第1章：故障诊断基础理论

各位工程师朋友，大家好。我是你们的老朋友，一个在电机控制领域摸爬滚打了十几年的老兵。今天咱们开始聊故障诊断，这活儿说白了，就是给电机系统“看病”。

你想想看，一个电机系统，少说几十个部件，多则成百上千。哪个环节出问题，都可能导致产线停摆、设备报废。我见过太多因为一个小电容失效，导致整条自动化线瘫痪的案例。所以，掌握一套系统的诊断方法，比你会修十个具体故障都重要。

这一章，咱们就先把诊断的“内功心法”给捋一遍。我会结合自己踩过的坑，把FMEA、FTA、基于模型和基于数据这四种主流方法，掰开了揉碎了讲给你听。

1.1 故障模式与影响分析（FMEA）

FMEA，说白了就是“事前诸葛亮”。 它不是在故障发生后去救火，而是在设计阶段或运行前，就问你三个问题：

• 这东西可能会怎么坏？（故障模式）
• 坏了会有什么后果？（影响分析）
• 后果有多严重？发生的概率多大？我们能发现吗？（风险优先级）

我个人习惯，在做新项目或改造老系统时，第一件事就是拉上机械、电气、软件工程师，一起做一次FMEA。别嫌麻烦，这比后期改设计省十倍的时间。

举个例子，我在一个伺服驱动器项目里遇到过：

部件	故障模式	影响	S	O	D	RPN
IGBT模块	过温烧毁	驱动器停机，电机失控	9	4	6	216
编码器	信号丢失	位置失控，可能撞机	8	3	5	120
母线电容	容量衰减	电压纹波大，影响控制精度	5	7	3	105

你看，IGBT的RPN最高，我们就在设计上加了硬件过温保护、软件降额策略和温度实时监测。这就是FMEA的价值——把风险消灭在萌芽状态。

1.2 故障树分析（FTA）

如果说FMEA是“自下而上”的归纳，那FTA就是“自上而下”的演绎。它从一个最不希望发生的事件（顶事件）出发，像剥洋葱一样，一层层往下找原因。

举个例子，顶事件是“电机不转”。 我们怎么用FTA分析？

• 第一层：可能是“没有供电”或“电机本身损坏”或“控制器无输出”。
• 第二层：“没有供电”又可能是“电源跳闸”、“线路断路”、“保险丝熔断”。
• 第三层：“保险丝熔断”又可能是“过载”、“短路”、“老化”。

这样一层层分解下去，直到找到最基本的、不需要再分解的底事件。FTA特别适合用来做事故调查。我记得有一次，一台大型风机突然停机，我们就是用FTA，花了两个小时，从几十个可能原因里，锁定了是“振动传感器误报”导致的。

1.3 基于模型的诊断方法

这种方法，说白了就是“找个参照物”。我们建立一个电机系统的数学模型，比如电压方程、转矩方程、热模型等。然后，把实际传感器的测量值和模型计算出来的理论值做比较。

核心思想： 如果实际值和模型值偏差很大，那系统肯定出问题了。

举个例子，一个永磁同步电机（PMSM）的电流模型：

// 简化的d-q轴电流模型
// 实际电流 id_actual, iq_actual
// 模型计算电流 id_model, iq_model

// 残差计算
residual_d = id_actual - id_model;
residual_q = iq_actual - iq_model;

// 如果残差超过阈值，则报警
if (abs(residual_d) > THRESHOLD_D || abs(residual_q) > THRESHOLD_Q) {
    // 触发故障标志
    fault_flag = TRUE;
}

这种方法的好处是，不需要大量的历史故障数据。只要模型够准，就能检测出很多早期故障，比如轴承磨损导致的摩擦力矩增加、永磁体退磁导致的磁链变化等。

1.4 基于数据的诊断方法

这个方法，现在特别火。它不依赖物理模型，而是靠“喂数据”。你给算法大量的正常数据和故障数据，让它自己学习故障的特征模式。

常见的套路有：

• 信号处理： 对电流、振动信号做FFT（快速傅里叶变换），提取频谱特征。比如，轴承故障会在特定频率上出现峰值。
• 机器学习： 用SVM（支持向量机）、随机森林、神经网络等算法，对提取的特征进行分类，判断是哪种故障。
• 深度学习： 直接用原始数据（比如一秒钟的电流波形）扔进CNN（卷积神经网络），让它自动提取特征并分类。

我记得有个项目，现场电机经常出现“异响”。我们用传统方法查了很久，没找到规律。后来，我们采集了三个月的振动数据，用机器学习训练了一个模型。结果发现，模型能提前两天预测出“异响”故障，准确率超过95%。

1.5 四种方法对比与选择

这四种方法，没有哪个是万能的。我一般这样选：

方法	适用场景	优点	缺点
FMEA	设计阶段、系统级风险评估	系统性强，预防为主	依赖专家经验，耗时
FTA	事故调查、复杂故障原因排查	逻辑清晰，定位精准	对复杂系统，树会很大
基于模型	有精确数学模型、早期故障检测	物理意义明确，可解释性强	模型不准时，误报率高
基于数据	数据丰富、故障模式复杂、难以建模	无需物理模型，适应性强	需要大量标注数据，可解释性差

在实际项目中，我很少只用一种方法。通常是FMEA做顶层规划，FTA做深度排查，基于模型的方法做在线监测，基于数据的方法做趋势预测和复杂模式识别。四者结合，才能构建一个健壮的故障诊断系统。