振动噪声故障诊断模型是工业设备状态监测与故障预警的核心技术手段，通过分析设备运行过程中产生的振动信号和噪声数据，识别设备健康状态、定位故障类型及评估故障严重程度，广泛应用于旋转机械（如电机、轴承、齿轮箱）、往复机械（如内燃机、压缩机）等关键工业设备的运维管理中。它遵循一个清晰的逻辑链条：“物理原理 -> 信号特征 -> 故障判断”。

整个故障诊断模型分为以下三大步骤：

第1步：信号采集 (Signal Acquisition)

这是所有分析的基础。使用合适的传感器（加速度计、麦克风、位移传感器等）和数据采集系统，在关键测点上获取高质量的振动或噪声信号。

第2步：信号处理与特征提取 (Signal Processing & Feature Extraction)

这是经典模型的核心。目的是从看似杂乱的原始信号中，提取出能够量化、表征特定故障的敏感特征。常用的技术包括：

传统基于信号处理的诊断模型：

（1）时域分析 (Time Domain Analysis):

• 特征指标：均方根值(RMS)、峰值、峭度、裕度等。
• 应用：主要用于判断故障的严重程度和冲击性。例如，峭度值异常升高通常意味着出现了轴承点蚀等冲击性故障。

（2）频域分析 (Frequency Domain Analysis):

• 核心技术：傅里叶变换 (FFT)，将时域信号转换为频谱图。
• 诊断逻辑：每一种机械故障（如不平衡、不对中、齿轮磨损、轴承损坏）都会在特定的特征频率上产生能量集中。诊断就是去频谱图上“寻找”这些频率。

（3）转子不平衡/不对中：主要看转动频率（1X）及其倍频（2X, 3X...）的幅值。

• 齿轮故障：主要看啮合频率(GMF) 及其谐波，以及由断齿、磨损等引起的边频带。
• 滚动轴承故障：计算轴承的内圈、外圈、滚动体、保持架的理论故障特征频率（BPFI, BPFO, BSF, FTF），并与频谱进行比对。

（4）时频域分析 (Time-Frequency Analysis):

• 核心技术：短时傅里叶变换（生成瀑布图/谱阵图）、小波变换、希尔伯特 - 黄变换等。
• 应用：专门用于分析非平稳信号，即信号的频率特性随时间变化。非常适合分析设备的启停过程、变转速工况下的振动特性。

（5）阶次分析 (Order Analysis):

• 核心技术：将频谱的横坐标从频率(Hz)转换为阶次(Order)（转频的倍数）。
• 应用：这是旋转机械故障诊断的最强有力工具。无论转速如何变化，由转子本身引起的振动（如不平衡）其阶次是固定的（如1阶），可以轻松地将其与由结构共振等引起的固定频率振动分离开。

基于机器学习的智能诊断模型：

随着大数据和机器学习技术的发展，这类模型通过自动学习数据特征，提升了复杂故障和多故障耦合场景下的诊断精度。

• 浅层机器学习模型：包括支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等。需人工提取信号特征，再输入模型进行分类。例如，将小波变换提取的特征输入 SVM 模型，实现轴承故障类型的分类。
• 深度学习模型：无需人工提取特征，可自动从原始振动噪声信号中学习故障特征，诊断效率和精度更高。
• 卷积神经网络（CNN）：擅长提取信号的局部特征，通过一维 CNN 直接处理振动时域信号，或转换为二维频谱图后用二维 CNN 分析，适用于图像化的故障特征识别。
• 循环神经网络（RNN/LSTM/GRU）：适合处理时序信号，能捕捉振动噪声信号的时间序列依赖关系，适用于设备动态故障的诊断与预测。
• Transformer 模型：通过自注意力机制捕捉信号的全局特征，在长时序振动噪声数据的故障诊断中表现优异

融合型诊断模型：

结合多种技术优势，提升模型的鲁棒性和泛化能力，是当前主流发展方向。

• 信号处理 + 深度学习：先用小波变换等方法降噪、增强信号特征，再输入深度学习模型进行分类，减少模型训练难度。
• 多模态融合模型：同时输入振动信号、噪声信号、温度、压力等多源数据，通过融合不同维度的信息，提升故障诊断的准确性和可靠性。

第3步：故障识别与诊断 (Fault Identification & Diagnosis)

• 阈值判断： 将提取的特征值与预设的正常/报警/危险阈值进行比较（如ISO 10816振动标准）。
• 专家系统：基于大量工程经验，建立一套“IF-THEN”规则库。例如：“如果1X谐波幅值超标，且相位稳定，则故障为不平衡”。
• 趋势分析：长期监测特征值的变化趋势，用于预测故障的发生和发展。