您的位置：首页 >> AI诊断

检测数据分析与AI诊断——项目、方法、标准与判据

AI诊断 2026-10-08 13:59:26 阅读量 ()

检测的价值不只在"测到"，更在"看懂"。同一个振动信号，交给不同的人分析，可能得出完全不同的结论——差别就在特征提取和判据选择。本栏目围绕数据采集 → 特征提取 → 状态评估 → 预测决策四层链路，系统梳理振动信号分析（时域／频域／时频）、温度与油液分析、机器学习与深度学习诊断、生成式 AI 与多模态诊断等方法，并给出典型故障的特征频率对应关系与相关标准。其核心判断是：RMS 值不是万能指标——轴承早期局部缺陷产生的是短时冲击，能量不足以抬高 RMS，但峰值和包络谱会先变化。内容依据 GB/T 44947、GB/T 20921、ISO 10816 与 ISO 13379-1 整理。

本栏目收录 5 个问答与 1 篇检测技术专题，约 2,344 字。内容由武汉艾尔通电气有限公司技术团队整理，以「艾尔电气智远博士」署名发布。

本页目录

检测数据分析与AI诊断技术规范

RMS值正常就说明设备没问题吗？

AI诊断模型预测准确率能到多少？

生成式AI在设备诊断中有什么风险？

不同故障在振动频谱上怎么区分？

为什么说振动分析是最成熟的方法？

检测数据分析与AI诊断技术规范

第一节、核心分析框架

检测数据分析与 AI 诊断围绕数据采集 → 特征提取 → 状态评估 → 预测决策四层链路展开：

层级	核心内容	关键技术
数据采集	振动、温度、油液、电流、工艺参数	传感器融合、边缘计算
特征提取	时域统计、频域分析、时频分析	FFT、小波、包络解调
状态评估	异常检测、故障分类、退化评估	监督／无监督学习
预测决策	剩余寿命预测、维护建议	LSTM、Transformer、LLM

第二节、核心方法

（1）振动信号分析（最成熟的方法）

时域分析统计特征包括均值、方差、峰值、峭度等；频域分析采用 FFT 频谱、功率谱密度；时频分析采用小波变换、希尔伯特-黄变换。

典型故障特征频率

故障类型	特征
转子不平衡	1X 转速频率处幅值增大
不对中故障	2X 转速频率处幅值增大
齿轮故障	齿轮啮合频率及其谐波处出现调制边带
轴承故障	根据轴承型号和转速计算的特征频率成分出现

（2）温度与油液分析

红外热成像可非接触测量设备表面温度分布，发现热点异常；温度趋势分析可发现缓慢恶化的故障模式。油液分析通过光谱分析检测磨损金属元素成分与浓度，铁谱分析观察磨损颗粒形貌、尺寸，判断内部磨损状态。

（3）机器学习与深度学习诊断

CNN-LSTM 混合架构可同时捕捉空间和时间故障模式。某数控机床预测性维护系统实验结果为：轴承故障预测准确率 92%，主轴问题 88%，刀具磨损 84%，冷却系统问题 80%；实验室早期检测能力 5-8 小时（工业场景预期 12-36 小时）。

IIoT 环境下的实时健康预测：结合传感器融合、边缘计算和智能算法，采用随机森林、梯度提升和 LSTM 网络，实现异常检测、故障类型分类和剩余寿命（RUL）预测。

（4）生成式 AI 与多模态诊断

最新研究提出将 Transformer 模型与多模态大语言模型（MLLM）集成，融合数值、图像和文本数据进行异常检测和维护建议生成。通过 Cache-Augmented Generation（CAG）框架将 AI 决策锚定在已验证的技术文档中，增强可追溯性。

第三节、标准与判据

标准号	名称	关键用途
GB/T 44947	机器状态监测与诊断性能诊断方法	性能监测框架（等同 ISO 18129）
GB/T 20921	机器状态监测与诊断词汇	术语统一
ISO 10816	机械振动评价	振动烈度判据
ISO 13379-1	机器状态监测与诊断数据解释	诊断方法

GB/T 44947 等同采用 ISO 18129，涵盖机器全生命周期的性能监测与诊断，包括术语、程序类型、系统安装指导、数据解释与评价标准。

第四节、典型案例（行业公开案例）

轴承内圈断裂的包络解调识别

某风场齿轮箱中间轴轴承内圈断裂案例中，振动峰值（peak-to-peak）逐步上升而 RMS 值保持稳定。原因是故障产生的周期性短时冲击不足以显著改变均方根值。包络解调频谱中识别出内圈故障特征频率及其边带，内窥镜检查证实缺陷发展。该风场后续开发基于 CNN 的 AI 自动筛查系统，加速全风场故障识别。

启示：RMS 值不是万能指标，包络解调对早期局部缺陷更敏感；AI 筛查可在海量数据中快速定位异常机组。