故障诊断实战：振动分析别只盯着频谱看

做故障诊断这行十多年，说实话，见过太多因为振动分析“学了个皮毛”就敢下结论的工程师。测了一堆数据，画了几张频谱图，愣是把正常轴承说成是轴弯曲，把齿轮断齿说成是不对中……丢人倒还好，关键是要误停机，损失产值，老板的脸色可不好看。今天咱们把振动诊断这摊事儿捋一捋，别光会看总值。

先讲个我的真实经历。前年一个化工厂的压缩机，振动值一直在报警线边缘磨蹭，工艺人员觉得没大事，维修部门又坚持要换轴承。中间吵了半个月。后来我看他们测的数据，传感器的磁座竟然吸在一个保温棉上，数据能准才怪。重新测了之后，发现是基础共振，不是轴承问题。所以，第一步，得把你的传感器和测点搞明白。

测点与传感器：振动诊断的地基

很多人迷信采集仪的价格，几万块的仪器买了，传感器却随便配。这完全是本末倒置。振动诊断的核心，是传感器和它的安装工艺。你用了劣质磁座，或接触面不平，测出来的信号可能连噪声都盖不住。

选传感器，先看频率范围和量程。测量轴承故障，一般用加速度计，频率至少到10kHz，量程要到±50g。测量轴系不平衡，用速度传感器更直接。光电转速计也别忘——同步采集转速，否则频谱上的频率推算就是空中楼阁。

✅ 测点选择法则：

• 要放在轴承座、壳体刚性最好、离承载区最近的位置。
• 表面清洁平整，最好用胶粘或磁座，但不能影响测量频率响应。
• 每个测点至少测三个方向：径向水平、径向垂直、轴向。

❗ 最常见错误：随手往盖板上一吸，或者拿手持探头用指头压着测。这些数据都是垃圾。数据垃圾，后面算出来花来也是白搭。更别想通过“倒频谱”之类的黑魔法翻身。

传感器方向很重要。很多联轴器不对中问题在轴向表现非常明显，光测水平方向当然什么都看不到。另外，垂直方向往往能反映基础刚度或松动问题，也不能忽略。

关于测点数量，我的建议是，关键设备至少布置三个测点（驱动端轴承座、非驱动端轴承座和中间支座），每个测点测三个方向。如果预算有限，优先驱动端轴承座的径向水平与轴向两个方向，外加转速传感器。但说实话，装一个传感器就想做全面故障诊断，那纯粹是赌博。

问：振动传感器是不是装得越多越好？厂里想省钱，只在关键设备上装一个，行不行？

答：传感器数量取决于你要覆盖的故障源。轴承故障会在三个方向上有不同的敏感度，一个传感器只能测一个方向，很容易漏掉轴向问题。如果预算有限，建议在关键轴系的径向水平和垂直方向各装一个加速度计，外加一个光电转速探头。这样至少能覆盖80%的常见故障。装一个？那等于把宝押在运气上。

频谱分析：读懂振动背后的密码

数据测回来，导入分析软件，频谱图出来，一排像山峰的尖峰。新手最常犯的毛病：看到最高的峰，就说“这是故障特征频率！”——你确定吗？这个频率在什么工况下出现的？为什么有边带？幅值在什么范围内算正常？

真正的高手，先看整体频谱结构：基频、谐波、分频，幅值分布，然后结合时域波形、包络谱、倒频谱综合判断。比如，滚动轴承外环故障特征频率在频谱上常常被调制到高频区，原始FFT可能看不出，但包络谱会暴露。

💡 一个典型例子：某减速机振动超标，频谱在1倍频处有异常峰，旁边还有两簇边带。新手一口咬定“不平衡”。拆开一看，齿轮轴磨损，轴颈椭圆度超标，1倍频的峰源自不对中，边带才是齿轮齿面故障。所以，别把峰值和故障一一对应，要算清楚特征频率。

计算特征频率需要转速、轴承几何参数和齿轮齿数。比如外圈故障频率（BPFO）就是滚动体数量乘以转频的一半乘以（1-d/D cosα）。如果手边没有参数，用频谱中的转速谐波和边带间距也能反推。

关于频率分辨率，也是个坑。采样时间不够长，线数不够，两个相邻的频率峰就会糊成一个，特征频率自然对不上。通常要保证频率分辨率至少是转速频率的1/100，或者直接采用高分辨率FFT。

问：为什么我测到的频谱跟理论特征频率对不上？总是差那么一点点。

答：这个太常见。要么转速波动，工频不恒定，导致频谱线展宽；要么轴承有滑动，实际的滚动体公转频率低于理论值；还有就是共振放大，结构固有频率被激励，把故障信号的原始特征给“染色”了。所以做诊断，务必记住：先看转速，再算特征频率，然后用包络谱避开共振的干扰。另外，频率分辨率也要设对，线数不够，两条相邻的频率会合并成一条，自然对不上。

别让数据躺着睡觉：从振动实测到预测性维护

现在到处讲工业互联网和预测性维护。振动诊断是其中最落地的技术之一。很多企业也装了在线监测系统，但只用来做报警，超限就停机检查，不超就当没事。说实话，这跟装了防盗门不锁有什么区别。

我见过一个客户，汽轮机轴承座振动从8 mm/s爬到12 mm/s，他们按报警值停了机组，换了轴承，然后又跑，又爬，循环往复。后来我们帮他们看了历史趋势，发现振动上升的速率每次都在增加，再结合油温变化，判断是润滑失效，不是轴承磨损。换了油品和润滑周期，问题解决。

这就是趋势分析的价值。别只看瞬时值，要管好历史趋势。更进一步，用机器学习建立健康基线和偏离度预警模型。比如用正常数据训练一个自编码器，或者提取均方根、峰值因数、重心频率等特征，计算马氏距离。新数据偏离到一定程度就发预警，能够比传统阈值提前数周发现早期退化。

我这边还见过用它做数字孪生的——更高阶一点，把振动数据喂给一个动态仿真模型，让模型实时估计看不见的内部部件磨损。不过说实话，搞那么多花样，没有基础数据治理都是空谈。

但话说回来，再好的模型也依赖扎实的信号处理基本功。你连频谱都分析错了，喂给模型的就是错数据，模型再聪明也是“垃圾进，垃圾出”。

写在最后

振动诊断这门手艺，练的是对物理本质的理解，而不是背故障表格。不同设备、不同工况，表现千变万化。但只要你把传感器放对位置、把频谱结构看通透、把趋势存下来，故障就会像被剥了壳的螃蟹，看起来吓人，其实无处可藏。

别总想着用AI替代老师傅。AI是放大镜，不是眼睛。打好基本功，才是第一条。