一、故障诊断基础：从“坏了”到“怎么修”
各位同行，大家好。我是老张，在工业机器人这行摸爬滚打十几年了。今天咱们聊聊故障诊断的基础。说白了，就是机器不听话了，我们怎么去“问诊”。
很多人觉得诊断就是“坏了就换”，其实没那么简单。我见过太多因为误判，把好零件拆下来，结果越修越糟的案例。所以，打好基础很重要。
1. 故障定义：到底什么是“故障”？
先统一一下口径。什么是故障？故障就是设备丧失了规定的功能。注意，是“规定的功能”。
举个例子：一台并联机器人，设计抓取速度是每分钟60次。现在它只能抓50次，算不算故障？算。因为它没达到“规定”的性能。但如果它设计就是每分钟50次，那就不算。
我个人习惯把故障分成几类：
- 永久性故障：坏了就是坏了，比如电机烧了，不换修不好。
- 间歇性故障：时好时坏，最让人头疼。我遇到过一台机器人，运行两小时就报错，重启又好了。查了三天，结果是控制柜里一个接头松了，温度一高就接触不良。
- 渐变故障：性能慢慢下降。比如减速器磨损，精度越来越差。
2. 故障模式与影响分析（FMEA）
FMEA，听起来高大上，其实就是“如果这里坏了，会怎样？”的思考方法。它是预防性诊断的核心工具。
做FMEA时，我们通常要填一张表。我给大家简化一下，核心就三列：
| 故障模式 | 可能原因 | 影响后果 |
|---|---|---|
| 电机不转 | 驱动器损坏、电机烧毁、线缆断路 | 机器人停止工作，产线停线 |
| 定位精度超差 | 减速器磨损、编码器零点丢失、连杆变形 | 抓取失败，产品报废 |
| 异常振动 | 轴承损坏、动平衡失效、安装基座松动 | 加速机械磨损，可能造成安全事故 |
为什么要做这个？说白了，就是让你心里有数。我曾经在一个项目里，提前做了FMEA，发现某个关节的轴承选型偏小。我建议客户换了，结果真在量产前就出现了早期磨损。客户后来专门请我吃饭，说省了一大笔停线损失。
3. 诊断流程：四步走，不迷路
诊断不是瞎猜，是有套路的。我总结了一个四步流程，你想想看，是不是这个理？
先看一张图，把整个流程串起来：
嗯，这张图很直观。下面我拆开来讲：
第一步：信号采集
这是诊断的“眼睛”。没有数据，一切都是瞎猜。我们主要采集什么？
- 振动信号：加速度传感器，贴在关键轴承座或电机端盖上。
- 电流/电压信号：从驱动器读取，反映电机负载情况。
- 位置/速度信号：编码器反馈，判断运动是否平滑。
- 温度信号：红外或热电偶，监控过热。
这里有个坑：采样频率要够。我曾经用1kHz去采振动，结果高频故障特征全丢了。后来换成10kHz，问题才暴露出来。你想想看，如果采样频率不够，就像用慢镜头看快动作，什么都看不清。
第二步：特征提取
原始数据是“噪音”，我们要从中找到“信号”。常用的方法：
- 时域特征：峰值、均方根值、峭度。比如，轴承坏了，振动信号的峰值会突然变大。
- 频域特征：做FFT变换，看频谱。每个故障都有它的“特征频率”。比如齿轮断齿，会在啮合频率的倍频上出现边频带。
- 时频分析：对于非平稳信号，比如机器人加减速过程，用短时傅里叶变换或小波变换更合适。
第三步：状态识别
这一步是判断“有没有病”。通常有两种方法：
- 阈值法：设定一个门限。比如振动值超过10mm/s，就报警。简单粗暴，但容易误报。
- 模式识别：用机器学习，比如SVM或神经网络。把正常数据和故障数据都喂给模型，让它自己学。准确率高，但需要大量数据。
我个人习惯是：先用阈值法做快速筛查，再用模式识别做精确诊断。这样效率高，也不容易漏。
第四步：诊断决策
最后一步，也是最关键的一步：决定怎么办。
- 继续运行：故障轻微，不影响生产，但要加强监控。
- 计划停机：故障有恶化趋势，安排下次保养时处理。
- 立即停机：故障严重，可能损坏设备或造成安全事故。
这里我要强调：诊断决策不是终点，而是起点。修完之后，一定要复盘：为什么坏了？怎么避免下次再犯？这才是闭环。
好了，这一章的内容就这些。故障诊断不是玄学，是科学。把定义搞清楚，把FMEA做扎实，把四步流程走熟练，你也能成为诊断高手。