旋转机械的故障诊断是预测性维护里最"经典"的活——也是最容易让新手翻车的活。
2024年那会儿，我带团队给一家煤化工企业做旋转设备在线监测。第一版方案贪大求全，想用一套LSTM搞定所有设备。结果上线一个月，效果惨不忍睹——离心泵的轴承故障完全识别不出来。
后来复盘才发现问题在哪：旋转设备里轴承、齿轮箱、电机的故障机理完全不同，强行用一套模型建模，等于逼一个中医同时看心脏病、骨科和妇科。
后来我们老老实实做分层建模，按"部件—故障机理—信号特征—模型"四步走，效果直接拉满。今天把这套思路分享出来。
轴承故障：包络分析是基本功
轴承是旋转设备里最容易出问题的部件——我经手的项目里，超过60%的故障都是轴承相关。
轴承故障的信号特征非常明确：内圈、外圈、滚动体、保持架四个部件各有一个"通过频率"，叫BPFO（外圈）、BPFI（内圈）、BSF（滚动体）、FTF（保持架）。比如某6205-2RS轴承，转速1480rpm，外圈故障频率大约是95Hz左右，内圈在155Hz左右。
光看时域和FFT是看不出这些频率的，因为它们被振动噪声淹没了。真正管用的是包络谱分析——先带通滤波（中心频率是共振频率），再做Hilbert变换提取包络，最后FFT。
import numpy as np from scipy.signal import butter as bfilter, hilbert from scipy.fft import rfft, rfftfreq def envelope_spectrum(signal, fs, fc, bw): """ 带通滤波 + Hilbert 包络 + FFT fc: 中心频率，bw: 带宽 """ # 带通滤波 low = max(0.001, (fc - bw/2) / (fs/2)) high = min(0.999, (fc + bw/2) / (fs/2)) b, a = bfilter(4, [low, high], btype='band') filtered = bfilter(b, a, signal) # Hilbert 取包络 analytic = hilbert(filtered) envelope = np.abs(analytic) # 去直流 envelope = envelope - np.mean(envelope) # FFT freqs = rfftfreq(len(envelope), d=1/fs) amp = np.abs(rfft(envelope)) return freqs, amp # 实战：某电机轴承共振频率约 1800Hz，带宽 ±500Hz freqs, amp = envelope_spectrum(vib_signal, fs=25600, fc=1800, bw=1000) # 找包络谱里的峰值，如果BPFI=155Hz处明显 → 内圈故障踩坑提醒：fc（共振频率）怎么选？一般用小锤敲击法测出轴承座的共振频率，或者用加速度传感器自带的TEDS数据估算。我们踩过最狠的坑——把fc选成了电机供电频率（50Hz），结果包络出来全是供电谐波，压根看不到轴承故障。
轴承故障的建模，我个人偏好两阶段法：先用包络谱做"是否故障"的二分类判别（特征就是包络谱峰值处的BPFO/BPFI幅值比），再用XGBoost或LightGBM做"故障严重度"分级（轻度/中度/重度）。
齿轮箱故障：边频带是关键
齿轮箱比轴承复杂得多——有啮合频率GMF，还有故障引发的边频带。
举个真实例子：某1.5MW风电齿轮箱，输入转速1480rpm，齿轮齿数比5.13，啮合频率GMF ≈ 1480/60 × 齿数 = 大约1156Hz。如果有一个齿轮有局部缺陷（比如断齿），啮合频率两侧会出现间隔为转频的边频带。
诊断齿轮故障的关键就是：找到啮合频率，看它两侧有没有规则间隔的边频带。边频带的间隔和形态，能告诉你缺陷在哪个齿轮上、严重到什么程度。
齿轮箱故障建模比轴承难，原因有三：
- 多级齿轮叠加：一个齿轮箱通常有2-4级齿轮，频谱叠加严重。
- 变工况：风电齿轮箱转速随风速变化，频谱会"漂移"，必须用阶次分析（order analysis）代替FFT。
- 复合故障：轴承和齿轮可能同时出问题，特征互相干扰。
所以齿轮箱故障，我倾向于用阶次域的CNN。把时序信号先做阶次重采样（把频率域映射到阶次域），再用一维CNN提取特征。PyTorch 2.1搭起来很简单，我们实测在CWRU齿轮箱数据集上准确率能到93%。
电机故障：别忘了定子电流分析
电机故障往往被忽视，但其实占比不小——绝缘老化、定子绕组匝间短路、转子断条、轴承（电机里也有轴承）。
电机故障有个独门武器：定子电流分析（MCSA）。电机定子电流里藏着大量转子状态信息，而且不用装振动传感器，直接从电控柜里取电流互感器信号就行。
转子断条的特征是：在供电频率（50Hz）两侧出现 ±2s × f1 的边频带（s是转差率，f1是供电频率）。这种特征在振动信号里几乎没有，在电流信号里却异常明显。
# MCSA 简单示例：从三相电流中找转子断条特征 # 假设电流采样率 10kHz，电机极对数 p=2，供电频率 50Hz slip = 0.03 # 转差率，从转速估算 f1 = 50 fault_freq = (1 - 2 * slip) * f1 # 47Hz附近 # 步骤：对电流做FFT，看 50±3Hz 范围内有没有峰值 # 如果左右边频对称且明显 → 转子断条电机故障建模我一般分两类：定子类（匝间短路等）用电流频谱特征，转子类（断条等）用MCSA+振动融合。不要图省事只采集电流——温度和振动一起采，特征维度立刻丰富起来。
一个反对意见：分层建模就一定好吗？
分层建模有个潜在风险：模型边界难以划分。真实设备里，一个故障可能跨多个部件。比如轴承保持架断裂，可能连带齿轮箱异响，最后电机也异常。这种"链式故障"用分层建模处理起来很麻烦。
我们的解法是"分层+兜底"：分层模型给出初步诊断，再用一个总览模型（meta-learner）综合多个子模型的输出。效果不错，但复杂度上来了。
如果你团队人手有限、或者设备数量不大，别硬上分层——直接用一个大模型（比如LSTM）吃所有信号也未必不行。我们2024年那次翻车，本质原因是数据质量差（很多传感器没标定），不是分层建模本身的问题。
写在最后
旋转设备故障诊断这件事，做久了会有一种感觉：它不像AI，更像中医的"望闻问切"——每种故障都有它的"脉象"，关键是识别和积累经验。
说点得罪人的话：很多同行上来就堆深度学习模型，效果不好就换更大的模型。但在我经手的项目里，特征工程的功夫到位了，XGBoost不输LSTM。先看懂频谱、看懂包络、看懂边频带，再谈深度学习。
如果你刚开始做旋转设备故障诊断，建议先把"BPFO/BPFI/GMF"几个基本频率搞清楚，再上手建模。别急，往下看——这套分层建模思路不需要一开始就有全套数据，从轴承故障的包络分析开始，一点一点扩到齿轮箱和电机，是最稳的路径。
一点碎碎念：旋转设备诊断最大的坑，是现场工况太复杂——负载波动、温度漂移、润滑状态变化都会影响信号。我们现在的做法是建一个"工况自适应"模块，根据转速、负载自动调整判别阈值。这块展开讲又是另一个大坑了，下次再聊。
