轴承故障诊断这个题目说大不大说小不小。你要是刚入行可能觉得无非是测测振动、看看频谱你要是干过几年现场会发现这里面的坑比想象中多得多——传感器装哪儿、采样参数怎么定、特征频率怎么算、包络谱怎么解每一步都藏着经验。我自己这些年做过风电齿轮箱、电机、泵类设备的故障诊断也在实验室里泡过不少时间这篇就把轴承故障诊断从原理到实操的完整思路捋一遍把该说的干货和踩过的坑都写进去。不管你是设备维护工程师、状态监测新手还是做故障诊断算法研究的同学应该都能从中找到能直接用的东西。1. 轴承故障诊断到底在解决什么问题1.1 为什么轴承会成为设备故障的“重灾区”滚动轴承是旋转机械里最常用的支撑部件也是故障率最高的部件之一。行业内统计过旋转机械的故障中大约30%到40%与轴承相关在电机、泵、风机、齿轮箱这类设备里这个比例还要更高。原因不难理解轴承长期承受交变载荷转速高、接触应力大润滑条件一旦恶化磨损和疲劳剥落很快就跟上来了。更麻烦的是轴承故障往往是从微小损伤开始的。初期可能只是一个几平方毫米的剥落坑这时候设备运转听起来没什么异常振动幅值也没有突破报警线但如果不干预损伤会迅速扩展。我见过最典型的例子一台离心泵的轴承外圈剥落从初期故障到保持架断裂前后不到两个星期。所以轴承故障诊断的核心目标不是等设备坏了去分析原因而是在故障早期就抓住信号给维修留出时间窗口。这里要先理解故障的发展阶段。学术界和工程界通常把轴承故障分成四个阶段第一阶段故障初期损伤尺寸极小振动信号中开始出现微弱的冲击成分但时域波形和频谱总体变化不大普通振动总值基本看不出异常。第二阶段冲击成分明显增强故障特征频率及其谐波开始出现在频谱中峭度、峰值因数等无量纲指标明显上升。第三阶段特征频率周围出现大量边带高频振动能量显著增加轴承磨损加剧温升明显。第四阶段故障波长扩展到保持架产生宽频随机振动振动幅值猛烈上升设备随时可能失效。不同阶段对应不同的诊断策略。早期阶段靠常规频谱没用必须用包络谱或高频解调技术到了中后期直接看频谱幅值变化就够了。这也是为什么很多老工程师说“频谱只能确认故障包络才能发现故障”。1.2 常见轴承故障类型与失效模式轴承故障的失效模式大致可以分成几类疲劳剥落、磨损、腐蚀、电蚀、断裂、塑性变形。实际现场中以疲劳剥落和磨损最为常见。疲劳剥落是轴承滚道或滚动体表面在交变接触应力作用下产生裂纹裂纹扩展后材料剥落形成凹坑。剥落坑一旦出现每次滚动体滚过坑位时就会产生一个冲击脉冲这就是振动信号里周期性冲击的来源。磨损则是异物进入、润滑不良导致表面材料缓慢损耗特征表现为振动噪声升高、温度上升但不像剥落那样有强烈的冲击特征。不同类型的故障在振动信号里对应着不同的特征频率。这些频率不是拍脑袋想的而是由轴承的几何参数和转速决定。计算公式如下外圈故障频率BPFO(BPFO \frac{N \cdot f_r}{2} \cdot (1 - \frac{B_d}{P_d} \cos\theta))内圈故障频率BPFI(BPFI \frac{N \cdot f_r}{2} \cdot (1 \frac{B_d}{P_d} \cos\theta))滚动体故障频率BSF(BSF \frac{P_d \cdot f_r}{2 \cdot B_d} \cdot (1 - (\frac{B_d}{P_d} \cos\theta)^2))保持架故障频率FTF(FTF \frac{f_r}{2} \cdot (1 - \frac{B_d}{P_d} \cos\theta))其中(N)是滚动体数量(f_r)是转频转速除以60单位Hz(B_d)是滚动体直径(P_d)是节圆直径(\theta)是接触角。以一台转速1500rpm转频25Hz的电机配6205深沟球轴承为例假设滚动体数量9个节圆直径约39mm滚动体直径约8mm接触角约0°可以算出外圈故障频率约为89.9Hz内圈故障频率约为135.1Hz滚动体故障频率约为58.5Hz保持架故障频率约为10Hz这些特征频率和理论值的关系是轴承振动分析的基本功。实际频谱图中故障频率不会是精确的单根谱线而是会围绕着特征频率出现一个窄带分布因为滚动体与滚道接触时滑动、转速波动、滑差等都会导致频率偏移一般会有±1%到±2%的偏差。这个容差在后期用频谱搜索故障频率时非常重要。内圈故障还有一个特点因为内圈随轴一起旋转故障点相对于载荷区的位置不断变化所以故障特征频率的幅值会被转频调制在频谱上表现为BPFI周围出现以转频(f_r)为间隔的边带。这个现象在诊断时可以用来区分内圈故障和外圈故障。2. 信号采集诊断的“眼睛”怎么选2.1 振动信号为什么是首选轴承故障诊断最常用的信号是振动信号其次是温度、声发射、电流等。振动信号信息量最大故障引起的冲击、磨损、松动都会在振动中有所体现而且加速度传感器频率范围宽、体积小、安装方便价格也不算贵所以实际工程中最普及。振动传感器的类型主要有三种加速度传感器测量加速度频响范围宽通常0.5Hz到10kHz以上适合捕捉高频冲击成分是轴承诊断的主力。速度传感器一般用于中低频振动测量适合做振动烈度评价但对早期故障的高频成分不敏感。电涡流位移传感器非接触式测量轴的相对位移多用于滑动轴承和大机组轴振监测滚动轴承上用得少。如果用加速度传感器测轴承振动得到的是加速度信号。需要留意的是加速度信号在高频段信噪比好但低频成分幅值很小如果直接积分成速度信号高频冲击会被削弱。所以做包络分析时我喜欢直接对原始加速度信号处理不做积分避免多余误差。2.2 传感器安装与采样参数设置传感器的安装方式直接影响信号质量这是一个在教科书里容易被忽略、在现场却极其重要的问题。安装方式的优先顺序大致是螺纹安装 胶粘安装 磁座安装 手持探针。螺纹安装是最可靠的在轴承座上打孔攻丝传感器与测点完全贴合频响特性最真实。胶粘用氰基丙烯酸酯类快干胶也还不错适合不能打孔的场合。磁座安装最方便但对高频信号的衰减很严重通常最高只能用到2kHz到5kHz超过这个频率后测量结果就不太可信了。手持探针基本只能定性听听量化分析意义不大。我实际测过同一个测点上磁座和螺纹安装的高频振动差异能达到5到10倍这在判据判断时会带来很大偏差。所以如果能打孔果断用螺纹不能打孔至少也要用胶粘别图方便用磁座去测轴承故障。采样参数的设置同样关键。做频谱分析时采样频率至少要满足奈奎斯特采样定理也就是最高分析频率不能超过采样频率的一半。工程上通常留出余量采样频率设为最高分析频率的2.56倍。比如要分析到10kHz采样频率至少设为25.6kHz一般直接设到51.2kHz或更高。具体参数上还要考虑这几项采样时长至少要覆盖足够的转数才能看到周期的故障冲击。对于低频故障诊断建议至少采集几十转的数据做高分辨率频谱时数据长度越长频率分辨率越高但存储和计算成本也相应增加。转速信号分析转速变化工况下的轴承信号时必须同步记录转速脉冲否则转频飘移会让频谱模糊。频率分辨率 (\Delta f f_s / N)其中(f_s)是采样频率(N)是FFT点数。比如采样频率25.6kHz取102400个点做FFT分辨率只有0.25Hz足够区分相邻的故障边带。注意采样时一定要先搞清楚设备的最高转速和最高关心频率。别把采样频率设低了否则高频冲击成分被折叠到低频段再好的算法也白搭。3. 特征提取把噪声里的故障“捞”出来3.1 时域特征与无量纲参数拿到振动信号之后第一个能看的维度是时域波形。健康轴承的振动波形接近随机噪声幅值平稳一旦出现早期剥落波形上会周期性出现明显的冲击脉冲。时域冲击的间隔如果对应上了故障特征频率的倒数那基本就能锁定故障部位。时域特征参数有很多最常用的有均方根值、峰值、峭度、峰值因数、波形因数。均方根值RMS反映振动总体能量也是设备状态评价的基础指标但早期故障对RMS影响不大。峰值反映最大瞬态冲击对单点剥落比较敏感但受噪声干扰也大。峭度是四阶统计量归一化后的结果正常轴承振动接近正态分布峭度约等于3出现冲击时分布尾部变厚峭度明显升高。早期故障阶段峭度是最灵敏的指标之一。峰值因数是峰值除以RMS正常轴承一般在2到3之间出现冲击时能升到5以上。我自己经验是在轴承故障初期RMS还没怎么动峰值因数和峭度已经开始报警了。但也别光盯着峭度润滑不良、外界敲击、瞬态冲击都会让峭度升高必须结合频谱确认。3.2 频域分析包络谱是绝招频谱分析是轴承故障诊断的常规武器。直接对振动信号做FFT如果故障已经发展到中后期频谱中会出现明显的特征频率谱线。但在早期阶段故障冲击的能量被分散到整个频带直接看FFT往往只有一条起伏的宽带找不到特征频率。这时候就要用包络分析也叫解调分析。包络分析的核心思路是故障冲击会激励起轴承系统或传感器安装结构的高频共振冲击能量是以高频共振为载波、以故障特征频率为调制的。所以先选一个包含共振成分的频带做带通滤波滤掉低频干扰然后用希尔伯特变换提取信号的幅值包络再对包络做FFT就能在包络谱中看到清晰的故障特征频率。用Python实现包络谱的流程大致如下import numpy as np from scipy.signal import hilbert, butter, sosfilt import matplotlib.pyplot as plt # 假设 fs 是采样频率, data 是振动加速度信号 fs 25600 data np.loadtxt(bearing_vibration.csv, delimiter,) # 设计带通滤波器选一个包含结构共振的频带比如3000-6000Hz sos butter(4, [3000, 6000], btypebandpass, fsfs, outputsos) filtered sosfilt(sos, data) # 希尔伯特变换求包络 analytic hilbert(filtered) envelope np.abs(analytic) # 对包络做FFT N len(envelope) win np.hanning(N) spectrum np.fft.rfft(envelope * win) freqs np.fft.rfftfreq(N, 1/fs) # 观察包络谱中故障特征频率处的幅值 plt.plot(freqs[:fs//2//10], np.abs(spectrum)[:fs//2//10]) plt.xlabel(Frequency (Hz)) plt.ylabel(Amplitude) plt.show()这个代码里最关键的是带通滤波的频带选择。频带选得好包络谱干净清晰选得不好包络谱里全是噪声。实际做法是先看原始信号的频谱找出明显的高频能量集中区域再把带通滤波中心设在那附近。更高级的做法是用快速峭度图Kurtogram自动寻找最优频带这是现场很实用的工具。包络谱里除了故障特征频率本身的谱线还要看谐波和边带。外圈故障的特征频率整数倍谐波常常都能看到内圈故障则伴随转频边带。如果出现了谐波和边带同时丰富的情况说明故障已经比较严重了。3.3 时频域方法轴承在变转速、变负载工况下运行时传统的FFT会让频率信息在时间轴上糊成一片。这时候需要时频分析方法。短时傅里叶变换STFT是最直观的时频方法把信号分窗做FFT得到“频率-时间-幅值”的三维图。STFT的时间分辨率和频率分辨率互斥窗口越短时间分辨率越高频率分辨率越低使用时要折中。小波变换可以看作STFT的改进用不同尺度的基函数对信号做时频分解在低频段有窄带宽、高频段有窄时间窗更适合捕捉轴承故障信号的瞬态冲击。连续小波变换CWT得到时频图后可以观察到故障冲击在一段时间内周期性出现间隔正好等于故障特征频率的倒数。经验模态分解EMD和集合经验模态分解EEMD是另一种思路把信号分解成若干本征模态函数IMF。轴承故障冲击能量往往会集中在某个IMF中对这个IMF做包络谱更容易提取特征。但EMD有端点效应和模态混叠的问题实际使用时需要结合完整性检查。我的看法是稳态工况下优先用包络谱运算快、结果直观变转速工况下用时频图或者阶比跟踪EMD这类方法在论文里很有用现场诊断作为辅助手段即可别把它当成万能药。4. 诊断决策从特征到结论4.1 阈值报警与趋势管理特征提取之后要判断轴承是否故障、故障有多严重就涉及诊断决策问题。传统做法是设置报警阈值。国际标准ISO 10816对旋转机械的振动烈度给出了分类区间比如电机类设备振动速度有效值在2.8mm/s以下可以认为运行良好超过4.5mm/s就要重点关注。但这些标准是面向整机振动评价的对局部轴承故障的早期诊断并不敏感。所以现场往往还会结合轴承故障特征频率的幅值做趋势管理。比单次测量更重要的是趋势。轴承故障发展是渐变过程定期测量振动数据把RMS值、峭度、包络谱特征频率幅值记录成趋势曲线。一旦发现某个指标持续上升即使还没超过报警线也说明故障在发展中。我一般建议设备维护团队至少每月测一次关键设备一旦发现异常趋势缩短到每周一次。对于轴承专项监测比较实用的一个经验法则是包络谱中故障特征频率处的幅值如果持续上升且超过正常基线的3倍以上基本可以确认故障在发展。如果特征频率的谐波数量从1个增加到3个以上说明故障已经进入到中后期。4.2 机器学习与深度学习辅助近几年机器学习在轴承故障诊断中的应用越来越多。传统路线是“特征工程分类器”先手动提取时域、频域、时频域的多种特征再训练支持向量机、随机森林、梯度提升树等模型做故障类型识别。这条路线的优点是可解释性强特征的含义明确。缺点是要花大量精力做特征工程而且模型泛化能力受特征选择的直接影响。我见到的很多研究实验精度能达到99%但在现场换一台设备、换一个工况准确率立刻掉下来。深度学习路线是端到端学习用卷积神经网络CNN直接输入原始振动信号或者时频图自动学习特征并分类。一维CNN可以处理一维振动序列二维CNN常配合STFT或小波时频图使用。LSTM等循环神经网络适合处理时间序列但轴承故障诊断中样本长度不算特别长效果跟CNN差不多。深度学习在现场落地需要注意几个问题样本不平衡正常样本总是远多于故障样本训练出来的模型倾向于把所有样本都判为正常。解决办法包括过采样、合成少数类样本SMOTE、或者改用异常检测思路。过拟合轴承故障数据采集通常来自实验室和现场信号差异很大。模型在实验室数据上精度高在现场数据上可能失灵。缓解手段是数据增强加噪、变转速模拟、迁移学习或者用无监督域适应。可解释性深度学习模型是个黑箱工程上需要给出诊断依据否则维修人员不敢信。可以用Grad-CAM等可视化方法看看模型关注的是哪些频段跟包络谱结论是否一致。我个人目前的态度是深度学习作为自动筛选工具很有前途但现场最终结论还是要结合包络谱和故障特征频率来确认。人负责判断模型负责提效。5. 一个完整的故障诊断实操流程5.1 案例背景与数据采集光讲理论容易飘我拿一个实际做过的案例来串一遍完整流程。某化工厂有一台引风机转速约1300rpm转频21.67Hz电机与风机之间通过联轴器连接风机侧轴承型号为SKF 6312滚动体数量8个节圆直径约85mm滚动体直径约22mm接触角约0°。现场反映风机噪声比之前大振动监测系统显示振动总值略有上升但没到停机阈值工艺人员不确定是不是轴承问题。先把理论特征频率算出来。转频(f_r 1300/60 \approx 21.67)Hz。外圈故障频率(BPFO 8 \times 21.67 / 2 \times (1 - 22/85) \approx 64.2)Hz内圈故障频率(BPFI 8 \times 21.67 / 2 \times (1 22/85) \approx 107.6)Hz采样设置加速度传感器安装在风机轴承座径向位置螺纹安装采样频率25600Hz每次采样时长4秒采集3组数据同时用测速仪记录转速。5.2 时域与包络谱分析步骤拿到数据后我习惯按这个顺序处理第一步看时域波形和统计参数。计算RMS、峰值、峭度。实测数据RMS约为1.8m/s²比正常状态的1.2m/s²高了一些但幅度不大峭度达到了6.1明显高于正常值3附近。这引起警觉说明信号里有明显的非高斯冲击成分。第二步看原始频谱。直接对信号做FFT频谱在20Hz附近有一个明显的转频谱线但在60Hz附近的特征频率位置并没有看到明显峰值反而在1000Hz到4000Hz的高频段有一片能量隆起。这说明高频区域存在共振但故障特征还不够强直接看频谱发现不了。第三步做包络分析。根据原始频谱中的高频能量集中区域选3000Hz到5000Hz做带通滤波然后用希尔伯特变换提取包络再做FFT。包络谱中64.2Hz处出现明显谱线幅值约为0.12m/s²同时128.4Hz、192.6Hz处出现二倍频和三倍频谐波。代码上可以直接复用前面那个包络分析脚本需要调整的是带通滤波范围和FFT分辨率。由于故障特征频率大约64Hz而相邻边带间隔可能较小为了保证频率分辨率足够我取4秒的数据共102400个点FFT分辨率为25600/1024000.25Hz足够看清边带结构。第四步判断故障部位。包络谱中BPFO及其谐波清晰且没有明显的转频边带可以判定为外圈故障。为什么没有边带因为外圈固定在轴承座内故障点相对载荷方向固定所以不会产生明显的转频调制频谱会直接出现BPFO及其整数倍谐波这正是外圈故障的典型特征。如果是内圈故障BPFI周围会有以转频为间隔的边带。5.3 诊断结论与验证综合时域峭度、包络谱特征频率和谐波我给出的结论是风机侧轴承存在外圈早期剥落故障处于第二阶段到第三阶段之间建议近两周内安排检修更换。后来工厂停机检修拆开轴承一看外圈滚道表面果然有一个约2mm×3mm的剥落坑与诊断结论完全一致。更换新轴承后振动峰值和峭度回到正常水平包络谱中的特征频率消失。这个案例的启示是诊断流程不是只靠某一种方法而是多维度相互印证。时域统计发现异常频域定位问题包络谱锁定具体部位三个步骤缺一不可。6. 常见问题与排查技巧实录6.1 常见问题速查表在实际做轴承故障诊断时新手特别容易踩一些典型的坑。我把常见现象、可能原因和排查方法整理成了一张表方便对照。现象可能原因排查方法频谱中找不到特征频率特征频率计算错误、转速不准、频率分辨率不足核对轴承型号和几何参数用测速仪实测转速增加FFT点数包络谱特征频率幅值低带通滤波频带选择不当、传感器安装不良用快速峭度图找最佳频带改用螺纹或胶粘安装多个轴承都显示高频振动设备存在共振、齿轮啮合干扰、外界冲击做停机模态测试对比齿轮箱特征频率检查附近机械冲击源峭度始终很高但没有故障传感器松动、数据截断、环境噪声干扰检查传感器固定扭矩查看原始波形是否被削顶延长采样时间内圈故障误判为外圈故障后期边带错乱、频谱混叠先确认是否出现转频间隔边带结合包络谱谐波数量综合判断诊断结论时好时坏工况不稳定、负载变化大固定工况采集数据或引入转速同步采集与阶比分析机器学习模型现场失效训练数据与现场数据分布不同用迁移学习或现场数据微调模型增加数据增强手段6.2 独家避坑技巧这些坑我在现场和实验室都踩过写出来供大家参考。第一个坑是转速不准确导致故障频率算错。很多时候现场转速表不准或者设备本身存在转差尤其电机驱动的设备实际转速可能比铭牌值低2%到5%。如果直接用铭牌转速算特征频率频谱里可能出现一个靠近理论值但没对上的峰值容易误判。解决办法是尽量用转速表实测或者从频谱中找到啮合频率等确定性频率反推实际转频。第二个坑是包络分析时带通滤波频带选错。早期盲目选固定频带比如2kHz到5kHz但实际共振频带往往是3000Hz到6000Hz或者500Hz到1500Hz选错了特征信号全被滤掉包络谱一片混乱。后来我习惯先用快速峭度图快速扫描最佳频带再结合原始频谱确认成功率大大提高。对没有快速峭度图工具的场景可以把频谱放大看看高频段哪个区域有明显的“鼓包”那个鼓包就是共振峰带通滤波就围绕它设置。第三个坑是传感器松动。表面上看传感器固定得很牢固但实际使用中接触面氧化、螺纹滑丝都会导致测量阻抗变化测得的高频信号幅值忽高忽低。这种情况下的特征是频谱中多个频段幅值同时异常尤其是高频段出现很多杂散谱线。遇到这种异常现象第一步先检查传感器别急着往故障上靠。第四个坑是忽略负载和工况的影响。同一台设备的轴承在满负荷和低负荷下振动幅值差异巨大。如果每次采集数据时的工况不同趋势分析就完全没意义。我建议在数据采集记录里同步记录转速、负载、温度等工况参数做趋势分析时只对比相同工况的数据。第五个坑是只看故障频率幅值不看带宽。有些分析说包络谱峰值超过阈值就是故障但实际现场存在很多干扰谱线。更可靠的做法是看故障特征频率周围的能量积分值或者统计多个谐波的平均幅值比单纯看单根谱线更稳定。我在报告里提供特征频率处峰值的同时总会附带一组窗口内能量比如±1Hz范围内的平均幅值这样判断起来更有底气。最后多说一句轴承故障诊断不是一锤子买卖不要指望一次测完就能永远判断准确。好的做法是建立设备振动基线库每个测点保存一组合格状态下的频谱和特征值后续测量先跟基线比对变化趋势比绝对数值更有说服力。毕竟每台设备安装在什么位置、结构如何、邻接什么部件其振动特点都有差异拿别人的标准套自己的设备很容易出错。诊断这件事本质上是用信号反推机械状态既要懂机械原理也要懂信号处理更要有现场经验。理论再丰富到了机房里装传感器、调参数、判故障才知道纸上谈兵和实际操作的差距。这些年做下来我的切身体会是先把包络谱玩明白再回来算清楚每个特征频率最后带着问题去学机器学习这条路是最稳的。碰到无法确认的异常宁可多测一次、多看一遍时域波形也别急着下结论。设备不会跑故障也不会一夜之间毁掉一切但判断失误会。