📚 课程目录第3章工业设备故障模式

3. 工业设备故障模式

在TinyML工业听诊项目中，声学监测的本质是通过麦克风或振动传感器捕捉设备运行时的声波/振动信号，并从中提取与设备健康状态相关的特征。电机、泵、风扇是工厂中最常见的旋转设备，它们的故障模式既有共性（如轴承磨损、不平衡），也有各自独特的失效机制（如泵的气蚀、风扇的叶片断裂）。理解这些故障模式及其对应的声学特征，是构建有效数据集、设计特征工程和训练分类模型的前提。本章将系统梳理三类设备的典型故障类型，建立“故障-机理-声学表现”的映射关系，为后续的TinyML模型设计提供领域知识基础。

上图展示了本章的核心框架：三类设备的主要故障模式最终都映射到四个声学特征域。在TinyML项目中，我们通常不会直接分析原始音频波形，而是提取这些特征域的压缩表示（如MFCC、谱质心、过零率等）作为模型输入。下面逐一深入分析每类设备的故障机理与声学表现。

3.1 电机故障模式与声学特征

电机是工业动力系统的核心，其故障往往通过声学信号提前数周甚至数月显现。电机故障可分为机械故障和电气故障两大类，机械故障占电机故障总数的60%以上。

3.1.1 轴承故障（最常见）

滚动轴承是电机中最易损坏的部件。当轴承滚道或滚动体出现点蚀、剥落时，每次滚动体经过缺陷位置都会产生一个短暂的冲击脉冲。这些脉冲在时域上表现为周期性尖峰，在频域上则产生以轴承故障特征频率（BPFO、BPFI、BSF、FTF）为中心的边带族。

轴承故障的声学特征非常典型：

时域：波形中出现周期性冲击，峭度（Kurtosis）值显著升高（正常轴承峭度约3，故障时可达5-10以上）。
频域：在2-5kHz的高频共振带出现调制边带，边带间隔等于故障特征频率。
包络谱：对信号进行包络解调后，可在包络谱中清晰看到故障特征频率及其谐波。

TinyML实践提示：在资源受限的MCU上，直接计算FFT和包络谱可能开销过大。一种折中方案是使用梅尔频率倒谱系数（MFCC）作为特征，因为MFCC的低维系数（通常13-20维）已经隐含了频谱包络信息，且计算复杂度可控。对于轴承故障，MFCC的第2-5维系数往往对冲击性故障敏感。

3.1.2 转子不平衡与不对中

转子不平衡时，电机在旋转频率（1×RPM）处产生强烈的振动和噪声。声学上表现为基频（转频）幅值异常增大，且伴有2×、3×等谐波。不对中则更突出2×RPM分量，且轴向振动明显增大。

对于TinyML系统，区分不平衡与不对中需要关注频谱中1×与2×分量的比值。在嵌入式实现中，可以仅计算几个关键频点的能量比，而非完整频谱。

3.1.3 电气故障（定子/转子断条）

定子匝间短路、转子断条等电气故障会产生与电源频率（50/60Hz）相关的边带。转子断条的特征是电源频率两侧出现±2×滑差频率的边带（即f1±2sf）。这些边带幅值通常很小，需要较高的频率分辨率才能分辨。

在声学监测中，电气故障的声信号往往被机械噪声掩盖，因此需要更长的采样窗口（如4-8秒）来提高频率分辨率。这对TinyML的存储和计算提出了挑战，通常需要将数据分帧处理并累积特征。

3.2 泵故障模式与声学特征

泵的故障模式与流体动力学密切相关，其声学信号不仅包含机械振动，还包含流体噪声（湍流、气蚀）。这使得泵的声学诊断比电机更复杂。

3.2.1 气蚀（Cavitation）

气蚀是泵最典型的故障模式。当泵入口压力低于液体饱和蒸汽压时，液体汽化形成气泡，气泡在高压区溃灭，产生强烈的冲击波和宽频噪声。气蚀的声学特征非常独特：

时域：出现随机、高幅值的冲击脉冲，类似砂砾流动的声音。
频域：在1-10kHz范围内出现宽频噪声抬升，且伴有随机的高频尖峰。
特征：气蚀噪声的功率谱密度在超声频段（20-100kHz）也有显著能量，但普通麦克风难以捕捉，通常需要加速度传感器。

气蚀的声学特征与轴承故障有些相似（都是冲击性），但气蚀的冲击间隔不规律，且宽频噪声更明显。在TinyML分类中，可以通过峰值因子（Crest Factor）和频谱平坦度来区分两者。

3.2.2 叶轮磨损与腐蚀

叶轮磨损后，泵的扬程和效率下降，流体流动状态改变，产生更明显的湍流噪声。声学上表现为：

叶片通过频率（BPF = 叶片数 × 转频）处的幅值下降（因为叶片形状改变导致压力脉动减弱）。
宽频噪声成分增加，尤其是低频段（100-500Hz）。
整体声压级（SPL）可能下降或上升，取决于磨损位置。

3.2.3 轴封泄漏

机械密封泄漏时，高压流体通过微小缝隙产生喷射噪声，表现为高频嘶嘶声（通常在5-15kHz）。这种噪声具有明显的方向性，麦克风位置对检测效果影响很大。

故障类型	主要频段	时域特征	关键特征参数
气蚀	1-10kHz宽频	随机冲击，无规律	峰值因子>5，频谱平坦度高
叶轮磨损	100-500Hz	幅度波动，无冲击	BPF幅值下降，低频能量占比上升
轴封泄漏	5-15kHz	连续嘶嘶声	高频带能量占比>20%
轴承故障	2-5kHz调制	周期性冲击	峭度>5，包络谱有特征频率

3.3 风扇故障模式与声学特征

风扇（风机）的声学监测在HVAC系统、散热系统、通风系统中应用广泛。风扇的故障模式与电机有重叠，但叶片相关故障更具特异性。

3.3.1 叶片断裂与变形

叶片断裂是风扇最严重的故障之一。断裂后，转子质量分布突变，产生强烈的不平衡振动。声学上表现为：

1×RPM处幅值急剧增大（不平衡特征）。
叶片通过频率（BPF = 叶片数 × 转频）处幅值异常，且可能出现BPF±RPM的边带。
断裂瞬间会产生瞬态冲击声，随后进入持续的不平衡噪声状态。

3.3.2 叶片积灰与结垢

长期运行后，叶片表面积灰会改变叶片的气动外形，导致效率下降和噪声增大。积灰的声学特征相对温和：

BPF处幅值逐渐增大（因为叶片变厚导致压力脉动增强）。
高频段（2-5kHz）出现湍流噪声增加。
整体频谱形状缓慢变化，适合用长期趋势监测。

3.3.3 皮带传动松动

对于皮带传动的风扇，皮带松动或磨损会产生周期性打滑噪声。这种噪声在时域上表现为与皮带旋转频率相关的周期性“吱吱”声，频域上则出现皮带频率及其谐波。

重要提醒：风扇的声学信号受转速影响极大。同一台风扇在不同转速下，其频谱特征差异可能超过不同故障之间的差异。因此，在TinyML系统中必须归一化转速，或使用转速无关的特征（如阶比分析、MFCC的均值归一化）。否则，模型会将转速变化误判为故障。

3.4 案例拆解：离心泵气蚀的TinyML检测

下面通过一个完整的案例，展示如何将上述故障模式知识应用于TinyML项目设计。

背景与约束：某化工厂的冷却水循环泵（离心泵，4叶片，转速2900rpm）频繁发生气蚀，导致叶轮寿命缩短至3个月。工厂希望部署一个基于ESP32-S3的声学监测节点，使用I2S麦克风（采样率16kHz）实时检测气蚀早期征兆。约束条件：MCU仅有512KB RAM，无法存储长音频；需要每5秒输出一次诊断结果；误报率需低于5%。

初始现象：泵在运行中发出“噼啪”声，出口压力波动增大，但流量尚未明显下降。人工听诊判断为轻度气蚀。

关键数据采集：在泵体靠近叶轮处安装麦克风，采集10组正常状态和10组气蚀状态的音频，每组5秒。计算以下特征：

# 伪代码示意
for each 5s audio:
    # 分帧：帧长40ms，帧移20ms
    frames = framing(audio, 640, 320)
    # 每帧提取特征
    for frame in frames:
        rms = compute_rms(frame)
        peak = compute_peak(frame)
        crest_factor = peak / rms
        # 计算1-5kHz频带能量占比
        band_energy = bandpass_energy(frame, 1000, 5000)
        total_energy = total_energy(frame)
        high_freq_ratio = band_energy / total_energy
    # 聚合：取均值、标准差
    features = [mean(crest_factor), std(crest_factor),
                mean(high_freq_ratio), std(high_freq_ratio)]

分析判断过程：正常状态下，crest_factor均值约3.2，标准差0.4；气蚀状态下，crest_factor均值升至5.8，标准差1.2。high_freq_ratio从0.15升至0.28。两个特征在两类状态下有明显分离。

模型选择：由于特征维度低（4维），使用一个简单的决策树或2层全连接神经网络（4-8-2）即可达到98%的准确率。模型大小约2KB，完全适配TinyML场景。

实际操作步骤：

在ESP32-S3上实现分帧和特征提取，使用定点数运算避免浮点开销。
每5秒聚合一次特征，输入模型推理。
输出结果通过UART发送到网关，同时本地LED指示状态。
设置阈值：当气蚀概率>0.8时触发报警，连续3次确认后上报。

结果对比：部署后运行2个月，成功提前4-7天预警了3次气蚀事件，操作人员及时调整了入口阀门开度，避免了叶轮损坏。误报率约3%，主要发生在泵启动瞬间（流体不稳定）。

风险与代价：麦克风位置对检测灵敏度影响很大，安装在泵体侧面比安装在底座上灵敏度高40%。此外，环境噪声（附近其他设备）会干扰特征提取，需要增加简单的噪声门限。

复盘经验：气蚀的声学特征在时域（峰值因子）和频域（高频占比）都有明显表现，但单一特征容易受工况波动影响。采用特征融合+统计聚合（均值和标准差）显著提升了鲁棒性。此外，模型训练数据应覆盖不同流量工况，否则模型在非额定工况下容易误判。

3.5 常见误区与总结复盘

在工业声学监测项目中，以下误区值得特别注意：

误区一：将所有设备用同一模型。电机、泵、风扇的声学特征差异巨大，统一模型会导致准确率下降。建议为每类设备单独训练模型，或使用设备类型作为模型输入特征。
误区二：忽略转速变化。转速直接影响基频和谐波位置。如果设备转速波动超过±5%，必须进行转速归一化或使用阶比跟踪。
误区三：采样率越高越好。对于大多数机械故障，16kHz采样率已足够（可分析到8kHz）。过高的采样率会增加计算量和存储需求，且高频段往往被环境噪声污染。
误区四：只关注频域特征。时域特征（峭度、峰值因子、波形因数）计算简单且对冲击性故障敏感，在MCU上实现效率极高，不应被忽视。
误区五：训练数据与部署环境不匹配。实验室采集的数据与现场环境（背景噪声、混响、安装方式）差异较大，导致模型迁移效果差。建议在部署现场采集少量数据对模型进行微调。