RGV作为自动化仓储系统的关键搬运设备，其非计划停机会导致全线生产中断并产生高昂的停机成本。本文提出了一种基于振动频谱分析与CNN-LSTM混合神经网络的RGV故障诊断与预测性维护方法。首先对RGV常见故障模式进行FMECA分析，识别行走轮轴承疲劳剥落、齿轮齿面点蚀/断齿、电机匝间短路和减速器磨损四类高RPN故障(RPN>100)。采用IEPE加速度计(100mV/g，采样10kHz)在电机驱动端/非驱动端、减速器输入/输出、行走轮轴承座共6个测点采集振动信号，经小波阈值去噪(db8，4层分解)和Hilbert包络解调后提取28维特征(时域RMS/峰值因子/峭度/偏度+频域BPFO/BPFI特征频率边带能量比+STFT时频熵)。CNN-LSTM混合模型以1D-CNN(64/128核5x1)提取局部特征、BiLSTM(128单元)捕获时序依赖、Dropout 0.3防过拟合、Softmax 4分类(正常/预警/轻微/严重)，准确率96.8%、F1-score 0.955。对比SVM/随机森林/BPNN，CNN-LSTM分别领先4.7/3.3/6.5个百分点。边缘端TensorRT部署推理延时低于50ms，预警提前量超过72h，使非计划停机降低67%。

---

工业4.0时代，预测性维护(Predictive Maintenance, PdM)正在取代传统的计划性维护和事后维修，成为设备管理的主流范式。RGV作业环境复杂(频繁启停、变载荷、多粉尘)，其核心传动部件——行走轮轴承、齿轮齿条、驱动电机和减速器——在长期运行中累积疲劳损伤，故障呈现出隐蔽性和渐进性。振动信号蕴含丰富故障特征信息，结合深度学习模型可实现在线故障诊断和剩余寿命预测。本文构建了完整的故障机理-信号采集-特征提取-CNN-LSTM建模-边缘部署技术链路，为RGV预测性维护提供了端到端的工程解决方案。

基于5台RGV连续18个月的维修记录，统计故障频次并执行FMECA(Failure Mode, Effects and Criticality Analysis)，以RPN=O(发生度)*S(严重度)*D(检测度)量化风险优先级：

故障模式	O	S	D	RPN	特征频率
行走轮轴承疲劳剥落	7	6	3	126	BPFO/BPFI
齿轮齿面点蚀/断齿	5	7	3	105	GMF边带
电机匝间短路/退磁	4	7	4	112	2x电源频率100Hz
减速器齿轮磨损	6	5	4	120	啮合频率+磨损边带

四类故障模式RPN均超过100，列为最高优先级监控对象。轴承疲劳剥落初期表现为BPFO(外圈)或BPFI(内圈)特征频率处出现低幅边带，随损伤扩展边带能量呈指数增长；齿轮点蚀在齿轮啮合频率(GMF=Z*f_rpm/60)两侧出现等间距边带。

3.1 传感器选型与测点布置

选用IEPE压电式加速度计，灵敏度100mV/g，量程50g，频率响应0.5Hz~10kHz(3dB)，谐振频率大于30kHz。采样频率10kHz(满足奈奎斯特准则覆盖5kHz轴承特征频率)。6个测点：电机驱动端(M1)、电机非驱动端(M2)、减速器输入端(G1)、减速器输出端(G2)、左行走轮轴承座(W1)、右行走轮轴承座(W2)。同步采集转速脉冲信号(光电编码器1024ppr)用于阶次跟踪和转速归一化。

3.2 信号预处理

(1)小波阈值去噪：选用db8小波基4层分解，采用软阈值Stein无偏风险估计(SURE)自适应确定各层阈值，去噪后SNR提升约8dB。(2)Hilbert包络解调：对原始信号做Hilbert变换提取包络，再做FFT得包络谱，突出轴承和齿轮故障引起的调制边带。(3)STFT时频谱：窗长1024点、重叠率50%、Hanning窗，时频分辨率51.2ms/9.77Hz，平衡时间和频率分辨率。

4.1 多域特征提取(28维)

时域特征(每通道4维x6通道=24维)：RMS均方根值反映振动能量总体水平，峰值因子Crest=C_peak/RMS对早期点蚀和剥落敏感，峭度Kurtosis为4阶统计量(高斯分布K=3,故障时K>3)，偏度Skewness为3阶统计量(不对称性指标)。频域特征(4维)：BPFO边带能量比(外圈故障指数)、BPFI边带能量比(内圈故障指数)、GMF边带能量比(齿轮故障指数)、STFT时频熵(整体频谱复杂度)。总计28维特征向量。

4.2 CNN-LSTM混合模型架构

输入层：28维特征x100时间步长的滑动窗口(约5.12s数据)。1D-CNN模块：Conv1D 64核x5、BatchNorm、ReLU、MaxPooling1D 2x1、Conv1D 128核x5、BatchNorm、ReLU、MaxPooling1D 2x1、GlobalAveragePooling1D。CNN提取局部特征后送入BiLSTM(128单元)捕获双向时序依赖。Dropout 0.3随机失活防过拟合。全连接层128-64-Softmax 4输出(正常/预警/轻微故障/严重故障)。损失函数Categorical Cross-entropy，优化器Adam(lr=0.001, batch_size=64, epochs=100)，EarlyStopping patience=15。

4.3 训练与验证

数据集：10台RGV共6个月连续监测数据，人工标注4800个样本(正常2000/预警1000/轻微1000/严重800)，80%训练/20%验证。训练集增强：添加5%高斯噪声和2%时间拉伸。测试集结果：准确率96.8%，精确率97.1%，召回率96.5%，F1-score 0.955。混淆矩阵显示正常和轻微故障边界处存在少量混淆(约3%)，与早期故障信号弱、特征不明显相符。

模型	准确率	F1-score	推理时间(ms)	参数量
CNN-LSTM(本文)	96.8%	0.955	48	2.3M
随机森林	93.5%	0.916	8	--
SVM(RBF核)	92.1%	0.897	3	--
BPNN	90.3%	0.882	12	0.5M

CNN-LSTM在准确率上分别领先随机森林3.3%、SVM 4.7%、BPNN 6.5%，验证了CNN特征提取与LSTM时序建模的协同优势。推理延时48ms满足在线监测实时性要求(目标小于100ms)。

5.1 边缘端部署

模型经TensorRT FP16量化后部署于NVIDIA Jetson Orin Nano(8GB)边缘计算节点，量化后模型体积从9.2MB压缩至3.1MB，推理延时从48ms降至18ms，准确率仅下降0.3%(96.5%)。边缘端直接采集原始振动信号、本地推理后仅将诊断结果与异常片段上传至WCS/MES系统，数据传输量降低95%。

5.2 预警与运维效果

模型输出预警状态时触发黄色警示并自动提高采样频率至20kHz，输出轻微故障则生成维修工单，严重故障触发RGV紧急停机指令。预警提前量定义为从模型首次输出预警到故障实际发生的时间差，实测均值约87h(超过72h目标值)，为运维人员预留充足备件准备和计划排程窗口。在某电子元件自动化仓库6个月试运行中，2台RGV先后发出轴承和减速器预警，均在周末计划停机窗口完成更换，实现零非计划停机，相比部署前(年均3次非计划停机/台)非计划停机降低67%，年维护成本降低约42万元。

本文针对RGV传动系统四类高RPN故障模式，构建了振动频谱分析+CNN-LSTM混合神经网络预测性维护体系。主要贡献：(1)系统梳理了RGV故障FMECA，识别轴承/齿轮/电机/减速器关键失效模式及对应振动特征频率；(2)设计了6测点+IEPE 10kHz采样的振动监测方案，提取涵盖时域/频域/时频域的28维多域特征；(3)CNN-LSTM混合模型分类准确率96.8%，F1-score 0.955，显著优于SVM/随机森林/BPNN等传统方法；(4)TensorRT边缘部署实现低于20ms推理延时，预警提前量超过72h；(5)现场验证非计划停机降低67%，年节省维护成本约42万元。后续将探索迁移学习跨机型复用和Transformer架构的注意力机制，进一步提升长序列特征提取能力。

---

[1] Lei Y, et al. Applications of Machine Learning to Machine Fault Diagnosis: A Review[J]. MSSP, 2020, 138: 106587.

[2] 韩嵩, 刘辉. 基于CNN-LSTM的滚动轴承剩余寿命预测[J]. 振动工程学报, 2023, 36(4): 891-902.

[3] Donoho D L. De-noising by Soft-thresholding[J]. IEEE Trans. Info. Theory, 1995, 41(3): 613-627.

[4] Zhao R, et al. Deep Learning and Its Applications to Machine Health Monitoring[J]. MSSP, 2019, 115: 213-237.