企业官网建设流程全解析

简介：这份数据集面向从事电机故障诊断的工程师、设备维护人员及高校研究人员，系统整理了转子偏心、轴弯曲、转子条断裂、电机缺相、轴承故障、匝间短路、转子不平衡等七类典型故障的频谱特征，可作为现场排查与教学研究的参考依据。资源包内含1个docx文档，约608KB，以表格与文字结合的方式汇总各类故障的特征频率、边带规律及诊断要点，便于快速查阅比对。文档中明确列出两倍行频、1X波峰、极通过频率边带、故障频率pbfi与pbfo等关键判据，并针对匝间短路指出需借助电动机电路分析而非振动信号进行监测，内容紧凑实用。目前已有947人学习下载，适合需要建立故障频谱识别框架、提升诊断效率的读者参考使用。

1. 故障电机频谱数据集：从七类典型图谱到诊断落地的第一手参考

产线上电机突然异响，老师傅拿着听音棒贴上去听半天，最后说“拆吧，轴承有问题”——这种场景在车间里太常见了。但拆开之后到底是不是轴承故障、是内圈还是外圈，很多时候靠的是经验而不是数据。这份「故障电机典型频谱特征整理数据集」就是冲着这个痛点来的：它把三相异步电机七种典型故障的频谱特征做了系统整理，包括转子偏心、轴弯曲、转子条断裂、电机缺相、轴承内外圈故障、匝间短路和转子不平衡。每一类都给出了对应的特征频率规律和边带分布，适合做设备状态监测的工程师、做故障诊断算法的同学，以及需要快速建立频谱判读直觉的运维人员。它不是一份“看完就懂”的教程，而是一份可以对着频谱图逐条比对的参考手册。

2. 七类故障的频谱特征拆解：从1X到边带，每个峰对应什么

2.1 转子偏心与轴弯曲：为什么2X和1X边带是核心判据

转子偏心和轴弯曲在频谱上经常被混为一谈，因为两者都会在1X附近出现异常。但仔细看边带结构，区分点很清楚。

转子偏心的本质是气隙不均匀。转子转动时，转子和定子之间的间隙周期性变化，产生一个脉动的振动源。这个脉动源的频率是转频的两倍，所以频谱上会出现明显的2X分量。同时，由于气隙变化调制了磁通，1X波峰周围会出现极通过频率的边带。极通过频率的计算方式是：极通过频率 = 转频 × 极数。比如一台4极电机，转频25Hz，极通过频率就是100Hz。边带出现在1X ± 极通过频率的位置。

轴弯曲的频谱特征更接近纯不平衡：1X为主，径向振动大，振幅随转速升高而增大。但有一个关键区别——轴弯曲在电机冷却状态下检测更准确。因为热态下转子受热膨胀可能暂时“矫正”弯曲，导致频谱特征被掩盖。所以数据集里特别标注了“检测电机冷却状态下的轴弯曲状态”，这是实操中很容易忽略的一点。

我一般会这样操作：先让电机停机冷却到室温，再启动采集频谱。如果1X幅值在冷态下明显高于热态，轴弯曲的可能性就很大。

2.2 转子条断裂与电机缺相：裙带边带和1/3行频怎么认

转子条断裂的频谱特征很有辨识度。断条会在1X处产生极通过频率的边带，同时1X的谐波（2X、3X等）附近也会出现边带。这些边带不是单根谱线，而是一簇一簇的，看起来像“裙带”。数据集里用“裙带”这个词很形象——每个谐波附近都有一组极通过边带，间距等于极通过频率。

电机缺相的频谱特征更粗暴：强烈的两倍行频振动，也就是100Hz（假设电源频率50Hz）。同时伴有1/3行频的边带，即约16.7Hz的变频带。缺相通常由连接松动引起，所以如果频谱上看到100Hz分量突然增大，先别急着拆电机，去检查接线端子。

这里有个容易翻车的地方：100Hz分量在正常电机上也有，只是幅值低。判断缺相要看100Hz与1X的比值，以及是否出现1/3行频边带。单独一个100Hz峰值说明不了问题。

2.3 轴承内外圈故障与匝间短路：pbfi/pbfo和电路分析的边界

轴承故障的频谱判读是振动分析里最成熟的部分。内圈故障出现故障频率pbfi及其谐波，并且伴有转频的边带；外圈故障出现故障频率pbfo及其谐波，通常没有转频边带。这个区别来自故障位置：内圈随轴旋转，所以故障频率会被转频调制；外圈固定，不会被调制。

pbfi和pbfo的计算依赖轴承几何参数，常见做法是用轴承型号查手册或者用公式估算。我一般会先用包络解调把高频冲击信号解出来，再看低频段的故障频率。

匝间短路是个特例。数据集里明确写了：必须使用电动机电路分析而不是振动来监视和评估。因为绕组匝间短路的振动特征非常微弱，容易被其他振动源淹没。如果硬要从振动频谱里找匝间短路的特征，大概率会误判。这一点在数据集里标注得很清楚，也是很多新手容易踩的坑——拿着振动频谱找匝间短路，方向就错了。

3. 把频谱特征落到诊断流程：采集、判读、验证三步走

3.1 振动采集的参数设置：采样率、线数和窗函数怎么选

拿到这份数据集之后，下一步是把它用起来。频谱判读的前提是采集参数合理，否则特征频率根本分辨不出来。

采样率方面，根据奈奎斯特采样定理，采样率至少是最高分析频率的两倍。对于电机故障诊断，通常关注到1kHz左右就够了，但轴承故障的冲击信号可能到5kHz以上。我一般会设采样率5.12kHz，分析频率到2kHz，覆盖绝大多数电机故障特征。

线数决定频率分辨率。频率分辨率 = 分析频率 / 线数。如果线数取800，分析频率2kHz，分辨率就是2.5Hz。对于转频25Hz的电机，1X和2X之间隔25Hz，2.5Hz分辨率足够分开。但如果要看边带，边带间距可能只有几Hz，这时候需要提高线数到3200甚至6400。

窗函数的选择：电机振动信号通常是连续稳态信号，用汉宁窗可以减少泄漏。如果是冲击信号（比如轴承故障），用汉宁窗也可以，但包络分析时另说。

import numpy as np from scipy import signal # 模拟电机振动信号：1X=25Hz，2X=50Hz，100Hz缺相分量 fs = 5120 # 采样率 Hz t = np.linspace(0, 1, fs, endpoint=False) freqs = [25, 50, 100, 150, 200] amps = [1.0, 0.3, 0.8, 0.15, 0.1] vib = sum(a * np.sin(2 * np.pi * f * t) for f, a in zip(freqs, amps)) vib += 0.1 * np.random.randn(len(t)) # 加噪声 # 计算频谱：汉宁窗，线数3200 nperseg = 3200 f, Pxx = signal.welch(vib, fs, window='hann', nperseg=nperseg, noverlap=nperseg//2) # 找峰值 peaks, props = signal.find_peaks(Pxx, height=0.01, distance=10) print("峰值频率(Hz):", f[peaks]) print("对应幅值:", props['peak_heights'])

这段代码做了三件事：生成一个包含1X、2X、100Hz分量的模拟振动信号；用Welch法计算功率谱，汉宁窗，线数3200；用find_peaks找峰值。参数说明：nperseg=3200对应频率分辨率1.6Hz，noverlap取一半减少方差。实际采集时，采样率要根据电机转速和轴承参数调整，不能照搬。

3.2 特征频率的判读顺序：先看1X，再看边带，最后看谐波

频谱拿到手之后，判读顺序很重要。我习惯按这个流程走：

第一步，找1X。1X是转频，是所有判读的基准。如果1X幅值异常大，优先怀疑不平衡或轴弯曲。如果1X正常但2X大，看转子偏心。如果1X周围有边带，看边带间距。

第二步，看边带间距。边带间距等于极通过频率，说明是转子相关问题（偏心、断条）。边带间距等于转频，说明是内圈轴承故障。边带间距等于1/3行频，说明是缺相。

第三步，看谐波。转子断条会在2X、3X附近出现裙带边带。轴承故障的谐波可能延伸到很高频，需要用包络分析。

第四步，看高频段。如果低频段特征不明显，但高频段有冲击，用包络解调看轴承故障频率。

这个顺序不是死的，但能避免一上来就被某个峰值带偏。数据集里的七类故障，每一类都可以用这个流程定位到。

3.3 用数据集做验证：拿已知故障电机对频谱

数据集最大的价值是提供了参考图谱。我一般会这样做验证：找一台已知故障的电机（比如确认内圈故障的轴承），采集频谱，然后和数据集里的特征描述逐条比对。

比对的时候不要只看“有没有这个频率”，要看“这个频率的幅值是否显著”。比如内圈故障的pbfi，如果幅值只比底噪高一点点，可能是早期故障或者误判。如果pbfi及其谐波都明显，而且有转频边带，那基本可以确认。

还有一个实操技巧：变转速测试。转子不平衡和轴弯曲的1X幅值随转速升高而增大；转子偏心的2X分量随转速变化规律不同；轴承故障频率随转速线性变化。通过改变转速观察特征频率的移动规律，可以进一步确认故障类型。

# 变转速测试：观察1X幅值随转速变化 speeds = [600, 900, 1200, 1500] # rpm for rpm in speeds: fr = rpm / 60 # 转频 Hz # 模拟不平衡：1X幅值与转速平方成正比 amp_1x = (fr / 25) ** 2 print(f"转速{rpm}rpm, 转频{fr:.1f}Hz, 1X幅值系数{amp_1x:.2f}")

这段代码演示了变转速测试的思路：不平衡的离心力与转速平方成正比，所以1X幅值随转速升高而快速增大。如果实测数据符合这个规律，不平衡的嫌疑就很大。参数说明：转速单位rpm，转频=转速/60，幅值系数用平方关系估算。

4. 避坑与排查：频谱判读中最容易翻车的五个地方

4.1 把电源频率和谐波误判为故障特征

现象：频谱上100Hz、150Hz、200Hz分量明显，怀疑缺相或转子断条。

原因：电源频率50Hz，其谐波100Hz、150Hz在正常电机上也有，只是幅值较低。如果电机供电质量差或者变频器输出谐波大，这些分量会升高。

解决：先测电源质量，确认100Hz分量是否来自电源。对比空载和负载频谱，如果100Hz分量不随负载变化，大概率是电源问题。缺相的100Hz分量会随负载明显变化。

4.2 忽略边带间距导致内外圈轴承故障混淆

现象：看到轴承故障频率pbfi或pbfo，但分不清内圈还是外圈。

原因：内圈和外圈的故障频率不同，但如果没有计算准确的pbfi和pbfo，或者边带看不清楚，就容易混。

解决：先查轴承型号，算出pbfi和pbfo。然后看故障频率周围有没有转频边带。有转频边带的是内圈，没有的是外圈。如果边带看不清，提高频率分辨率重新采集。

4.3 用振动频谱诊断匝间短路

现象：电机疑似匝间短路，但振动频谱上找不到明显特征。

原因：匝间短路的振动特征极弱，被其他振动源淹没。数据集里明确写了必须用电路分析。

解决：改用电机电路分析仪，测绝缘电阻、匝间冲击耐压、电流频谱。振动频谱只能作为辅助，不能作为匝间短路的主要判据。

4.4 冷态和热态频谱混用导致轴弯曲漏判

现象：热态下频谱正常，停机冷却后重新启动发现1X幅值增大。

原因：轴弯曲在热态下可能被热膨胀暂时矫正，冷态下才显现。如果只在热态下采集，会漏判。

解决：轴弯曲检测必须在冷态下进行。停机冷却到室温后再启动采集，对比冷热态1X幅值。如果冷态1X明显高于热态，轴弯曲的可能性很大。

4.5 采样参数不当导致边带分辨不出来

现象：频谱上1X峰很宽，边带看不清。

原因：频率分辨率不够，边带和主峰混在一起。或者窗函数选择不当，泄漏严重。

解决：提高线数到6400以上，降低分析频率到1kHz，让分辨率达到0.15Hz。用汉宁窗减少泄漏。如果边带间距只有几Hz，分辨率必须小于边带间距的一半。

5. 进阶用法：把频谱特征整理成可检索的判读表

数据集给的是七类故障的文字描述和特征规律，但在实际诊断中，对着文字逐条比对效率不高。我习惯把特征整理成一张判读表，按频率分量和边带特征索引，遇到频谱先查表再细看。

这张表不是替代数据集，而是把数据集里的关键判据压缩成可快速检索的形式。实际用的时候，先看1X和2X的关系，再看边带间距，最后查表定位。如果表里没有匹配项，再回到数据集里逐条细看。

还有一个进阶技巧：把频谱特征和电机参数关联起来。比如极通过频率 = 转频 × 极数，轴承故障频率 = 转频 × 轴承系数。把电机铭牌参数和轴承型号录入，用脚本自动计算特征频率，然后在频谱上标注。这样判读的时候直接看标注位置有没有峰值，效率高很多。

# 自动计算特征频率并标注 def calc_fault_freqs(rpm, poles, bearing_coeffs): fr = rpm / 60 freqs = { '1X': fr, '2X': 2 * fr, '极通过频率': fr * poles, 'pbfi': fr * bearing_coeffs['pbfi'], 'pbfo': fr * bearing_coeffs['pbfo'], } return freqs # 示例：4极电机，1500rpm，轴承系数假设 fault_freqs = calc_fault_freqs(1500, 4, {'pbfi': 5.4, 'pbfo': 3.2}) for name, f in fault_freqs.items(): print(f"{name}: {f:.1f} Hz")

这段代码把特征频率计算自动化。参数说明：rpm是转速，poles是极数，bearing_coeffs是轴承系数（从轴承手册查）。实际使用时，把计算出的频率和频谱峰值对比，快速定位故障类型。

从那以后我每次拿到频谱，都强制先跑一遍特征频率计算，再对着判读表逐条排除。这套流程帮我省了很多来回拆电机的功夫，也避免了几次误判。希望帮到你。

本文还有配套的精品资源，点击获取