动明显大于径向。进一步包络分析发现，在2kHz-5kHz频带内存在周期性冲击，冲击间隔对应外圈故障特征频率BPFO=118.3Hz。

综合判断，该泵同时存在转子不对中和轴承外圈磨损两种故障。处理过程如下：首先进行轴对中调整，将平行偏差从0.15mm降至0.03mm，角度偏差从0.1mm/m降至0.02mm/m；随后更换轴承，发现外圈滚道存在明显剥落坑。修复后振动速度有效值降至1.8mm/s，BPFO特征消失。

从TinyML模型训练的角度看，这个案例说明复合故障在真实场景中非常普遍。如果训练数据只包含单一故障类型，模型在遇到复合故障时可能产生误判。因此，在数据采集阶段应尽可能覆盖多种故障组合，或在模型设计中采用多标签分类策略。

3.6 常见误区与工程注意事项

在振动故障诊断中，初学者容易陷入几个典型误区。第一个误区是“频率越高故障越严重”，实际上高频振动可能只是局部共振或传感器安装不良所致，需要结合频谱结构和幅值趋势综合判断。第二个误区是“只看频谱不看时域”，对于冲击型故障（如轴承点蚀），时域波形中的冲击间隔往往比频谱更直观，且不易受频率分辨率限制。第三个误区是忽略转速波动的影响，在变频驱动设备中，转频变化会导致故障特征频率漂移，此时应采用阶比分析（Order Tracking）将频谱映射到转频的整数倍上。

此外，传感器安装位置对振动信号影响显著。加速度传感器应尽量安装在轴承座或设备刚性表面，避免安装在薄壁罩壳或软性支架上。磁吸式安装的可用频率范围通常为1Hz-5kHz，而螺纹安装可达10kHz以上。在TinyML边缘部署中，如果传感器安装条件受限，需要在模型训练时加入不同安装位置的样本，增强模型的鲁棒性。

最后，振动诊断必须结合设备运行工况。同一台设备在空载和满载时的振动特征差异很大，齿轮箱在不同负载下的边带模式也会变化。因此，在采集训练数据时，应记录转速、负载、温度等工况参数，并在模型输入中引入这些辅助信息，或采用工况归一化预处理，避免模型仅对特定工况有效。