**简介**：旋转机械的轴承、齿轮早期故障，往往先体现在振动时域波形中的微弱冲击上。传统做法靠人工定阈值或看频谱，依赖经验，难以及时发现早期缺陷。本文从一维时域信号入手，梳理时域统计特征、一维卷积网络与工况分类的技术逻辑，说明 AI 故障诊断如何把事后维修变成预测性维护。

![振动分析AI故障诊断](https://developer.qcloudimg.com/http-save/yehe-11599476/e64971984f24d7e8a07f2e6b090adfc6.jpg)

**阅读收获**：理解早期故障在时域波形上的表现形式与采集要求；掌握均方根、峭度、峰值因子等经典时域特征的含义与适用边界；了解一维卷积网络如何自动学习冲击周期，以及结合转速与负载工况区分内圈、外圈、滚动体故障的判定思路。

## 一、故障为什么先出现在时域波形里

轴承与齿轮的失效并非瞬间发生。从点蚀、剥落到裂纹扩展，是一个渐进过程。当滚动体滚过缺陷表面时，会产生一次短促的撞击，激起结构的高频响应，在振动信号上表现为周期性出现的冲击脉冲。

这种冲击有两个特点。一是幅值小，早期缺陷的冲击能量往往淹没在正常运转的振动与噪声之下，在频谱上难以形成清晰的特征峰。二是周期性强，冲击间隔由缺陷所在位置的运动关系决定，具有稳定的重复频率。

正因为如此，直接观察一维时域波形，往往比先做频谱变换更容易捕捉到早期征兆。波形上规律出现的微弱尖峰，就是缺陷最原始的证据。但这也对采集提出了要求：采样率必须足够高，才能让短促冲击的上升沿不被削平；采集必须稳定连续，转速波动与工况切换会污染周期特征；通道一致性要好，多测点对比时基线才可信。

## 二、经典时域特征：AI 的输入起点

在进入模型之前，工程上会先从时域波形中提取一组统计特征。它们计算量小、物理含义明确，是 AI 故障诊断最常用的输入。

**均方根（RMS）**：一段时间内信号幅值的均方根值，反映振动能量水平。它与磨损程度、不平衡量等整体性退化相关性好，但对早期局部缺陷不敏感，因为单个冲击对总能量的贡献很小。

**峭度**：四阶统计量，衡量信号分布的尖锐程度。正常振动近似高斯分布，峭度接近 3；一旦出现冲击型成分，分布尾部变厚，峭度会明显上升。它是对早期局部缺陷最灵敏的指标之一，但当故障发展到后期、冲击密集叠加时，峭度反而可能回落。

**峰值因子**：峰值与均方根的比值，描述冲击在整体能量中的相对突出程度，同样对早期缺陷敏感，且具有无量纲、不受转速与负载绝对值影响的优点。

**裕度因子与脉冲因子**：在峰值因子基础上做形式调整，对冲击的强调程度不同，常用于互相印证。

这几项指标的组合使用，构成了一套低成本、可解释的监测基线。其局限也很清楚：阈值需要人工设定，不同机型、不同工况下的正常范围差异大；指标之间可能给出矛盾结论；而缺陷位置、类型等更细的信息，统计特征无法直接给出。

| 特征 | 物理含义 | 对早期缺陷敏感性 | 主要局限 |
| --- | --- | --- | --- |
| 均方根 | 振动能量水平 | 低 | 早期冲击能量占比小 |
| 峭度 | 分布尖锐程度 | 高 | 故障后期可能回落 |
| 峰值因子 | 峰值相对突出度 | 高 | 受个别异常点影响 |
| 裕度因子 | 冲击强调程度 | 中高 | 需与其他指标互证 |

## 三、一维卷积网络：让模型自己找冲击

统计特征依赖人工设计，而一维卷积网络（1D-CNN）的思路是直接以原始时域序列为输入，让网络逐层学习。

卷积核在一维时间轴上滑动，提取局部波形模式。浅层网络倾向于捕捉冲击的上升沿、衰减振荡等基础形态；层数加深后，感受野扩大，开始响应冲击之间的间隔规律，即故障的特征周期。池化与下采样则逐步压缩时间维度，把长序列归纳为固定长度的特征表示，最后接入分类层输出故障类别。

这一路线的价值在于减少手工特征依赖。冲击周期与转速相关，人工设计特征时需要预先知道转频并做角度域重采样；卷积网络可以在一定程度上自行学习这种周期性，对转速轻微波动的容忍度更好。同时，原始序列保留了相位与波形形状信息，这些在统计特征中已被压缩丢失。

代价同样真实：需要足量的标注数据，而工业现场的故障样本天然稀缺；模型输出的是分类结果，缺少物理指标那样的可解释性；部署时对算力与在线推理延迟有要求。工程上常见的折中做法是特征与原始序列双路输入，既保留可解释的统计指标，又让网络学习更细的波形结构。

## 四、结合工况分类故障类型

同一段振动信号，在空载与满载下的表现可能完全不同。若忽略工况，模型会把负载变化误判为故障，或把故障淹没在工况差异中。因此，转速与负载是故障分类中必须一并输入的上下文信息。

轴承故障的典型分类包括内圈、外圈、滚动体与保持架四类。它们的区分依据主要来自冲击的重复频率：缺陷位于不同元件上，其通过频率与转频的比例关系不同。内圈随轴旋转，缺陷进出承载区会导致冲击幅值受调制；外圈缺陷位置固定，冲击更稳定；滚动体缺陷则因自转与公转的组合，呈现出更复杂的调制特征。

在数据层面，标注标签通常同时记录故障类型与工况参数。在特征层面，转速可作为归一化基准，把时间序列转换到角度域，使不同转速下的冲击周期对齐。在模型层面，工况参数可作为附加输入通道参与分类。三者的共同目的，是让模型学到"缺陷导致的冲击规律"，而不是"转速或负载变化导致的波形差异"。

## 五、从定期维修到预测性维护

传统定期维修按固定周期更换部件，本质是用备件成本换取确定性。问题在于，健康的部件被提前更换是浪费，而周期之外的突发失效又无法覆盖。

AI 故障诊断改变的是信息获取的时间点。当早期微弱冲击能被稳定识别，运维就从"事后处置"转向"提前预警"：可以在缺陷发展到影响精度或引发连锁损伤之前，安排计划性停机更换。带来的收益主要体现在三方面：非计划停机减少，生产连续性提升；备件按实际状态采购与库存，积压下降；检修窗口可与其他工序协同，人工与停机损失同步降低。

要让这条链路真正成立，还有几项工程前提。数据采集的稳定性决定了模型输入的质量；故障样本的积累与标注决定了模型能否持续迭代；预警阈值的设定需要在漏报与误报之间取得平衡，过多误报会让现场放弃使用。AI 在这里的角色，是把人从定阈值、看频谱的经验判断中解放出来，聚焦于异常的复核与处置决策。

## 六、结语

振动信号的早期故障，首先表现为时域波形中的微弱周期性冲击。均方根、峭度、峰值因子等统计特征提供了可解释的监测基线，一维卷积网络则通过自动学习冲击周期减少手工特征依赖，二者结合转速与负载工况，可进一步细分内圈、外圈、滚动体等故障类型。这条路径把维修决策从事后前移到事前，让非计划停机更少、备件库存更省。

落地时不必追求一步到位。可以从高采样率稳定采集与统计特征监测起步，在积累足够标注数据后再引入深度学习模型，逐步构建与自身工况匹配的预测性维护能力。



简介：旋转机械的轴承、齿轮早期故障，往往先体现在振动时域波形中的微弱冲击上。传统做法靠人工定阈值或看频谱，依赖经验，难以及时发现早期缺陷。本文从一维时域信号入手，梳理时域统计特征、一维卷积网络与工况分类的技术逻辑，说明 AI 故障诊断如何把事后维修变成预测性维护。

振动分析：AI如何做故障诊断

人工智能

硬件

运维

从时域振动信号出发，解析轴承齿轮早期微弱冲击特征，结合均方根、峭度等统计指标与一维卷积网络自动学习冲击周期，融合转速负载工况细分内圈、外圈及滚动体故障，实现从人工经验定阈值到AI预测性维护的智能化转型，有效减少非计划停机并优化备件库存。

深度学习

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

振动分析：AI如何做故障诊断-腾讯云开发者社区-腾讯云

振动分析：AI如何做故障诊断

振动分析：AI如何做故障诊断

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐