4、轴承故障诊断：滚动轴承与滑动轴承故障特征、频谱分析技术
轴承这东西，说它是发电机的“关节”一点不为过。我干这行二十年，处理过的轴承故障少说也有上百起。很多时候，机组振动超标，拆开一看，轴承已经“伤痕累累”。今天咱们就聊聊，怎么通过振动信号，提前发现轴承的“小毛病”。
4.1 滚动轴承的故障特征
滚动轴承的故障，说白了就是滚道、滚动体或者保持架出了问题。每种故障，在频谱上都有自己独特的“指纹”。
4.1.1 故障特征频率
这是诊断的基础。你得先算清楚，不同部位的故障会产生什么频率的振动。我习惯用下面这几个公式，记牢了，现场能省不少事。
| 故障部位 | 特征频率公式 | 说明 |
|---|---|---|
| 外圈故障 | BPFO = (n/2) × fr × (1 - d/D × cosα) | 最常见，信号稳定 |
| 内圈故障 | BPFI = (n/2) × fr × (1 + d/D × cosα) | 受转频调制，边频丰富 |
| 滚动体故障 | BSF = (D/d) × fr × (1 - (d/D × cosα)²) | 信号较弱，易被忽略 |
| 保持架故障 | FTF = (fr/2) × (1 - d/D × cosα) | 频率低，常被误认为工频 |
其中，n是滚动体数量，fr是转频，d是滚动体直径，D是节圆直径，α是接触角。嗯，这里要注意，这些参数得从轴承型号手册里查，或者用尺子量。
4.1.2 频谱特征
算出了特征频率，还得会看频谱。我个人习惯，先看有没有明显的“尖峰”。
- 外圈故障：频谱上会在BPFO及其谐波处出现明显峰值。如果外圈固定不动，这个频率非常稳定。
- 内圈故障：除了BPFI，周围还会出现以转频fr为间隔的边频带。为什么？因为内圈在转，故障点位置不断变化，振幅被调制了。
- 滚动体故障：BSF频率处有峰值，但通常幅值较小。而且滚动体自转又公转，信号时有时无，需要多采几组数据对比。
- 保持架故障：频率很低，往往在1Hz以下。我曾经遇到过一台风机，振动一直偏大，查了半天，最后发现是保持架断裂，频谱上有个0.8Hz的微弱信号。
核心要点：滚动轴承故障的频谱，特征频率是“主角”，边频带是“配角”。抓住主角，留意配角，诊断就不难。
4.2 滑动轴承的故障特征
滑动轴承，特别是大型汽轮发电机用的，故障模式和滚动轴承完全不同。它主要靠油膜支撑转子，所以问题大多出在油膜上。
4.2.1 油膜涡动与油膜振荡
这是滑动轴承最典型的故障。我刚开始做诊断时，就吃过它的亏。
- 油膜涡动：频率约为转频的0.42~0.48倍。频谱上会出现一个低于工频的“小鼓包”。它通常不稳定，随转速和载荷变化。
- 油膜振荡：这是涡动的恶化版。当转速达到一阶临界转速的两倍时，涡动频率会锁定在系统固有频率上，振幅急剧增大。说白了，就是油膜把转子“推”到了共振状态。
警告：油膜振荡一旦发生，必须在几秒内处理，否则轴瓦可能瞬间烧毁。我见过一次，整个轴瓦合金层被“搓”成了碎屑。
4.2.2 其他常见故障
除了油膜问题，滑动轴承还有几种常见故障：
- 轴瓦磨损：间隙变大，振动幅值整体上升，特别是工频分量。相位也会变得不稳定。
- 轴承不对中：频谱上会出现2倍转频分量，有时还有3倍频。如果同时伴有轴向振动大，基本可以锁定。
- 轴承松动：振动信号中会出现大量谐波，而且时域波形有“削波”现象。我习惯看时域波形，比频谱更直观。
4.3 频谱分析技术
频谱分析是轴承诊断的核心工具。但光会看频谱还不够，得会用对方法。
4.3.1 频谱分析的步骤
我一般按这个流程走，不容易漏掉关键信息：
- 采集数据：采样频率要够高，至少是最高分析频率的2.56倍。对于轴承，我建议采样频率不低于10kHz。
- 观察时域波形：先看有没有冲击、削波、调制。这些在频谱上可能不明显，但时域上一目了然。
- 做FFT变换：得到频谱。注意选择合适的窗函数。对于轴承信号，汉宁窗是首选。
- 识别特征频率：对照计算出的故障频率，在频谱上找峰值。别只看幅值，还要看频率是否精确匹配。
- 分析边频带：如果主峰周围有边频，计算边频间隔，判断调制源。
- 趋势分析：单次数据不够，要看趋势。幅值是否在增长？频率是否在漂移？
4.3.2 常用频谱分析工具
这里我给出一个简单的Python代码片段，用于计算轴承故障特征频率并绘制频谱。你可以在现场快速验证。
import numpy as np
import matplotlib.pyplot as plt
# 轴承参数
n = 12 # 滚动体数量
d = 0.015 # 滚动体直径 (m)
D = 0.1 # 节圆直径 (m)
alpha = 0 # 接触角 (rad)
fr = 50 # 转频 (Hz)
# 计算故障频率
BPFO = (n/2) * fr * (1 - d/D * np.cos(alpha))
BPFI = (n/2) * fr * (1 + d/D * np.cos(alpha))
BSF = (D/d) * fr * (1 - (d/D * np.cos(alpha))**2)
FTF = (fr/2) * (1 - d/D * np.cos(alpha))
print(f"外圈故障频率: {BPFO:.2f} Hz")
print(f"内圈故障频率: {BPFI:.2f} Hz")
print(f"滚动体故障频率: {BSF:.2f} Hz")
print(f"保持架故障频率: {FTF:.2f} Hz")
# 模拟频谱数据
freq = np.linspace(0, 500, 1000)
spectrum = np.random.rand(1000) * 0.1
spectrum[50] = 1.0 # 工频
spectrum[120] = 0.8 # 假设外圈故障
plt.figure(figsize=(10, 4))
plt.plot(freq, spectrum)
plt.xlabel('频率 (Hz)')
plt.ylabel('幅值')
plt.title('轴承振动频谱')
plt.grid(True)
plt.show()小技巧：现场没有电脑怎么办？我习惯用对数坐标看频谱。低频段放大，高频段压缩，轴承故障的微弱信号更容易被发现。
4.4 知识体系框架
为了让你更直观地理解本章的知识结构，我画了一张图。它把滚动轴承和滑动轴承的故障特征、频谱分析方法串在了一起。
这张图把整个诊断流程串起来了。从轴承类型出发，到具体故障模式，再到特征频率计算，最后用频谱分析技术得出结论。你想想看，是不是每一步都有章可循？
避坑指南：我曾经遇到过一台机组，频谱上BPFO非常明显，但拆开轴承发现外圈完好。后来仔细一查，是相邻轴承的故障频率恰好重合。所以，诊断时一定要结合多个测点、多种手段，别被单一数据“带偏”。
好了，轴承故障诊断这块，核心就是“算频率、看频谱、找特征”。多练几次，你也能成为高手。