轴承还没坏,模型先报警:AI设备故障预判进课堂的几处磕碰

实验室在三楼,窗外就是实训车间,下午两点总能听见铣床的动静。那天我在黑板上画了个深沟球轴承,问底下三十几个人:它什么时候会坏?

没人吭声。

我原本准备的开场是一页综述PPT,标题写着“故障诊断的深度学习方法”。翻了两页,关掉了。太像算法课。学生坐在机械设计的教室里,不是来学卷积核的。

这是我把AI设备故障预判塞进课程大纲的第二轮。踩的坑,比我预想的要多。

他们能背ResNet,却说不清三倍频

期中交方案,有个组给我看结果:验证集准确率99.2%。我问,测试集怎么分的。答,从同一段信号里切出来的。

数据泄漏。

这四个字我写在黑板上,让他们自己回去查。隔了一周再来,那个组长说了句我记到现在的话——“老师,我们的模型在背答案。”

对啊。它就是在背答案。

可卡点其实不在算法那一层。卡点在前面:他们不知道振动信号里究竟藏着什么。转频、倍频、外圈通过频率、内圈通过频率,这些词在教材上是一行公式,落到他们脑子里,是一团浆糊。你让他调学习率他很快,你问他为什么转频的三倍频会冒出来,他就卡住了。

后来我做了个很笨的改动:每节课开头留十分钟,只干一件事——听声音。

正常的轴承是沙沙声。有点问题的,偶尔会冒出一声“咔”,有周期性。再严重些,是连续的摩擦音。听觉这东西没法量化,但它是入口,比任何一张频谱图都来得直接。

滚动轴承外圈故障特征频率频谱图
滚动轴承外圈故障特征频率频谱图

先摸传感器,再动代码

我把这门课拆成三层:感知、特征、决策。课时上,感知层给两节课,一点不心疼。

加速度传感器粘在哪,方向怎么定,磁吸座和螺柱安装差多少——这些看着“不智能”的东西,恰恰是模型替不了的。学生一开始不服气。有人问我,这些细节书上不是都写了么。

写了。但你们采回来的信号是垃圾,网络再深也白搭。

课堂练习就这么改的:同一个测点,一组用磁吸,一组用螺柱,采同一台小电机,回来比底噪。差异出来的时候,教室里安静了一下。那种“哦原来是这样”的表情,比讲十遍采样定理有用。

机床主轴轴承振动加速度传感器安装位置实物图
机床主轴轴承振动加速度传感器安装位置实物图

采样率这块也得掰开说。转速1500转每分,转频25赫兹,你想看五倍频,就得125赫兹往上。按2.56倍算,起码320赫兹起步。实际我们设到5千赫兹以上,因为冲击成分的频率很高,采样率不够,冲击就被抹平了。

外圈故障特征频率那个式子,BPFO = (n/2)·fr·(1 – d/D·cosα),我在黑板上推一遍,再让他们用代码写一遍。不要求会证,但要求会算,还要能判断——算出来的数是不是离谱。

包络解调我讲得更克制。低频的冲击会调制到高频共振上,直接看频谱是看不出来的,得先做带通,再取包络,再看包络谱。只给思路,不给代码。代码让他们自己填。

换成车间里的脏数据之后

前两轮我用公开数据集。那套数据太干净了。论文里的标配,课堂上用一次就够,用多了学生会产生一种错觉:故障预判是个分类问题,标签是现成的,切一切就能喂进去。

去年我换掉了。带他们去车间,找一台用了十几年的铣床,测两小时。数据少、噪声大、工况一直在变。标注怎么办?人工听音加拆检,两组人交叉对着标,还是吵起来。

有个组做到一半来找我,说这台机器“没有故障”。我说对,那你就写清楚它为什么像没故障。空样本也是样本,健康基线本身就有价值。

变转速更麻烦。后来加了个转速传感器,把时域信号做角度域重采样,转成阶次谱才看得清。这块我讲得很浅,只让他们知道有这条路,别一头撞死在固定转速的假设上。

说句实话,AI设备故障预判在机械设计教育里到底该放在哪儿,我到现在也没完全想清楚。塞进传感器课,算法那部分就太浅;塞进算法课,机械这一半又丢了。它更像一门“读机器的语言课”——先听得懂机器在说什么,再考虑让模型帮着听。

期末我改了评分表

期末我改了评分表
期末我改了评分表

不提准确率了。改成一份体检报告:设备状态、判断依据、置信度、建议动作。四栏,少一栏扣分。

有个学生在评教里写了一句:“比调参累,但心里踏实。”

我看了半天。

还有一次,讲迁移学习的时候我差点讲飘了。从实验室的电机,迁移到车间的铣床,域不一样,分布不一样,这是真问题。但那天我要是顺着讲下去,一节课就没了,学生只会记住几个术语。所以我把话头收回来,只让他们做一件事:把两个数据集的特征分布画出来,看一眼,就够了。

期末最后一个下午,那个曾经说“模型在背答案”的组长拿报告来签字。他写的第一条依据是:包络谱在BPFO处有峰值,并且随转速偏移成比例。

挺好。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:轴承还没坏,模型先报警:AI设备故障预判进课堂的几处磕碰
文章链接:https://m.yqhljx.com/list_9/5962.html