发电机和电机在长期运行中面临绝缘老化、轴承磨损、转子不平衡等多种故障模式。单一传感信号往往只能覆盖有限的故障维度，而声发射、振动和声音信号分别对应不同的物理机制和传感器类型，在故障诊断中可形成互补。

电机和发电机作为工业系统的核心动力设备，其运行可靠性直接影响生产连续性和安全性。据统计，轴承故障约占感应电机总故障的41%–51%，是导致电机失效的首要原因。传统的定期维护方式难以捕捉早期微弱故障信号，而基于传感器信号的状态监测能够在故障萌芽阶段提供预警。

声发射、振动和声音信号虽然都属于“机械波”范畴，但它们在频率范围、产生机制和传播特性上存在本质差异，因而对应不同的传感器类型和适用场景。

声发射传感器捕捉材料内部微裂纹扩展或局部放电产生的高频弹性波；

加速度计测量设备表面的结构振动；

麦克风则拾取空气传播的可听声信号。

三者的物理频段和诊断目标各有侧重，合理配置可显著提升故障覆盖能力。

一、三种信号类型与传感器对应关系

振动信号由加速度传感器（压电式、MEMS式或光纤式）采集，通常安装于电机壳体轴承座附近。振动分析频率范围一般覆盖0.3倍转频至20 kHz以上，低频段（<1 kHz）对应转子不平衡、不对中、松动等机械故障，高频段（500 Hz–20 kHz）对轴承缺陷的冲击响应尤为敏感。振动信号是目前应用最广泛的诊断手段，对轴承局部损伤、偏心、转子断条等具有成熟的诊断方法体系。

声发射信号由声发射传感器采集，频率范围通常在20 kHz至1 MHz以上。其物理来源不同于常规振动——声发射是材料内部能量快速释放产生的瞬态弹性波，对微裂纹萌生、局部放电和摩擦磨损具有极高的灵敏度。在电机应用中，声发射传感器可贴附于壳体或植入绕组端部。研究表明，声发射在轴承缺陷检测中的灵敏度优于振动和冲击脉冲方法。对于发电机定子绕组绝缘，局部放电产生的声发射信号集中在20 kHz至300 kHz频段，可据此实现绝缘状态评估。

声音信号由麦克风传感器采集，频率范围大致为20 Hz至20 kHz（可扩展至超声波频段）。声音信号的非接触采集特性使其部署成本极低，但环境噪声敏感性也更高。近年研究表明，声音信号可有效识别轴承分布式故障、定子绕组匝间短路和转子不平衡等状态，基于MFCC等声学特征构建的分类器准确率可达98%以上。

二、各信号类型的故障诊断应用

振动信号：机械故障的主力手段

振动信号在电机故障诊断中覆盖面最广。对于轴承故障，内圈、外圈和滚动体的局部损伤会在振动频谱中产生特征频率（BPFI、BPFO、BSF），通过包络解调可有效提取这些冲击成分。转子断条故障在振动频谱的转频边带中表现明显，且定子电流与振动信号的融合可进一步提升诊断鲁棒性。对于气隙偏心，振动信号能够捕捉不平衡磁拉力引起的转子径向振动，区分静态偏心、动态偏心和混合偏心。发电机定子铁心松动、端部绕组振动等结构类故障，同样依赖加速度计的宽带测量能力。

声发射信号：早期微损伤与绝缘缺陷的敏锐探测器

声发射的核心优势在于对“事件驱动型”故障的早期感知。轴承滚动体与缺陷表面的每次撞击都会产生一个声发射脉冲，即使缺陷尺寸远小于振动方法可检出的阈值，声发射仍能捕捉到信号。在低速旋转工况下，振动信号的信噪比显著下降，而声发射方法仍保持有效，有研究采用声发射信号与直方图建模实现了低转速下滚动轴承缺陷的可靠检测。

在发电机绝缘诊断方面，声发射已成为局部放电检测的重要非电气手段。局部放电引发压力波，在电机内部元件界面产生声发射源。通过多通道声发射传感器阵列，可实现放电源的空间定位，结合小波包分解和特征图谱建立不同损伤部位（轴承、转子、定子）的辨识系统。植入式压电薄膜传感器的最新进展进一步提升了定子绕组槽口局部放电的检测灵敏度，对3746 pC的放电事件可实现有效检测。

声音信号：低成本、非接触的辅助诊断通道

声音信号的诊断价值在于其非接触性和系统集成简便性。声音频谱中承载了电机电磁噪声和机械噪声的叠加信息，通过梅尔频率倒谱系数（MFCC）等特征提取方法，可将声学信号转化为与故障状态相关的紧凑表示。对于定子绕组匝间短路，声学特征中的频谱质心和带宽变化能够反映电磁激励条件的变化。基于多麦克风阵列和波束形成技术，声音信号还可实现空间选择性采集，抑制环境噪声干扰，将声学诊断从定性感知提升为定量测量。

然而，声音信号的环境噪声敏感性是其实际部署的主要制约。在工业现场，背景噪声可能与故障声信号在频域重叠，导致诊断性能下降。因此，声音信号更适合作为振动和声发射的补充通道，而非独立诊断手段。

三、多传感器融合的必要性与实现路径

单一传感模态的局限性是明确的：振动信号对电气类故障不敏感，声发射信号对转子不平衡等宏观机械故障缺乏区分能力，声音信号则受环境噪声制约。三类信号的故障覆盖范围形成互补：声发射主导绝缘缺陷和微裂纹早期预警，振动主导机械结构故障的诊断与定位，声音提供低成本的全工况粗筛能力。

多传感器融合的实现通常沿两个层次展开。特征级融合将各传感器提取的特征向量拼接后输入分类器，例如将振动信号的时频域特征与声发射信号的脉冲特征合并，利用随机森林或支持向量机进行分类。决策级融合则对各传感器独立诊断结果进行置信度加权或贝叶斯推理，在传感器部分失效时仍能维持系统输出。近年来，一维卷积神经网络和Transformer架构被用于端到端的多模态信号融合，直接从原始或轻量预处理的多通道数据中学习故障判别特征。

融合系统面临的核心挑战包括：不同传感器的采样率差异（声发射可达MHz级而振动通常为kHz级）、时间同步精度要求、以及数据标注成本。对于发电机等大型设备，传感器布点的数量和位置也需要结合故障传播路径进行优化设计。