从坏了再修到提前预判

工厂维修经历过三个阶段：坏了再修（事后维修）、定期保养（预防维修）、预测性维护（看状态修）。事后维修代价最大——非计划停机一小时损失几万到几十万。定期保养容易过度维修——设备还好好的就拆开换零件。预测性维护的思路是：装上传感器实时看设备状态，出现劣化趋势就提前安排维修，既不停机也不浪费备件。

预测性维护的价值不是“更准的维修时间”，而是“把非计划停机变成计划停机”。这一转换，就能省下一多半的停机损失。
预测性维护配图：工业设备旁边是上升数据分析曲线与齿轮
预测性维护把设备劣化趋势提前暴露，维修计划可以从容安排

不是所有设备都值得做预测性维护。优先选那些停机损失大、故障有渐进过程、传感器容易装的设备——关键电机、风机、泵、齿轮箱。那些坏了也无所谓、或者一坏就立刻报废的设备，做预测维护是浪费。

振动分析：设备健康的体温计

旋转设备 80% 的故障都能从振动信号里看出来。轴承磨损、不对中、不平衡、松动——每种故障在频谱上都有自己的特征频率。加速度传感器贴在轴承座上，采集原始波形，做 FFT 变换，看哪个频率成分在增大，就知道哪里出问题。

// 振动分析常用流程
原始波形 (10kHz 采样, 1 秒)
  → 时域特征: RMS 有效值、峰值、峭度
  → FFT 频谱: 找 1X/2X 工频及其谐波
  → 包络解调: 找轴承内圈/外圈/滚动体特征频率
  → 趋势对比: 与历史基线比较，判断劣化程度
典型振动故障特征
  • 不平衡1X 工频处幅值大，相位稳定。
  • 不对中2X 工频显著，轴向振动大。
  • 轴承外圈损伤特征频率 BPFO 处出现峰值，包络后更明显。
  • 机械松动频谱出现大量高次谐波，波形削顶。

温度、电流与油液：多源数据融合

光看振动不够全面。电机轴承温度升高可能是润滑不良，电流波形畸变可能是绕组故障，液压油油液里铁屑多说明磨损在加剧。实际项目里要把多路传感器数据一起看，互相印证。

信号采样频率能看出什么
振动5–20 kHz机械故障、轴承、不对中
温度1–10 Hz过热、润滑失效、负载异常
电流1–5 kHz电机绕组、负载波动、转子故障
油液离线化验磨损颗粒、污染、油品老化

边缘网关做的事情之一就是把这几路信号汇聚起来，在本地做特征提取，只把有意义的指标上报云端，省带宽。

特征工程：从原始信号到健康指标

原始振动波形一秒钟就有上万个点，直接给人看也看不懂。要先做特征提取：把波形压缩成几个有物理意义的数字。常用的时域特征有 RMS（有效值）、峰值、峭度、波形因子；频域特征有各特征频率处的幅值。

# Python 简化示例：从一段振动波形算 RMS 和峭度
import numpy as np

data = np.loadtxt("vib_sample.csv")   # 10000 个采样点

rms = np.sqrt(np.mean(data**2))       # 有效值，反映整体能量
peak = np.max(np.abs(data))           # 峰值，反映冲击
kurtosis = np.mean((data - data.mean())**4) / (np.var(data)**2)
# 峭度：正常轴承接近 3，损伤后升到 5–10

print(f"RMS={rms:.3f}  Peak={peak:.3f}  Kurt={kurtosis:.2f}")

特征值随时间画趋势图，就能看到设备是在稳定运行、还是在缓慢劣化、还是已经进入紧急状态。