2、故障数据基础：常见故障数据类型与采集系统
大家好，我是老张。今天咱们聊聊故障预测里最基础、也最容易被忽视的一块——数据。说白了，你模型再牛，数据不行，一切都是白搭。我在项目里见过太多人一上来就调参，结果发现数据采集就有问题，那真是白费功夫。
2.1 常见故障数据类型
工业设备故障，通常通过四种物理量来反映。我一个个说。
2.1.1 振动数据
振动是旋转机械的“心电图”。轴承磨损、齿轮断裂、转子不平衡，都会在振动信号里留下痕迹。我个人习惯用加速度传感器采集，采样率一般设到10kHz以上。为什么？因为高频故障特征（比如轴承内圈故障）往往藏在几千赫兹的频段里。
关键点：振动数据通常包含三个方向（X、Y、Z），别只采一个方向。我曾经在风机项目上只采了垂直方向，结果水平方向的松动故障完全没抓到，后来补采才找到根因。
2.1.2 温度数据
温度变化慢，但信息量不小。电机过热、摩擦加剧、冷却失效，都会让温度曲线异常。温度传感器便宜，响应慢，适合做趋势分析。我建议采样间隔设到1秒以上就行，没必要太快。
2.1.3 电流数据
电流信号能反映负载变化和电气故障。比如电机转子断条，会在电流频谱里出现边频。采集电流时要注意：一定要同步采集三相电流，单相数据容易漏掉不对称故障。
2.1.4 压力数据
液压系统、气动系统、管道系统里，压力是核心指标。泄漏、堵塞、泵故障，都会让压力波动。压力传感器安装位置很关键——离故障点越近，信号越真实。
| 数据类型 | 典型传感器 | 采样频率建议 | 常见故障 |
|---|---|---|---|
| 振动 | 加速度计 | ≥10kHz | 轴承磨损、不平衡 |
| 温度 | 热电偶/RTD | 1Hz | 过热、冷却失效 |
| 电流 | 电流互感器 | ≥5kHz | 转子断条、匝间短路 |
| 压力 | 压力变送器 | 100Hz | 泄漏、堵塞 |
2.2 数据采集系统简介
一个典型的数据采集系统，由传感器、信号调理、模数转换、存储四部分组成。嗯，这里要注意：传感器出来的信号往往很弱，需要放大、滤波。我见过有人直接把传感器信号接采集卡，结果噪声比信号还大。
采集系统的架构，我画了张图，你看一眼就明白了。
2.3 采样定理与数据质量
采样定理，说白了就是：采样频率必须大于信号最高频率的两倍。否则就会发生混叠——高频信号伪装成低频信号，你根本看不出来。
避坑指南：我曾经在齿轮箱项目上，把采样率设成了5kHz，结果齿轮啮合频率是3kHz，按理说够用。但啮合频率的二次谐波是6kHz，混叠后变成了1kHz的低频信号。我盯着频谱看了三天，愣是没找到故障特征。后来加了抗混叠滤波器，才把问题解决。
数据质量，我一般看三个指标：
- 信噪比：信号和噪声的比值，至少20dB以上
- 分辨率：ADC位数，16位是底线，24位更好
- 采样率：根据故障特征频率定，留2.5倍余量
小技巧：如果你不确定采样率设多少，先按最高转速的10倍来。比如电机转速3000rpm（50Hz），轴承故障特征频率可能在几百赫兹，采样率设到5kHz以上比较稳妥。
2.4 数据标签与标注
数据标签，是故障预测的“参考答案”。没有标签，你没法训练监督学习模型。但标注工作，说实话，又累又容易出错。
我建议的标注流程：
- 时间戳对齐：确保故障发生时刻和标签时间一致
- 故障类型编码：用数字或字符串，比如0=正常，1=轴承故障，2=齿轮故障
- 严重程度分级：轻度、中度、严重，或者用0-1的连续值
- 多标签支持：一个样本可能同时有多个故障
举个例子，一个标准的标签文件长这样：
timestamp, sensor_id, fault_type, severity
2024-01-15 08:00:00, ACC_001, 0, 0.0
2024-01-15 08:01:00, ACC_001, 1, 0.3
2024-01-15 08:02:00, ACC_001, 1, 0.7
2024-01-15 08:03:00, ACC_001, 2, 0.5注意：标注时一定要记录工况信息。同样的故障，在不同转速、不同负载下，表现完全不同。我见过有人把正常工况下的数据标成故障，就因为振动值偏大——其实是转速高了，不是真故障。
好了，这一章的内容就这些。数据是故障预测的基石，打好基础，后面建模才稳。下一章咱们聊聊数据预处理，怎么把原始数据变成能用的特征。
公众号:蓝海资料掘金营，微信deep3321