了解故障检测
故障检测 是指通过分析监测参数来识别机器中是否存在故障或异常状况的过程——最常见的是 振动，还包括温度、性能指标、油污或声学信号。它回答了一个简单的二元问题—— “有什么问题吗？” — 在分析师转入下一部分之前 诊断 （确定具体故障）以及 预测 （预测机器的剩余使用寿命）。作为 基于状态的维护，它清晰地区分了健康、恶化及失效的状态，从而使后续的所有操作都有其发生的原因。
做好这一点的价值在于提前预警。有效的故障检测能在功能性故障发生数月前发出警报，从而为计划性维护、备件采购和计划停机创造必要的时间窗口——这也是任何 预测性维护 计划。如果检测得太晚，就会回到被动应对、修到彻底报废的状态；如果检测得太过积极，又会陷入误报的泥潭。其中的诀窍在于把握好这种平衡，下文将详细说明如何在实践中做到这一点。
1. 五种核心检测方法
没有一种技术能适用于所有机器或故障。成熟的程序会结合多种方法，每种方法都有其独特的优势和数据要求。
超标
最简单且最常用的方法是将测量结果与预定义的 阈值：如果数值越过该线，就判定存在故障。一个常见示例是总体振动水平约为 7.1 mm/s RMS——这个数值在某些机器专用严重度表中位于 ISO 20816 系列（原 ISO 10816）中，被用作特定机器组和支撑条件的区域边界。不过它并不是通用限值：如需设定真实报警阈值，应选择适用于当前机器的 ISO 20816 相应分册，并结合基线趋势和设备关键性。许多方案会将这些限值分级为 警报, 警告， 和 跳闸 层级。
- 优点： 易于自动化，通过/未通过标准明确，便于向非专业人员说明。
- 限制： 阈值必须设置正确，且故障必须足够严重才能超过该阈值——这会导致延迟，并可能遗漏那些产生微弱但特征鲜明的信号的故障。
趋势偏差
与其等待达到绝对阈值，该方法会监控 趋势 本身。水平持续上升——或者更确切地说，是上升速率的突然变化 速率 上升趋势——在达到任何固定阈值之前，便预示着故障正在发展。由于参考的是机器自身的历史数据，该技术本质上具有机器特异性，能够及早发现问题。其唯一真正的要求是一组 基线数据 以此作为判断偏差的依据。
频谱异常检测
分析频率 频谱 不仅揭示了 那 有些事情变了，但 什么。在 轴承故障频率，现有峰值呈增长趋势 振幅，或是……的出现 边带 和 谐波 每个点都对应一种特定的故障类型。这种特异性是其巨大优势，尽管它需要具备真正的频谱分析能力，并有一组可靠的基线频谱用于对比。
统计方法
统计检测会将超出正常运行分布范围的数值标记出来——例如，任何超过均值加三个标准差的读数，或超出控制图限值的数值。通过考虑实际测量中固有的离散性，这些方法可以减少误报，但需要足够的样本量才能可靠地界定“正常”范围。
模式识别与机器学习
最先进的分层训练算法（包括神经网络）会针对正常与异常签名进行训练，从而能够自动检测出固定规则无法捕捉的细微模式。其代价是需要大量的标注训练数据以及运行模型所需的计算资源。
2. 检测性能的评估
检测系统的优劣取决于其命中率和误报率。有四项指标借鉴了分类理论，用于量化其性能表现。
- 敏感性（真阳性率）： 实际检测到的真实故障所占的比例——真阳性 / (真阳性 + 假阴性)。经过良好调优的程序通常能达到90%至95%以上的水平；灵敏度越高，漏检的故障就越少。
- 特异性（真阴性率）： 正确排除健康设备的比例——真阴性 / (真阴性 + 假阳性)。同样，目标值应为90%–95%；特异性越高，误报就越少。
- 误报率： 最终被证实为虚惊一场的警报比例，理想情况下应控制在5%至10%以下。过高的比例会导致 报警疲劳……这种信任的缓慢流失会导致技术人员忽视警告——而这与灵敏度之间存在直接的权衡关系。
- 检测提前期： 从首次检测到功能失效之间的时间间隔。时间越长越好，因为这能争取到规划时间。对于通过振动检测发现的轴承故障，通常有数周至数月的预警时间，且检测方法至关重要： 包络分析 与仅依靠整体级监测相比，该方法能更早地常规检测出轴承的初期损伤。
3. 实际挑战
实际中的机器很少像教科书里描述的那样规整，而且有三种情况往往会使检测变得复杂。
- 早期检测与误检之间的平衡： 虽然力求尽早发出警报，但难免会出现误报；而若等待绝对明确的信号，又会牺牲响应时间。通常的解决办法是采用多级报警机制，并在做出最终判断前，通过多个参数进行交叉验证。
- 间歇性故障： 在周期性路由测量期间，那些时隐时现的问题可能处于阈值以下。要发现这些问题，需要 持续监测 或 峰值保持 定格了那个最糟糕的瞬间。
- 多个同时发生的故障： 当多个缺陷同时出现时，它们在振动信号中可能会相互掩盖，因此需要进行全面的多方法分析才能将其区分开来。
4. 通过多个参数确认故障
通过交叉核对两个或多个独立指标，可以显著减少误报，因为真正的故障往往会同时出现在多个地方。
- 振动与温度的结合： 两者同时上升表明轴承存在问题；仅出现振动则表明是机械原因，例如 不平衡 或 错位; 仅从温度来看，就表明可能存在润滑或摩擦问题。
- 多种振动参数： 整体振动水平的上升与特定轴承频率的出现相结合，比单独出现任一症状更能确切地证实轴承故障。
5. 自动化、手动和混合检测
检测工作可以由软件完成，也可以由专家完成，或者——最理想的是——两者协同合作。
- 自动检测 该系统运行迅速、稳定可靠，且全天候运行，采用阈值检测、统计算法和机器学习技术。其不足之处在于，它可能会忽略一些细微的问题，有时也会因噪声而触发警报。
- 手动（专家）检测 将人类的判断力、情境感知能力和经过训练的模式识别能力融入频谱分析与波形检测中。然而，这种方法既耗时，又难以扩展，且依赖于稀缺的专业知识——即经 ISO 18436-2.
- 混合方法 — 对整个车队进行自动化筛查，并对标记出的异常情况进行专家审核 — 这种方法兼顾了效率与准确性，已成为成熟项目的标准做法。
现场仪表的适用场景
一旦筛查工具发出警报，下一步通常是在设备上进行更详细的检测。例如，一款便携式双通道分析仪 Balanset-1A 让技术人员走到可疑机器前，采集一份高分辨率光谱，并 时间波形，并确认报警是否反映了实际故障——如果该故障是不平衡，则通过 实地平衡 无需拆卸机器。从检测到确认再到修正的这一紧密闭环，正是混合方案旨在实现的目标。
故障检测是实现预测性维护的基础能力，它能及早发现潜在问题，以便提前制定应对方案。如果实施得当——即合理组合检测方法、谨慎设定阈值，并在灵敏度与特异性之间取得周密平衡——它就能提供早期预警，既确保设备持续运行，又能有效控制维护成本并降低发生灾难性故障的风险。
