2. 轴承故障诊断基础
滚动轴承是旋转机械中最广泛使用的通用部件，也是设备故障率最高的零部件之一。在工业现场，约30%的旋转机械故障与轴承相关。对于ONNX Runtime端侧部署场景而言，理解轴承的物理结构、故障演化规律和振动信号特征，是构建高质量训练数据集、设计合理特征工程方案以及选择合适模型输入形式的前提。本章将从轴承的机械结构出发，系统梳理四类典型故障（内圈、外圈、滚动体、保持架）的失效机理，并建立故障类型与振动信号特征之间的映射关系，为后续模型训练与端侧推理打下坚实的领域基础。
上图展示了轴承故障诊断的核心知识链路：从轴承物理结构出发，映射到四类典型故障，再通过故障机理分析，最终落实到振动信号的特征频率与模式识别。这张图也是后续构建ONNX模型时输入特征选择的逻辑依据——模型本质上是在学习“振动模式→故障类别”的非线性映射。
2.1 滚动轴承的机械结构与运动学基础
核心原理：滚动轴承由内圈（Inner Ring）、外圈（Outer Ring）、滚动体（Rolling Element）和保持架（Cage）四大基本元件构成。内圈通常与旋转轴过盈配合并随轴旋转，外圈安装在轴承座或壳体孔内保持固定（在部分设计中内外圈角色互换）。滚动体（钢球或滚子）在内、外圈滚道之间滚动，实现滑动摩擦向滚动摩擦的转换。保持架的作用是均匀隔离滚动体，防止其相互接触摩擦，并引导滚动体在正确的轨道上运动。
从运动学角度看，滚动体不仅绕轴承中心公转，还绕自身轴线自转。当内圈旋转时，滚动体与内圈滚道接触点处的线速度等于内圈滚道表面速度，而滚动体与外圈滚道接触点处的线速度为零（假设外圈固定）。这种速度关系直接决定了故障冲击的周期性特征频率。设轴的转频为 fr（Hz），滚动体个数为 Z，节径为 D（滚动体中心所在圆的直径），滚动体直径为 d，接触角为 α，则四类故障的特征频率计算公式如下：
- 外圈故障特征频率（BPFO）：fBPFO = Z × fr / 2 × (1 − d/D × cosα)。外圈固定时，滚动体经过外圈滚道上的缺陷点，每个滚动体经过一次产生一次冲击，频率为滚动体公转频率与滚动体数量的乘积。
- 内圈故障特征频率（BPFI）：fBPFI = Z × fr / 2 × (1 + d/D × cosα)。内圈随轴旋转，故障点位置随内圈旋转而周期性变化，冲击频率略高于BPFO。
- 滚动体故障特征频率（BSF）：fBSF = D × fr / (2d) × [1 − (d/D × cosα)²]。滚动体上的缺陷每自转一周与内圈或外圈滚道接触一次，产生两次冲击（分别接触内外圈）。
- 保持架故障特征频率（FTF）：fFTF = fr / 2 × (1 − d/D × cosα)。保持架故障通常表现为保持架与滚动体或套圈之间的异常摩擦，频率较低，常伴随非线性振动。
2.2 四类典型故障的失效机理与振动特征
故障机理分析：轴承故障的演化过程通常经历“早期微裂纹→疲劳剥落→宏观失效”三个阶段。不同元件的故障机理和振动表现存在显著差异，理解这些差异是特征工程的基础。
| 故障类型 | 主要失效机理 | 振动信号时域特征 | 频域/包络谱特征 | 典型故障频率 |
|---|---|---|---|---|
| 内圈故障 | 疲劳剥落、磨粒磨损、装配不当引起的局部过载 | 周期性冲击，幅值受内圈旋转位置调制（故障点进入承载区时冲击大，离开时冲击小） | BPFI及其谐波，边带频率为转频fr（因内圈旋转产生幅值调制） | BPFI ≈ 5.4×fr（典型6205轴承） |
| 外圈故障 | 静态过载、异物压痕、腐蚀点蚀、外圈与座孔配合松动 | 周期性冲击，幅值相对稳定（故障点固定于承载区，不受旋转调制） | BPFO及其谐波，边带较少，能量集中 | BPFO ≈ 3.6×fr（典型6205轴承） |
| 滚动体故障 | 滚动体表面疲劳剥落、内部缺陷（裂纹、气孔）、润滑不良 | 冲击间隔不规则（滚动体自转与公转耦合），幅值波动大 | BSF及其谐波，可能出现2×BSF（滚动体缺陷交替接触内外圈） | BSF ≈ 2.4×fr（典型6205轴承） |
| 保持架故障 | 保持架磨损、铆钉松动、滚动体卡滞、润滑脂老化 | 低频振动成分增加，冲击信号不规律，可能伴随异常噪声 | FTF及其分数谐波，常与固有频率耦合，频谱杂乱 | FTF ≈ 0.4×fr（典型6205轴承） |
判断方法：在工程实践中，轴承故障诊断通常遵循“时域初判→频域定位→包络精析”的三步流程。时域初判主要观察振动波形的冲击特征和峰值因子（Crest Factor）；频域定位通过FFT频谱寻找特征频率及其谐波；包络精析则利用Hilbert变换解调出高频冲击的包络信号，在低频频段识别故障特征频率，这是早期故障诊断最有效的手段。
2.3 故障特征随工况变化的敏感性分析
核心原理：轴承振动特征并非恒定不变，而是随转速、负载、润滑状态和温度等工况参数动态变化。对于ONNX端侧部署模型而言，训练数据必须覆盖目标工况范围，否则模型在真实场景中会出现严重的域偏移（Domain Shift）问题。
- 转速影响：特征频率与转频成正比，转速升高时所有特征频率线性增大。但振动幅值并非线性变化——高速时离心力增大，滚动体与滚道间的动载荷增加，冲击能量增强。
- 负载影响：负载增大时，轴承承载区变形增大，接触面积增加，冲击能量分散，振动幅值可能反而降低（在弹性范围内），但磨损速率加快。重载工况下，故障特征频率的幅值调制现象更明显。
- 润滑状态：润滑不良时，滚动体与滚道间的金属直接接触产生高频摩擦振动，频谱中可能出现大量随机高频成分，掩盖周期性故障特征。此时包络谱分析的信噪比下降。
- 温度效应：温度升高导致润滑脂粘度下降，油膜厚度减薄，可能加剧磨损；同时温度变化会引起轴承游隙改变，影响振动传递路径。
2.4 从振动特征到ONNX模型输入的工程映射
操作流程：将轴承振动信号转化为ONNX模型可接受的输入张量，通常有以下三种主流方案，每种方案在计算开销和诊断精度之间做出不同权衡：
- 原始波形输入（端到端方案）：直接将一段固定长度的时域波形（如1024个采样点）作为模型输入，利用1D-CNN或Transformer提取特征。优点是无需人工特征工程，模型自适应学习特征；缺点是需要较大模型容量和较多训练数据，且对采样率变化敏感。
- 频域特征输入（传统机器学习方案）：计算FFT频谱、功率谱密度、包络谱等，提取特征频率处的幅值、边带能量比、谐波能量占比等作为输入向量。优点是特征可解释性强、模型轻量（适合端侧部署）；缺点是需要领域知识设计特征，且对工况变化适应性较差。
- 时频图输入（图像识别方案）：将振动信号转换为短时傅里叶变换（STFT）或小波变换的时频图像，利用2D-CNN进行分类。优点是信息完整、抗噪能力强；缺点是计算量大，端侧推理需要GPU或NPU加速。
对于ONNX Runtime端侧部署场景，推荐采用“轻量级频域特征+浅层神经网络”或“1D-CNN原始波形输入”两种方案。前者模型大小可控制在500KB以内，后者通常在2-5MB之间，均可在ARM Cortex-A系列处理器上实现实时推理。
| 方案类型 | 输入维度 | 模型大小 | 推理延迟（树莓派4B） | 适用场景 |
|---|---|---|---|---|
| 频域特征+MLP | 32-64维 | 100-500KB | <5ms | 电池供电、低算力设备 |
| 1D-CNN原始波形 | 1024×1 | 2-5MB | 15-30ms | 工业网关、边缘计算盒子 |
| 2D-CNN时频图 | 224×224×3 | 10-50MB | 100-300ms | 高性能边缘服务器 |
2.5 常见误区与总结复盘
常见误区一：忽略边带特征。许多初学者只关注特征频率基频处的幅值，而忽略了边带（Sidebands）信息。实际上，内圈故障的边带间隔等于转频，边带能量与故障严重程度密切相关。在ONNX模型训练中，建议将特征频率±3倍转频范围内的能量总和作为补充特征。
常见误区二：采样率设置不足。轴承故障冲击信号通常包含丰富的共振频率成分（数kHz至数十kHz），若采样率低于10kHz，高频冲击将被严重混叠，包络谱分析失真。建议采样率至少为最高分析频率的2.56倍，工程上常用25.6kHz或51.2kHz。
常见误区三：训练数据与部署数据分布不一致。实验室采集的轴承数据（如CWRU数据集）与现场实际数据存在巨大差异——现场存在背景噪声、转速波动、传递路径衰减等干扰。直接使用公开数据集训练的模型部署到现场，准确率往往大幅下降。建议在部署前进行迁移学习或域自适应，使用少量现场数据微调模型。
常见误区四：忽视保持架故障。保持架故障在早期阶段振动特征不明显，容易被噪声淹没。但保持架一旦失效，往往导致轴承快速卡死，造成严重事故。建议在模型设计中单独设置保持架故障类别，并采集保持架磨损初期的振动数据用于训练。