AI轴承故障诊断定制：振动频谱与样本稀缺

轴承故障诊断的难点不在模型，而在数据。产线上正常样本海量，真实故障样本极少，靠现场攒数据往往要等一两年。 我们在定制项目里通常这样拆： 一是信号侧先定清楚。加速度传感器按转速选频响，采样率至少覆盖10倍以上故障特征频率，同时保留原始波形而不是只存特征值，否则后期换算法要重新采数。变转速设备加装转速键相，用阶次分析替代单纯频谱，避免转速波动把特征频率抹平。 二是特征与标签。用包络解调提取轴承外圈、内圈、滚动体特征频率及其谐波能量比，再叠加时域指标（峭度、裕度）作为输入。故障标签按损伤部位和程度分级，而不是只标异常，否则模型只能报警，不能指导维修。 三是解决样本稀缺。用轴承动力学仿真生成不同损伤尺寸的振动信号做预训练，再用现场少量实测样本迁移微调；正常样本按工况分层，避免模型把负载变化误判为故障。 部署上，边缘侧只跑推理，原始波形按需回传，避免占满车间带宽。上线后重点看误报率而非准确率，每月把误报样本回流重训。 经验：先和一个维修班组跑通一条产线的闭环，再复制到其他设备，比一次性铺开十几台更容易成功。