2019年夏天，厂里一台压缩机在夜班莫名其妙振动值飙升，不到两分钟，轴承抱死。生产停了整整四小时。那台设备之前刚做完“预防性维护”——就是按计划换油、换滤芯。可谁也没想到轴承内部已经裂了。
那之后，我意识到，所谓预防性维护，其实还是盲人摸象。设备不会说话，但它的振动、温度、电流，都在喊救命。关键是，我们得学会听。
这篇文章，就是聊聊产线设备实时状态监控那些事。不是教科书，全是实际干活摔出来的经验。
先搞清楚要监控什么——不同设备，命门不一样
设备类型决定监控参数。旋转机械（泵、风机、电机）重点看振动和轴承温度。往复式压缩机，除了振动，还要看压力脉动、气阀温度。液压系统，油温、油压、油液污染度是关键。伺服电机和丝杠，可能扭矩和位置偏差更直接。
之前有个客户，一条生产线全是减速机，转速很低，50rpm左右。他们非要上在线振动监测，结果选了个工业级加速度计，频响范围到10kHz。实际上这种速度之下，冲击能量集中在低频，传感器本身的低频响应反而不好。后来换了个低频振动传感器，加装到减速机壳体上，才看到明显的齿轮啮合频率边带。所以说，不是越贵越好，合适才重要。
有时候你发现设备异常，但传感器根本测不出来。为什么？因为你压根没测对地方。比如滚动轴承早期故障，信号传到壳体上已经衰减得差不多了，传感器安装位置、安装方式都影响结果。磁吸座方便但固有频率低，胶粘才是王道。
传感器选型——精度之外全是妥协
聊振动传感器，压电式和MEMS两大主流。压电式宽频、低噪声，但需要恒流源供电，对线缆要求高。MEMS便宜，但抗冲击差，温度漂移严重。温度传感器，PT100和热电偶，一个线性好，一个耐高温，选型要看你测的温度范围。电流传感器，霍尔和分流电阻，注意测真有效值还是平均值，电动机启动瞬间峰值很大，别误报警。
给你讲个真实案例。一个汽车焊装车间，我们给电机装了一堆ICP加速度计，结果连续几天数据异常，频谱全是50Hz谐波。我还以为是轴承故障，折腾半天才发现是电缆屏蔽层接地不当，工频干扰灌入。那周真是心力交瘁，最后把所有线缆重走了一遍，故障消失。
传感器防护等级别迷信IP67。金属粉尘、冷却液飞溅，接头处照样进。有次一个传感器进水，输出信号乱飘，直接烧了PLC模拟量模块。所以选型时，分体式变送器加超五类航空插头，可能比一体式更可靠。
安装与布线——数据不准的隐形杀手
很多工程师忽视安装环节。传感器安装面的粗糙度、平整度、预紧力，都有讲究。安装面不平，会引入高频谐振。预紧力太大，会改变传感器特性。磁吸座虽然方便，但低频响应差，而且在高振动环境下容易松脱。螺纹安装的话，一定要涂螺纹锁固胶。
布线更愁人。信号线和动力线必须分开走，屏蔽层单端接地，哪个都不能省。曾经有个案子，传感器线缆和变频器输出线扎在一起，监测数据一塌糊涂，全是毛刺。后来把线缆重新分开，信号瞬间干净了。
还有，线缆长度不要随便延长。ICP传感器通常恒流源驱动，线缆过长会导致电压降，影响灵敏度。一般限制在100米内。如果你有超过这个距离的需求，考虑换成电流环输出或加放大器。
我记得有一次，一条包装线上的封口机，温度传感器读数总比实际低10度，查了变送器、接线，都没问题。最后发现是热电阻保护套管太长了，探头没有贴合被测面。重新安装，温度就正常了。所以，传感器安装细节是真能要了老命。
数据采集与边缘处理——别只顾着往云端搬
采样定理都知道，但实际工程中，采样率通常取目标特征频率的10倍以上。比如要监测齿轮啮合频率1kHz，采样率至少10kHz，还得加抗混叠滤波器。数据量多大？一台设备三个振动测点，连续采样一天就是几个GB。全传云端？带宽和成本都受不了。
所以边缘计算是刚需。在现场，用PLC或者边缘网关，先做FFT和特征提取，只上传特征值和报警事件。比如检测到振动速度有效值超过ISO 10816-3的C区，立即本地报警，同时存一段原始波形。这样既实时又省钱。
通信协议呢？老产线多是Modbus RTU，新产线开始用OPC UA和MQTT。但别迷信MQTT，有时候QoS=2带来的延迟反而高。有次我们发现WiFi环境下，一个网关频繁掉线，折腾一圈，后来换成了工业网线直连，稳了。还有时间同步，多机箱采集时，不同步的数据分析起来就是一团乱麻。
状态评估——阈值、特征与AI
最简单的监控就是设阈值，比如振动速度有效值（mm/s）超过4.5报警。但阈值从哪里来？ISO标准有参考，比如ISO 10816-1按设备类型和功率分类。可实际现场，环境干扰大，经常误报警。所以我们自己统计两个月基线数据，再根据设备额定值设定区间。
轴承特征频率呢？滚动轴承内圈故障频率 f_i = (n/2)*f_r*(1+d/D*cosα)，外圈故障 f_o = (n/2)*f_r*(1-d/D*cosα)。实际中这些微弱故障信号往往被齿轮啮合频率掩盖，需要包络谱解调才能暴露。MATLAB里一堆现成函数，但用了之后你会怀疑人生——参数随便一设，结果千差万别。
别忘了数据质量。采样率、量程、抗混叠设置错误，数据就是垃圾。我们有一次，数据采集器量程设置过大，振动信号被量化噪声淹没，什么特征都提取不出来。这种问题，比故障本身更隐蔽。
再说AI。不少供应商吹“深度学习预测剩余寿命”，但工程落地，还是规则加统计更靠谱。我们曾用TensorFlow训练模型，标注数据不够，泛化极差，后来还是回到查表法。不过，用CNN识别时频谱图做故障分类，效果还真不错——但那是又一个故事了。
最后提醒一句，别抛弃老师傅的耳朵。有一回夜班，老张说设备声音不对，数据一切正常。第二天主轴抱死。后来发现传感器壳体安装频率恰好与故障频率耦合，信号被抑制了。所以说，数据和感官结合，才是王道。
设备监控不是越贵越高级越好，而是要找到最适合产线实际状态的方案。别光顾着攒数据，让数据转起来，才是目的。当然，如果你刚入坑，别怕踩坑，多踩几个，毛病就清楚了。
