通过实时振动数据提前发现轴承缺陷：neo-pkg-bearing-analytics 1.0.0 发布
轴承缺陷会先表现为故障特征频率，随后才是振动幅值的增加。
旋转机械的许多故障都始于轴承。当轴承套圈出现损伤时，滚珠每次经过损伤位置，都会以固定间隔产生短暂冲击。每秒发生多少次冲击，由轴承几何结构和转速决定，这就是故障特征频率。在缺陷初期，振动的大小，也就是幅值，往往几乎没有变化，但振动信号中已经开始出现故障特征频率。
neo-pkg-bearing-analytics 是一个通过在振动数据中查找故障特征频率来诊断轴承的软件包。这是专家长期使用、经过验证的方法，但过去通常需要专用诊断设备和专业人员。本软件包将这种方法直接应用于 Machbase Neo 中实时积累的振动数据。无需编写查询或代码，只需输入每台设备的转速和轴承型号。
及早发现轴承异常，就能按照计划安排维护，而不必等到设备突然停机。
为什么只看振动幅值还不够
常见的振动监测方法是设置幅值阈值，在振动超过一定水平时触发警报。这种方法虽然简单，但要用它保护轴承，仍有两个问题。
1. 误报过多。负载较大或本来振动就较强的设备，即使状态正常，也可能产生很大的振动。振动大只能说明某处可能存在问题，并不一定意味着轴承已经损坏。
2. 发现得太晚。轴承缺陷往往始于极小的损伤。此时产生的冲击很弱，容易淹没在整体振动中。等到振动幅值明显上升时，缺陷可能已经发展到相当严重的程度。
因此，专家通常会先检查是否出现了轴承故障特征频率，而不是仅看振动幅值。为每台设备配置转速和轴承信息后，本软件包就能利用 Neo 中积累的振动数据，完成过去需要专家携带诊断设备进行的分析。
neo-pkg-bearing-analytics 的主要功能
1. 查找故障特征频率 — 定位疑似损伤部位
下图展示了前面提到的冲击如何产生。就像汽车轮胎上卡住的石子每转一圈都会发出一次咔嗒声一样，滚珠每次经过损伤位置，都会以固定间隔产生冲击。
损伤位于外圈、内圈还是滚动体，会对应不同的故障特征频率。因此，根据出现的频率，可以推测哪个部位可能受损。
不过，这些冲击通常会被其他振动掩盖，难以直接看清。软件包会先筛选出冲击较明显的高频频段，再提取冲击重复出现的频率。这类似于在嘈杂的工厂中辨认某一种特定声音。
上图使用中国西安交通大学公开的轴承全寿命试验数据 XJTU-SY，展示了本软件包对运行至失效的轴承进行外圈故障分析的结果。根据轴承几何结构和转速预先计算出的故障特征频率为 115.6 Hz，在这一频率及其二倍频、三倍频的位置，峰值依次排列。这组峰值正是外圈缺陷的特征。
2. 状态等级 — 故障特征频率决定是否升级，振动幅值决定严重程度
状态分为良好、注意、危险和严重四个等级。两个判据分别承担不同的作用。
故障特征频率 — 是否提高等级：检测到轴承故障特征频率后，才会触发等级提升。如果没有检测到，即使振动幅值很大，轴承状态仍保持为良好。
振动幅值 — 提高到什么程度：国际标准 ISO 10816 根据机械尺寸，将允许的振动范围划分为 A 区（新投运设备的水平）至 D 区（可能造成损伤的水平）。在故障特征频率触发等级提升后，由这一分区决定严重程度。
如果只是振动大，却没有故障特征频率，界面会单独说明这一情况，但不会提高轴承状态等级，因为原因可能不在轴承。反过来，如果振动仍然较小，但已经出现故障特征频率，就会提升为注意。这正是本软件包希望捕捉的早期缺陷。
下面是为前述全寿命试验轴承生成的报告。明显的故障特征频率触发了等级提升，而振动幅值也已达到 C 区，因此最终判定为危险。
这种判定方法的效果可以通过公开数据验证。我们从大学和研究机构公开的四类轴承试验数据集 CWRU、MFPT、Paderborn 和 XJTU-SY 中，选取了 100 条正常轴承记录和 283 条受损轴承记录，共 383 条，仅改变判定标准进行比较。
这些数据均来自轴承试验台，即使轴承正常，振动也可能很大。因此，仅看振动幅值的标准几乎无法区分正常和故障。在 100 条正常记录中，它对 69 条发出了警报，却只检测出了 37% 的受损轴承。
组合多个判据也没有解决误报问题。受损轴承的检出率提高到了 74%，但误报率仍为 69%。
将故障特征频率作为提高等级的前提后，误报率降至 3%，同时检出了 65% 的受损轴承。此外，在略多于一半的受损记录中，约 54%，还正确识别了损伤部位。现场人员需要能够信任每一次警报，系统才能被持续使用，因此我们优先选择降低误报。
我们还检查了系统能提前多久预警。在运行至失效的 NASA 轴承寿命试验中，外圈缺陷的首次警报出现在失效前约 3 天，滚动体缺陷则出现在失效前约 25 天。这些结果通过公开的试验台数据进行了验证，尚未使用实际现场设备数据验证。
本软件包采用信号与统计分析，而不是 AI 训练，因此无需为每台设备收集训练数据。输入转速和轴承型号后，当天即可开始状态评估。
3. 监测 — 在一个界面查看所有设备
打开应用后，所有选定设备都会以卡片形式显示。每张卡片上的当前振动值、最近 1 分钟的趋势和状态等级都会实时更新，状态较差的设备会排在前面。
顶部摘要中的待评估数量，表示当前无法给出状态等级的设备数。如果设备已停止、信号中断、传感器读数异常，或缺少转速、轴承信息，就会标记为待评估。将无法评估的设备显示为良好，会在不应放心的情况下造成错误的安心感。
监测并不只在应用打开时进行。启用服务器监测后，Neo 服务器会继续执行相同的判定流程，即使关闭应用，也会持续记录结果并发送通知。如果监测停止或发生延迟，应用会在界面中提示，避免用户因没有通知而担心监测本身已经停止。
4. 详细分析 — 展示依据以及下一步行动
点击设备卡片即可进入详细分析。在同一界面中，可以查看传感器采集的原始振动波形，以及按频率分解的多张图表。图表预先标出了故障特征频率的位置，便于直接确认这些位置是否出现峰值。以下是前述全寿命试验轴承的详细分析画面。
判定卡片与综合分析 — 判定依据和当前建议
界面顶部的判定卡片用一行文字说明轴承故障模式和振动幅值如何共同确定等级，例如“检测到故障模式 + ISO A 区 → 注意”。紧接着会显示一行当前建议采取的行动。展开综合分析后，可以查看判定依据，以及与结果相对应的具体执行步骤。判定本身不使用 AI，因此相同数据始终产生相同结果。如有需要，还可添加 AI 提供的详细分析意见，支持 Claude、OpenAI、Gemini 和 Ollama。
RMS 趋势 — 振动幅值随时间的变化
振动幅值逐步增大，并在故障发生前进入最高区间。
原始波形 — 原样显示传感器测得的振动
直接展示未经处理的传感器读数，便于观察冲击峰值。
FFT 频谱 — 按频率分解振动
图中标出了转频和故障特征频率的位置，可以直观看出哪些频率分量较强。
时频谱图 — 频率成分随时间的变化
颜色越亮，表示相应分量越强，可据此查看哪个频段从何时开始增强。
详细分析还提供其他指标，从不同角度检查轴承缺陷：通过峰值因子和峭度趋势，查看缺陷引起的冲击是否更加尖锐；通过故障频带能量趋势，查看相关频带的能量是否增长；通过分频带冲击性，查看哪些频段的冲击较强。
5. 报告与通知
报告是一份点击按钮即可生成的独立 HTML 文件。无需额外软件，用浏览器即可打开；图表支持放大查看，还可通过顶部的打印按钮进行打印或保存为 PDF。
报告分为摘要和完整分析两个标签页。摘要旨在让读者在 30 秒内读完：顶部是状态等级和判定结果，紧接着是一行当前建议，再依次列出关键数值、疑似缺陷和具体措施。报告也会单独说明判定的局限，区分这次测量在原理上无法揭示的内容、检查过但未发现的情况，以及仍无法解释的信号。完整分析页按顺序展示全部图表和依据，包括严重程度、趋势、频谱、缺陷证据和具体措施。
通知会在等级变化、信号中断等情况下发送。为避免瞬时尖峰引发大量通知，只有连续两次评估确认等级变化后，才会发送通知。仅出现一次的尖峰只作记录。通知可发送至 Slack、Discord 和 Google Chat 等消息服务；如果需要邮件或短信，可通过自动化工具转发。
开始使用
所需条件 — Machbase Neo 8.7.3 或更高版本，以及一个持续接收振动传感器数据的 TAG 表。建议配置 ROLLUP：未配置时，长期趋势会被限制为最近的时间段，服务器监测也无法运行。
准备 — 在 Neo 中安装软件包后，由管理员在应用设置中创建软件包所需的存储空间，并为使用账号授予软件包权限和待分析表的查询权限。为每个账号在 Neo 中签发 API 令牌，再将其输入应用。
启动 — 选择振动数据表，并输入每台设备的转速和轴承型号，即可立即开始评估。不过，通知需要连续两个周期确认相同等级，默认间隔为 10 分钟，因此首次通知最快也要在 10 分钟后发出。
可选功能 — 根据需要启用通知、服务器监测和 AI 分析意见。
建议 — 首次部署时，先仅运行评估，确认结果适合您的设备后，再启用通知。
详细使用方法和验证结果在英语、韩语和日语手册中提供 — \
结语
本软件包的核心理念只有一个：缺陷会先出现在频率中，随后才表现为幅值变化。因此，它首先检查是否存在轴承故障特征频率，而不是仅看振动是否很大，并且只在有依据时才提高状态等级。
每次判定都会附带依据。我们认为，工具只有让用户看得懂判定原因，才能在现场赢得信任。它的作用是帮助检查人员更早、更准确地找到需要关注的位置，而不是替代检查人员。
1.0.0 是第一步。目前，软件包使用单个传感器在一个方向上测得的振动来诊断轴承。因此，缺陷原因以假设形式提出，单方向测量的局限也会在界面和报告中明确说明。未来计划加入综合多个方向，包括水平、垂直和轴向振动的分析，进一步增强轴承诊断的依据。我们已在试验台数据上确认了效果，但尚未使用实际现场设备数据验证。欢迎分享您的现场使用结果和意见，我们会根据反馈持续改进。
