企业官网建设流程全解析

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], btype='bandpass', fs=fs, output='sos') 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25600/102400=0.25Hz，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。

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。