机械系统在运行过程中不可避免地会出现各种故障。及时准确地诊断故障不仅能避免设备损坏，还能大幅降低维护成本。本章将介绍实用的故障诊断技术，包括声音诊断、振动分析、温度监测等方法。作为AI科学家和程序员，你们可以将这些诊断技术与传感器数据采集、信号处理算法相结合，构建智能化的故障诊断系统。
机械部件在正常运行和故障状态下会产生不同的声音特征。声音是机械振动通过空气传播的结果，其本质是压力波的传递。通过分析声音的频率、幅值和时域特征，可以判断故障类型和位置。
声音信号包含三个关键维度：
人耳可感知20 Hz至20 kHz的声音，但机械故障产生的声音往往集中在特定频段。经验丰富的工程师能够通过听觉识别许多故障，但定量分析需要借助仪器和算法。
金属撞击声：通常表示间隙过大或紧固件松动
摩擦声：表示润滑不良或异常接触
啸叫声：高频振动引起
轰鸣声：低频振动或流体脉动
咔嗒声：间歇性机械冲击
麦克风选择
常用麦克风类型：
采样参数设置
采样率 = 2.56 × 最高分析频率
典型值：44.1 kHz（音频标准）或 48 kHz
量化位数：16 bit 或 24 bit
奈奎斯特定理要求采样率至少为信号最高频率的2倍，实践中使用2.56倍以提供抗混叠滤波器的过渡带。对于机械故障诊断，通常关注10 kHz以下的频率成分，因此44.1 kHz采样率足够。
数据量估算：
频谱分析方法
快速傅里叶变换（FFT）是最常用的频域分析工具：
\[X(k) = \sum_{n=0}^{N-1} x(n) \cdot e^{-j2\pi kn/N}\]其中：
FFT参数选择：
窗函数选择原则：
功率谱密度（PSD）计算： \(PSD(f) = \frac{2|X(f)|^2}{f_s \cdot N \cdot W}\)
其中$W$是窗函数的功率归一化系数。
声音定位技术
使用多个麦克风阵列可以定位声源：
Mic1 -------- d1 -------- 声源
| /
| /
d / r
| /
| /
Mic2 ------- d2 ------
时间差：Δt = (d1 - d2) / c
其中 c = 343 m/s（声速，20°C）
波束形成（Beamforming）技术：
相位差定位法： \(\phi = 2\pi f \cdot \Delta t = 2\pi f \cdot \frac{d\sin\theta}{c}\)
定位精度影响因素：
听诊棒使用
传统的机械听诊棒仍然是快速诊断的有效工具：
听诊要点：
电子听诊器升级方案：
声音特征与故障对应关系
声音特征 可能故障 检查重点
─────────────────────────────────────────────
周期性敲击 轴承滚动体损伤 计算特征频率
连续嘶嘶声 密封泄漏 压力测试
金属刮擦声 转子碰磨 间隙检查
低频轰鸣 不平衡或共振 转速调整
间歇性咔嗒声 齿轮断齿 开箱检查
高频啸叫 皮带打滑 张力调整
环境噪声消除
在嘈杂环境中进行声音诊断的策略：
其中 $N$ 为同步平均次数，100次平均可提高信噪比20dB。
硬件架构
麦克风阵列 → 信号调理 → ADC采集 → 边缘计算 → 云端分析
↓ ↓ ↓ ↓ ↓
MEMS×4 增益控制 24bit 树莓派 深度学习
抗混叠滤波 48kHz FFT处理 故障分类
硬件选型建议：
系统性能指标：
特征工程要点
时域特征：
| 波形因子：$SF = \frac{RMS}{ | x | _{avg}}$（正常值1.11） |
| 脉冲因子：$IF = \frac{x_{peak}}{ | x | _{avg}}$（监测冲击） |
| 裕度因子：$MF = \frac{x_{peak}}{(\frac{1}{N}\sum_{i=1}^{N}\sqrt{ | x_i | })^2}$ |
频域特征：
高级特征：
特征选择策略：
数据标注策略
建立故障声音数据库的要点：
深度学习模型设计
网络架构选择：
模型规模：
输入层：8000采样点（0.18秒@44.1kHz）
Conv1D：64 filters, kernel=64, stride=2
MaxPool：size=8
Conv1D：128 filters, kernel=32, stride=2
GlobalAvgPool
Dense：256 neurons, dropout=0.3
Output：N_classes（软标签输出）
训练策略：
机械振动包含丰富的设备状态信息。通过分析振动的幅值、频率和相位，可以诊断大多数旋转机械故障。
位移、速度和加速度的关系
\(x(t) = A \sin(\omega t + \phi)\) \(v(t) = \dot{x}(t) = A\omega \cos(\omega t + \phi)\) \(a(t) = \ddot{x}(t) = -A\omega^2 \sin(\omega t + \phi)\)
其中：
参数选择原则
加速度传感器（最常用）
安装方式影响
安装方式 可用频率范围 相对灵敏度
螺栓固定 10 kHz 100%
磁座吸附 2 kHz 95%
胶粘 5 kHz 98%
手持探针 1 kHz 70%
特征频率计算
不平衡频率：$f_u = \frac{n}{60}$ （转频）
不对中频率：$f_m = 2 \times \frac{n}{60}$ （2倍转频）
滚动轴承故障频率：
其中：
ISO 10816 振动烈度评价
\[V_{RMS} = \sqrt{\frac{1}{T}\int_0^T v^2(t)dt}\]评价等级（10-1000 Hz速度有效值）：
机器类别 良好(A) 满意(B) 可用(C) 警告(D)
小型机 < 1.8 < 4.5 < 11.2 > 11.2
中型机 < 2.8 < 7.1 < 18.0 > 18.0
大型机 < 4.5 < 11.2 < 28.0 > 28.0
单位：mm/s RMS
用于检测早期轴承故障，原理是提取高频共振信号的调制包络：
其中 $\mathcal{H}$ 表示希尔伯特变换。
电机振动诊断实例
某3kW异步电机，转速1450 rpm，振动超标排查：
测点位置 水平(H) 垂直(V) 轴向(A) 单位：mm/s
─────────────────────────────────────────────
驱动端轴承 8.2 4.5 2.1
非驱动端 3.1 2.8 1.5
电机底座 1.2 0.8 0.5
诊断：驱动端水平振动明显偏大
频谱分析：1倍频成分占主导(24.2 Hz)
结论：转子不平衡，需动平衡校正
齿轮箱故障诊断流程
输入轴转速：n1 = 1450 rpm
齿数：Z1 = 17, Z2 = 68
传动比：i = Z2/Z1 = 4
啮合频率：fm = n1 × Z1 / 60 = 411.7 Hz
输出轴频率：f2 = n1 / (60 × i) = 6.04 Hz
故障类型与振动特征对照表
故障类型 主要频率成分 振动方向 相位特征
─────────────────────────────────────────────
不平衡 1×RPM 径向 稳定
不对中 2×RPM 径向/轴向 180°
松动 0.5×,1×,2× 径向 不稳定
轴承内圈 BPFI±RPM 径向 调制
轴承外圈 BPFO 径向 稳定
齿轮故障 GMF±RPM 径向 调制
共振 固有频率 全向 放大
振动烈度快速评估
根据ISO 10816-3标准的简化判断：
阶次分析
适用于变速设备的振动分析：
\[Order = \frac{f_{vibration}}{f_{rotation}}\]优点：
实施步骤：
时频分析方法
短时傅里叶变换（STFT）： \(STFT(t,f) = \int_{-\infty}^{\infty} x(\tau)w(\tau-t)e^{-j2\pi f\tau}d\tau\)
应用场景：
倒频谱分析
用于检测周期性调制： \(C(q) = FFT^{-1}[\log|FFT(x(t))|]\)
典型应用：
温度是反映设备运行状态的重要参数。异常温升通常意味着：
接触式测温
非接触式测温
基本原理
斯特藩-玻尔兹曼定律： \(P = \varepsilon \sigma A T^4\)
其中：
典型发射率值
材料 发射率
氧化铝 0.70-0.80
抛光钢 0.07-0.10
氧化钢 0.70-0.80
塑料 0.85-0.95
橡胶 0.90-0.95
PCB板 0.80-0.90
基准温度建立
报警阈值设置
经验法则：
趋势分析
温升速率判据： \(\frac{dT}{dt} > 5°C/h\) 需要立即检查
温度梯度分析：
正常 异常
T1 ------ 5°C T1 ------ 20°C
↓ ↓
T2 ------ 3°C T2 ------ 15°C
↓ ↓
T3 T3
温度梯度过大表示局部发热
轴承故障识别
电气连接故障
多点温度监测网络
传感器布局示例（电机）：
前轴承 T1 ──┐
├── RS485 ── 数据采集器
后轴承 T2 ──┤ │
│ ↓
绕组 T3 ──┤ PLC/SCADA
│ │
机壳 T4 ──┤ ↓
│ 历史数据库
环境 T5 ──┘ │
↓
趋势分析/报警
温度补偿算法
考虑环境温度影响的补偿： \(T_{corrected} = T_{measured} - k(T_{ambient} - T_{ref})\)
其中：
预测性维护模型
基于温度趋势的寿命预测：
阿伦尼乌斯方程（Arrhenius equation）： \(L = A \cdot e^{E_a/(RT)}\)
温度每升高10°C，寿命减半的经验法则： \(L_{T2} = L_{T1} \cdot 2^{-(T_2-T_1)/10}\)
案例1：轴承过热分析
故障现象：轴承温度持续上升至85°C
测量数据：
时间(h) 温度(°C) 振动(mm/s) 电流(A)
0 45 2.1 15.2
2 52 2.8 15.5
4 68 4.2 16.1
6 85 7.5 17.8
根因分析：
1. 振动与温度同步上升 → 机械故障
2. 电流逐渐增大 → 负载增加
3. 拆检发现：润滑脂劣化，轴承游隙过小
解决方案：
- 更换润滑脂（从锂基脂改为高温复合脂）
- 调整轴承游隙至C3组
- 增加润滑周期（3个月→1个月）
案例2：电气接点发热
热成像发现配电柜内某断路器接线端子温度异常：
处理流程：
机械间隙直接影响设备精度和寿命。过大的间隙会导致冲击、振动和精度损失。
塞尺测量法
百分表/千分表测量
激光位移传感器
直接测量法
游标卡尺/千分尺测量：
油液分析法
铁谱分析原理：
磨粒浓度 → 磨损速率
磨粒尺寸 → 磨损严重程度
磨粒形态 → 磨损类型
正常磨损：< 15 μm，片状
异常磨损：> 50 μm，块状或螺旋状
严重磨损：> 100 μm，大块剥落
超声波测厚
适用于管道、容器壁厚监测： \(t = \frac{v \cdot \Delta t}{2}\)
其中：
滚动轴承游隙
轴承内径(mm) 径向游隙C3组(μm)
10-18 11-25
18-24 13-28
24-30 13-28
30-40 15-33
齿轮啮合间隙
侧隙计算： \(j_n = j_t \cos\alpha\)
其中：
推荐值：
导轨间隙
浴盆曲线
故障率
↑
│ 早期故障期
│ ╱╲ 磨损故障期
│ ╱ ╲ ╱
│ ╱ ╲_______╱
│ ╱ 偶发故障期
└─────────────────→ 时间
P-F曲线（潜在故障-功能故障）
性能
↑
│ P点（可检测）
│ ╲
│ ╲ P-F间隔
│ ╲
│ ╲ F点（功能故障）
│ ╲
└────────→ 时间
关键是在P-F间隔内采取措施。