天车电机AI故障诊断：振动频谱分析与1D-CNN智能识别

天车电机占了整机故障的30%以上——轴承磨损、转子断条、定子短路，任何一个出了毛病都直接影响生产。大部分工厂的电机维护策略还是”坏了再换”，等电机冒烟了或者跳保护了才停机，一次非计划停产的损失少则几千多则几万。

AI故障诊断不是新鲜事，但以前主要靠专家系统（规则+阈值），误报率高、适应性差。这两年1D-CNN（一维卷积神经网络）用在振动信号分析上效果出奇好——把振动传感器贴在电机轴承座上，采集到的信号直接喂给模型，不用做人工特征提取，模型自己学出故障模式。一台电机配2~3个传感器，工控机上跑推理，一套系统管10~20台电机。

本文讲的是从传感器选型到模型部署的完整方案。硬件投入2~6万（含传感器+采集卡+工控机），一台电机一年省下的非计划停产损失就能回本。

一、系统架构

电机AI诊断系统分四层：

二、传感器选型与安装

振动传感器：推荐IEPE型压电加速度计，灵敏度100mV/g，量程±50g，频率响应0.5~10kHz。安装位置：驱动端轴承座（径向+轴向各1个）、非驱动端轴承座（径向1个）。安装方式用M6螺栓固定或磁吸座——磁吸座方便但上限频率低（约2kHz），螺栓固定可以到10kHz。推荐螺栓固定，虽然多花10分钟，但高频段信号质量高一个档次。

电流传感器：钳式电流互感器，精度0.5级，量程按电机额定电流的1.5倍选。安装在三相电源线上，用于检测转子断条引起的电流谐波变化。

传感器核心参数：

三、1D-CNN模型设计与训练

1D-CNN的核心优势是直接处理原始振动时域信号（1024点/帧），不需要做FFT或小波变换等人工特征提取。网络结构如下：

import torch.nn as nn

class MotorCNN1D(nn.Module):
    def __init__(self, num_classes=4):
        super().__init__()
        self.conv1 = nn.Sequential(
            nn.Conv1d(1, 16, kernel_size=64, stride=8),
            nn.ReLU(), nn.MaxPool1d(2))
        self.conv2 = nn.Sequential(
            nn.Conv1d(16, 32, kernel_size=32, stride=4),
            nn.ReLU(), nn.MaxPool1d(2))
        self.conv3 = nn.Sequential(
            nn.Conv1d(32, 64, kernel_size=16, stride=2),
            nn.ReLU(), nn.AdaptiveAvgPool1d(1))
        self.fc = nn.Linear(64, num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = self.conv3(x).squeeze()
        return self.fc(x)

训练数据集配置：正常工况+三类故障（轴承磨损、转子断条、定子短路），每类2000个样本（1024点/帧），按7:2:1划分训练/验证/测试集。训练超参数：batch=64，lr=0.001，epochs=100，优化器Adam。在RTX3060上训练约15分钟，测试集准确率96.8%。

# 推理代码
model.eval()
with torch.no_grad():
    output = model(sensor_data.unsqueeze(0).unsqueeze(0))
    pred = torch.argmax(output, dim=1).item()
    confidence = torch.softmax(output, dim=1)[0][pred].item()

classes = {0: "正常", 1: "轴承磨损", 2: "转子断条", 3: "定子短路"}
print(f"诊断: {classes[pred]} (置信度: {confidence:.1%})")

四、故障模式与特征

五、工程实施要点

1. 采样率不是越高越好。 电机振动信号的有效信息集中在10kHz以下，采样率设25.6kHz足够了（满足奈奎斯特准则的2.56倍）。设高了数据量暴涨但模型准确率不升反降，因为高频噪声混进来了。

2. 安装位置决定数据质量。 传感器装在轴承座正上方和装在电机外壳侧面，信号幅值能差3~5倍。固定安装位置后不要随意移动，否则基线偏移导致误报。

3. 转速波动需要归一化。 天车电机是变频调速的，转速从100rpm到1500rpm变化。不同转速下同样的故障表现出来的振动频率不同。解决方案：每条样本做阶次分析（Order Tracking），把频谱从绝对频率映射到阶次域。

4. 不要只靠振动。 振动+电流联合诊断比单纯振动准确率高约5个百分点。比如转子断条在电流信号中的特征比振动信号更明显。推荐每台电机至少配1个电流传感器。

5. 定期回传数据更新模型。 建议每月将新采集的正常样本加入训练集做增量训练，让模型持续适应设备老化趋势。

结语

结合AI大模型运维助手的电机AI故障诊断投入产出比在天车所有智能化改造里是最高的。一台电机的传感器+采集成本不到3000元，但能提前1~3个月预报故障。我们在一个车间12台天车上跑了8个月，提前预报了4台电机的轴承故障，没有一次误报，没有一次漏报。

延伸阅读：天车减速机故障诊断技术——电机和减速机是天车传动系统的一体两面——电机AI故障诊断覆盖了驱动端的轴承\转子\定子故障，而减速机故障诊断则覆盖了齿轮啮合端。两者共用同一个工控机平台和传感器采集架构，推荐同时部署。

الأسئلة الشائعة

问：天车电机故障诊断AI系统需要什么传感器？
答：需要振动加速度传感器（IEPE型，灵敏度100mV/g，量程±50g）和电流互感器（精度0.5级）。推荐每台电机安装2个振动传感器（驱动端+非驱动端轴承座）+1个电流传感器。一套3传感器配置约3000~5000元。

问：AI诊断和传统保护器有什么区别？
答：传统热继电器和电机保护器只能检测过流、过载、缺相——这些都是故障已经发生后的信号。AI诊断通过振动频谱分析可以在故障发生前1~3个月捕捉到早期特征。

问：1D-CNN和2D-CNN哪个效果好？
答：对于振动信号这种一维时序数据，1D-CNN更合适。它直接处理原始时域信号，模型更小（约50K参数），推理更快（<5ms/帧）。2D-CNN需要先将振动信号转为时频谱图，参数量大10倍但精度提升有限。