摘要：设备坏了再修，那是落后产能。用AI看数据？也不是那回事。这篇文章是我在产线上折腾故障预判算法的一些心得，有公式、有案例、有坑。适合那些懂得机械但搞不太懂数据科学的人。
先问个问题：你的设备什么时候坏？老师傅说“听声音不对”，但声音哪不对？说不清。我见过太多工厂，设备定期保养，该坏还是坏。点检表写了二十年，值吧？其实数据都在，就是没人算。
一、传统维护为什么越来越力不从心
我干设备维护那几年，最烦的就是“定期维修”。你按小时数换轴承，拆开一看，有的磨损轻微，有的已经快要散架。这就是典型的“维修不足”和“维修过剩”。而且，靠人工巡检，频率低，发现问题时往往已经晚了。更尴尬的是，老师傅一退休，经验就断了。你能指望一个刚毕业的年轻人听出来齿轮箱的冲击脉冲？说实话，很难。
所以，我们盯上AI。AI不会累，能24小时看着数据，还能从高维空间找规律。但别高兴太早，这东西落地不容易。
二、预判预警算法的核心逻辑和选型
预判的套路并不玄乎。第一步是感知，用传感器把设备的振动、温度、电流、声音这些信号采集上来。第二步是特征工程，从信号里抠出能反映健康状态的指标。第三步才是建模。
这里注意，千万别一上来就整深度学习。工业场景下，故障样本少得可怜，可能一年就坏一次，你拿什么训练？要用小样本方法。我们常用的组合是：时域特征（均方根、峰值、峭度）加上频域特征（频谱重心、边带频率），采样率设为25.6kHz，窗口长度1秒，然后丢进随机森林或者XGBoost里做异常检测。甚至，用自编码器只学正常数据，之后重构误差大就报警，这办法简单有效。
至于深度学习，倒不是不能用，但需要海量数据和强大的算力。你一个车间，有NVIDIA A100吗？没有就别跟风。
这里有个关键点：特征提取必须结合机械机理。比如轴承故障，你要知道外圈通过频率是多少。我们以前算过，一个驱动端轴承的外圈故障频率是9.34倍转频。有了这数，你就能在频谱图上精准定位。不然，模型就是个黑盒，瞎蒙。另外，评估振动状态时，ISO 10816-3给出了不同机组的振动等级限值，但我们做的是相对劣化预警，所以更看重趋势变化。
三、落地时踩过的那些坑
先说传感器安装。我们一开始用磁座固定加速度计，结果高频段全是共振峰值，数据没法看。后来换成螺纹胶粘，好多了。记住，传感器布置位置不对，采集的数据就是垃圾。
然后就是数据标注。故障预判算法最头疼的就是“什么时候算开始退化”。我们以前用事后标签，但事后标签太粗糙。现在流行用“剩余使用寿命”做回归，可你连真正的失效时间都不知道。后来我们用了半监督方法，先用正常数据训练，再实时监控偏离程度。
还有一个大坑：误报。现场工人烦死了报警器狂响。你模型敏感度太高，天天把设备正常停车当故障。所以你要有报警抑制策略，比如连续三秒都超阈值才触发，或者用滑动窗口投票。另外，还要设计人工反馈闭环，让现场人员确认是不是故障，模型再学一轮。
工况变化更麻烦。转速一调，特征就飘了。你不能一个模型打天下吧？要么做工况识别，要么做转速归一化。我们后来把数据按转速区间分组，每个组单独建模，效果就稳定多了。
四、一个实战案例：离心压缩机轴承磨损预警
说个真实例子。我们有一台离心压缩机，电机电流和振动信号都在采。一开始用FFT看频谱，但负载波动大，特征频率被淹没。后来改用小波包分解，提取每个子带的能量熵。这玩意儿对非平稳信号挺友好。
模型用的是一对一的支持向量机，只分正常和异常。训练数据全是正常数据，异常数据就拿故障记录来做验证。准确率有九十多，但真正让我惊喜的是，有一次在电流谐波上突然出现了一个微弱的突出量，模型提前3天报警了。拆开一看，轴承内圈已经出现了细小剥落。要不是预警，估计得整机报废。
你要知道，那段时间其实振动值还“正常”着呢。这算法，救了我们一次。
五、给同行的几句实话
一句实话：AI预判不是万能的。它的上限取决于数据质量。你花大价钱上传感器，不如先把现有数据整理清楚。还有，别追求花哨模型，简单线性回归有时候比神经网络管用。关键是理解你设备失效的物理过程。
另外，一定要跟维护团队磨合。他们不信任，你的模型就是摆设。让算法解释为什么报警——哪个特征超标了，对应哪个频率——比黑盒AI更容易被接受。
还有一点：预判预警是个持续迭代的过程。没有任何一个模型能一次搞定。它需要跟设备一起“养”。
说来说去，核心还是人机配合。AI给你线索，你做决策。别把它当神，也别瞧不起它。落地，才是王道。
