一、数据采集：设备的“听诊器”

常见的数据类型包括：

• 振动信号：最常用，尤其是旋转机械（电机、泵、风机、轴承）。振动波形和频谱可以揭示不平衡、对中不良、轴承损伤等。

• 温度数据：轴承过热、电机绕组升温，都是早期预警的重要信号。

• 电流/电压：电机和驱动系统的“用电指纹”，负载异常、短路等都能反映在电流波动上。

• 声学/超声波：听见人耳听不到的“异常响声”，适合检测泄漏、部分放电等问题。

二、信号处理：从“原始波形”到“特征”

采回来的原始信号往往噪声大、波动杂，直接看没什么意义，需要先进行预处理，再进入特征提取：

1. 信号预处理

• 滤波：去除电磁干扰、背景噪声等无关频率成分。

• 去噪：常用小波去噪、经验模态分解（EMD）等方法。

• 截取稳态数据：避免设备启动、停机阶段的非典型波形影响分析。

• 归一化/标准化：为后续特征计算或模型训练做好准备。

2. 特征提取

• 时域特征：均值、方差、峰值因子，快速判断整体变化趋势。

• 频域特征：通过FFT看频谱，识别特定的故障频率。

• 时频分析：短时傅里叶、小波变换，适合捕捉瞬态或早期故障。

• 机理特征：比如轴承故障特征频率（BPFO、BPFI、BSF、FTF），能和设备结构直接对应。

        这些特征既是传统故障诊断的核心依据，也是后续机器学习模型的重要输入。

三、故障诊断：从经验规则到AI模型

状态监测的发展，大致可以分为几个“层次”：

1. 固定阈值：最简单，振动幅值超过X就报警，但容易误报/漏报。

2. 动态阈值：考虑工况变化，设定随负载/转速变化的限值。

3. 基于统计与机理的规则：提取波形、频谱特征，结合故障机理，制定判据。

4. 机器学习 / 深度学习：使用模型自动学习信号模式，实现端到端诊断。

5. AI Agent智能决策（前沿探索）：模型不仅能诊断，还能结合历史数据和生产计划，给出维修策略建议，真正实现“预测性维护”。

 四、为什么振动是首选指标？

        旋转机械是工业设备的“大户”，典型代表包括：

• 电机

• 泵

• 风机

• 压缩机

• 轴承、齿轮等传动部件

        它们的共同点是：转子高速旋转、机械结构复杂，任何一点不平衡或磨损都会引起振动变化。

相比温度、电流等指标：

• 振动 对早期故障更敏感（温度升高往往已经晚了）

• 振动 诊断维度更丰富（能区分不同故障机理）

• 传感器 成本适中、安装方便，长期运行稳定

这就是为什么在预测性维护体系里，振动数据常常是核心输入。

小结：振动信号是“第一道防线”，发现异常快、信息量大。

五、为什么要看温度和电流？

振动像“放大镜”，能捕捉机械异常，但并非全能。即不要迷信振动“万能”，任何单一信号都有盲区：

• 电机绕组发热：振动可能没异常，但温度曲线已经悄悄爬升。

• 电气故障（短路/断条）：振动迟钝，但电流频谱会第一时间出现边频。

• 润滑劣化：轴承初期发热更明显，振动反而还不突出。

实战案例：某风机，振动监测完全正常，但温度探头显示轴承座温度短时间内升高 20℃。拆开发现润滑脂已严重劣化。若只依赖振动，很可能错过最佳窗口期。

所以，很多企业采用 “三合一”监测（振动+温度+电流），互补不同故障的敏感度。

六、温度监测：设备的“体温计”

1. 监测方式

• 点测：热电偶/热电阻，装在轴承座、电机外壳。

• 面测：红外热像仪，适合快速巡检。

• 内部监测：电机绕组嵌入传感器，直测核心发热。

2. 应用场景

• 轴承缺油/磨损 → 局部温度先升高。

• 电机过载/绕组过热 → 长期高温加速绝缘老化。

• 摩擦卡滞 → 温度跳升剧烈，常伴随异音。

3. 分析方法

• 趋势分析：比绝对值更可靠，持续上升是危险信号。

• 温升速率：突然跳升，可能是故障萌芽。

• 工况修正：负载/高环境温度下，需要剔除正常工况因素。

经验补充：很多工厂常设“80℃高温报警”，但更合理的做法是 相对基准+速率。例如“超过历史平均+15℃ 且增长过快”，比单一阈值更精准。

七、电流监测：电机的“心电图”

1. 为什么看电流？

电流监测有几个显著优势：

• 不需要停机，安装简单。

• 成本低，适合大规模推广。

• 对电气故障、气隙异常非常敏感。

2. 故障信号特征

• 定子绕组短路 → 电流畸变、谐波分量增加。

• 转子断条 → 电流频谱出现特征边频（围绕基频）。

• 气隙偏心 → 负序电流明显。

• 电源问题 → 谐波异常，三相不平衡。

3. 分析方法

• 时域：波形畸变、直流偏置。

• 频域：FFT 查边频，定位断条等故障。

• 模型比对：与电机等效模型对照，提取异常分量。

实战案例：某 6kV 电机，振动和温度均正常，但电流 FFT 在 2×s·f1 附近出现小峰。数周后拆机，发现两根转子条已断。

八、多信号融合：全面的健康画像

每种信号都有优缺点：

• 振动：机械故障敏感，但对电气迟钝。

• 温度：滞后，但能反映热特性。

• 电流：电气敏感，但对润滑不足作用有限。

融合之后：

• 准确率更高：多信号互相验证，减少误报漏报，提前发现故障。

• 覆盖更全面：覆盖机械、电气和热特性，支持趋势分析。

• 天然适配AI：多模态输入，效果远超单一信号。

典型案例：某钢厂风机，振动监测发现不平衡，温度趋势揭示润滑劣化，电流频谱捕捉到电机绕组故障。三信号融合，让运维人员提前三个月排查出隐患，避免了一次停机事故。

九、从数据到AI：趋势与展望

• 传统：单信号 + 阈值报警。

• 现在：多信号 + 特征融合，结合趋势、频谱和速率，更贴近真实工况。

• 未来：多模态 AI（振动+温度+电流+声音+图像），甚至由 AI Agent 直接给出维修建议，实现真正的预测性维护。

经验提醒：AI 并不是要取代工程师，而是提供更“全景化”的视角。真正懂得利用 AI 的工厂，往往能在 节省成本 和 提升可靠性 上双赢。

十、AI在工业诊断中的典型应用

AI 的加入，让“经验诊断”变成了“数据驱动诊断”。以下是几个典型的落地应用场景：

1. 轴承故障识别

• 输入：振动波形

• 方法：CNN 自动学习频谱特征

• 输出：分类结果（外圈故障、内圈故障、滚动体剥落等）

2. 电机健康评估

• 输入：电流、温度趋势

• 方法：LSTM 或 GRU 预测未来状态变化

• 输出：设备健康指数、剩余寿命（RUL）

3. 多信号融合诊断

• 将振动+温度+电流一起输入模型（特征拼接或多模态融合）

• 有效减少误判，提高准确率