设备预测性维护怎么做？传感器、数据模型与实施步骤

设备预测性维护，是根据设备的运行状态、劣化迹象及其发展趋势，判断需要检查或维护的部位和时机。实施时需要把故障模式、监测数据、分析结果和维护行动连起来：发现什么变化、为什么值得关注、由谁确认、何时处理，以及处理后怎样证明问题得到解决。

它与按固定周期安排的预防性维护不同，更重视当前设备状态；但并不意味着每个项目都能准确报出“还剩多少小时”。异常检测、故障诊断和剩余寿命预测需要不同的证据。对于缺少故障历史的工厂，先把可解释的状态预警和维护反馈做好，通常比直接训练一个寿命模型更有实施基础。

预测性维护先确定哪些设备、哪些故障？

“监控一台泵”仍然太宽。泵组可能发生轴承损伤、联轴器不对中、汽蚀、密封泄漏或电气故障，不同问题的早期信号和处理方法并不相同。NI的状态监测技术说明把设备关键性、常见失效模式的识别放在传感器确定之前，这个顺序决定了采集的数据有没有诊断意义。

本文以“电机驱动泵组的滚动轴承局部损伤”为贯穿示例，说明从监测到维护的做法。场景和后文评估数字均为教学假设，不代表某家工厂的实测效果。

试点需要明确的事项	轴承示例中的具体含义
设备与部位	确定泵组资产编号、驱动电机、驱动端或非驱动端轴承，避免把不同测点的数据混到一起。
目标故障模式	关注滚道局部损伤引起的重复冲击，不把泵组所有振动异常都标成轴承故障。
可观测迹象	检查是否能在当前转速、负载和测点条件下取得有用的振动特征，并有现场复核途径。
可采取的行动	报警后能否安排复测、确认备件和检修窗口；需要多少准备时间，由设备与生产人员共同确定。
确认依据	记录检验、拆检、维修发现和故障发生时间，区分确证损伤、其他原因与尚未查明。

适合试点的对象，应同时具备需要解决的维护问题、可观测的状态变化，以及能落实的处理流程。若某种故障发展很快、缺少稳定前兆，或传感器只能在事后发现它，就不能靠增加算法复杂度获得足够的预警时间。已有的保护、联锁和必要定期维护，也不能因为增加了预测模型而直接取消。

预测性维护需要哪些传感器和采样数据？

按故障机理确定主信号和辅助信号

滚动体经过局部损伤位置时，可能形成重复冲击，激发结构的高频振动。轴承座附近的振动加速度信号因此是这个示例的主要分析对象。传感器的安装位置、方向和固定方式需要保持可追溯；把传感器移到另一处，即使设备没有变化，信号的传递路径也可能已经改变。

信号	在故障判断中的作用
振动波形与频谱	观察冲击、频率成分及其变化，为轴承损伤、不平衡、不对中等问题提供不同线索。
转速与运行状态	判断设备处于停机、启停还是稳定运行；解释随转速变化的振动频率，支持相近工况比较。
轴承座温度	观察热状态并辅助复核；同时记录环境和负载条件，不能只凭温升定位损伤原因。
电流与负载信息	帮助识别运行条件变化，并支持另行定义的电气故障分析；电流变化本身不是轴承损伤的确证。
压力、流量或润滑检查记录	按实际故障疑点补充。例如泵的过程参数可帮助排查工况变化，润滑记录帮助理解维护前后的状态。

振动总值适合观察整体变化，却可能掩盖能量较小的早期冲击。包络分析会在适当频带内提取冲击的重复特征，帮助检查与轴承相关的信号。舍弗勒的振动监测技术资料解释了这一机制，也指出其他机械振动会干扰分析。因此，“某个峰值升高”应作为诊断线索，不能单独作为更换轴承的依据。

波形采样频率、采集间隔和上传频率要分开

波形采样频率决定每秒记录多少个点，关系到能否保留目标频带；单次记录时长影响能观察到多少个转动或冲击周期，以及频谱的区分能力。采集间隔则决定隔多久重新测一次，关系到是否会错过劣化过程。平台每分钟更新一次趋势图，不代表原始振动波形只需要每分钟采一个点。

工程上应先确定要分析的频带、转速范围和诊断方法，再核对传感器有效带宽、采集器采样率、量程与抗混叠滤波。只满足理论上的最低采样条件，也不代表整个测量链路已经合格；量程饱和、安装松动或不合适的滤波，都可能使高采样率数据失去意义。

采集间隔应短到足以在目标故障的发展过程中留下可行动的时间，同时考虑现场测量条件。变化缓慢且容易巡检的对象可以采用定期测量；需要持续观察的对象可采用在线采集。可在现场保存关键波形并计算特征，把趋势和报警上传平台，异常时再调取原始片段复核。数据连接与业务关联的基础，可结合工业互联网的网络、平台与数据体系理解。

设备正常基线怎么建立，数据质量怎么检查？

正常基线是“已确认健康的设备，在某种运行条件下通常怎样表现”。它不能只用上线后随意截取的一段数据建立：设备当时可能已经存在缺陷，也可能刚完成维修、尚未进入稳定状态。应先由设备人员确认健康状态，再积累具有代表性的转速、负载和环境条件下的数据。

在泵组示例中，低负载稳定运行与高负载稳定运行应分别比较，启停过程另行识别。否则，高负载下的正常振动可能被误判为异常，低负载下已经偏离原有水平的信号又可能被统一的大阈值掩盖。变速设备还需要考虑转速对频率位置的影响；不能把两个不同转速下的频谱峰值直接当作同一种变化。

进入模型前，至少应检查设备与测点编号、时间戳、单位、采样配置、运行状态，以及缺失、重复、削顶和传感器脱落等问题。例如，断线后的长时间零值应标为数据不可用，不能被模型当作“振动很低、状态很好”；离线补传的数据应保留采集时间，不能用到达平台的时间替代。

维修记录也需要整理成能够使用的标签。工单“已关闭”只说明流程结束，不说明原先判断一定正确。应记录具体部位、发现的缺陷、采用的处理、确认时间和证据，并把“未发现目标故障”与“没有检查”分开。前者可以帮助分析误报，后者仍是未知结果。

报警阈值可以从适用的设备要求和已有经验开始，再用健康基线、历史异常及维护反馈验证。SKF关于轴承包络加速度报警的说明明确区分了初始参考阈值与建立基线后按测点确定的趋势或统计方法。其他设备上好用的阈值，不能未经验证直接搬到本机。

异常检测、故障诊断和剩余寿命预测有什么区别？

三者回答的问题不同，也不能用同一项“准确率”概括。桑迪亚国家实验室对故障预测与健康管理的说明，分别涉及异常发现、原因诊断和失效时间的概率分布；最后还需要结合运行约束安排维护。

异常检测：判断是否偏离已知正常状态

只有正常运行数据时，可以先采用经过验证的阈值、趋势变化或正常状态模型。对于示例轴承，模型可能发现相近转速和负载下的包络特征持续偏高，输出“需要复核”的事件。它尚不能证明损伤部位，更不能证明设备将在某个时间失效。

冷启动阶段宜先确认采集稳定性和规则能否解释，再扩大模型的任务。遇到训练数据中没有的新工况，应标记为工况覆盖不足并交给人员判断，而不是立即贴上故障标签，也不应直接吸收为正常样本。

故障诊断：结合特征和检验确定可能原因

诊断需要把异常与具体故障联系起来。轴承例子中，要结合实际转速、轴承结构参数、频谱或包络谱特征，并排查安装松动、不对中及泵运行条件变化等其他解释。现场复测、润滑检查和必要检验为判断提供补充证据。

有确证故障样本时，可以训练故障分类模型；样本不足时，也可以由机理规则和专业人员开展诊断。无论采用哪种方式，都应允许输出“原因尚未确定”，而不是强制从几个已知故障中选一个。报警写成“驱动端轴承相关特征异常，需复测确认”，比缺乏证据却直接写“轴承损坏”更符合当前信息。

剩余寿命预测：估计何时达到明确的失效判据

剩余使用寿命（RUL）可以用时间、循环数等单位表示。建模前必须定义终点：是设备丧失功能，还是某个经过工程确认的劣化限值；还要说明未来转速、负载等条件。维护预警阈值与寿命终点不是一回事，不能把任意报警线当作失效判据。

MathWorks的RUL建模说明按可用数据区分了退化趋势、运行至失效数据等建模依据，并讨论预测的不确定性。实际可以利用经验证的退化机理、寿命数据或二者结合；如果只有正常波形和异常分数，还不足以得到可靠的剩余小时数。

设备在维护时提前更换部件，意味着后续真实失效时间没有被观察到。这类记录应保留“提前干预”的事实，不能把更换日期直接标成自然失效日期。也不应为了获得完整标签而让生产设备故意运行到损坏。输出RUL时，应同时呈现适用工况和预测区间，随着新数据更新；工况改变后，原先的寿命估计需要重新评估。

预测性维护报警怎样转成工单和维护行动？

同一异常每分钟发送一次通知，会增加处理负担，却不会增加发现的故障数量。可以把同一设备、同一故障模式的持续超限合并成一个告警事件，记录首次出现、持续变化、确认和解除状态。对一般状态预警，可以通过持续性条件或恢复阈值减少短时波动引起的反复通知；具体规则需要按故障发展速度验证，不能因此延迟既有保护动作。

以泵组轴承告警为例，建议按以下顺序处理：

1. 核对数据与工况。查看采集是否正常，是否刚启停、改变转速或调整工艺。如果是测点松动或通信问题，转入采集排查，并保留数据质量事件。
2. 复核故障线索。查看原始波形、趋势和相关频率，安排现场复测与检查。确认是否为轴承相关异常，或者应转向其他故障调查。
3. 形成可执行工单。写清资产与部位、异常证据、检查结论、建议工作、负责人和复核时限。设备人员判断状态，生产人员协调检修窗口，维护人员核实备件与执行条件。
4. 持续跟踪到处置完成。计划检修前继续观察趋势；若变化加快，按已批准的设备处置规则升级。工单延迟、取消或转成其他处理，也应记录原因。

工单系统收到告警后，还应以稳定的事件编号关联记录，避免重复上传生成多张相同工单。报警状态与工单状态需要分别保留：信号暂时回落，不等于检查完成；工单关闭，也不等于采集恢复正常。

维护后怎样判断处理是否有效？

更换轴承后，应在相近转速和负载下复测原测点，比较目标特征、温度和设备运行表现，并记录拆下部件的实际状态。如果只看到报警消失，却没有检查传感器是否重新安装、设备是否恢复负载，就无法区分“问题消除了”和“问题暂时测不到”。

复测发现特征仍然异常，需要继续调查安装、对中、润滑或原先诊断，而不是为了消除报警直接抬高阈值。确认修复后，保留维修前后的数据与结论；涉及部件、测点或配置变更时建立新的版本，重新确认基线。经人员核实的反馈才用于更新模型，避免把尚未解决的劣化过程学成正常状态。

预测性维护试点如何验收？

用历史数据开发，用后续数据检验

试点可先以记录和人工复核为主，让规则或模型与现有维护流程并行运行，核对报警是否能解释、是否有人响应。达到预先确定的验收条件后，再扩大设备和故障范围。

模型开发与评估应遵循时间先后：用较早的数据建立基线和训练，用中间时段调整阈值，再用未参与调整的后续数据检验。scikit-learn的时间序列交叉验证说明指出，常规切分可能造成用未来数据训练、再评估过去数据的问题。

设备数据还要避免另一种泄漏：把同一段振动波形切成许多重叠窗口后，随机分到训练集和测试集，会使两边包含几乎相同的信号。应把同一次运行或退化事件作为整体，按时间安排；若声称模型适用于新设备，还需要留出未参与训练的设备验证。归一化参数、特征筛选和报警阈值都只能用开发阶段的数据确定。

按故障事件和告警事件分别计算效果

不能把一秒一个采样点当作一次故障。试点评估前，应先定义目标故障、告警合并规则、匹配窗口和确认方法，再固定这些口径计算。下面是一组历史回放的教学假设，用来说明指标之间的区别：

• 测试记录覆盖10台设备，每台30个生产日、每天8小时有效监测，合计2400设备小时。
• 独立维修记录中有8次确证的目标轴承故障停机，回放每个时刻只使用当时及之前已取得的数据。
• 重复通知合并后有12个告警事件，其中6个分别对应6次故障，其余6个经完整观察和复核确认未命中目标故障；另外2次故障没有预警。
• 本例将同设备、同故障模式、故障前48个自然小时内的告警与故障一对一匹配；这些告警都有完整的后续观察窗口，期末尚不能确认的事件另行保留。

指标	计算及含义
故障事件召回率	6÷8＝75%。已经发生的8次目标故障中，有6次在约定窗口内获得预警。
告警命中率	6÷12＝50%。发出的12个告警事件中，有6个对应目标故障。
误报告警占比	6÷12＝50%。它的分母是告警事件数，不是正常数据窗口数。
单位监测时间的误报次数	6÷2400×1000＝2.5次/千设备小时，可用于理解现场需要处理的无效告警负担。

这里的“误报告警占比”不能直接当作分类模型的假阳性率。后者以实际正常的评估单位为分母，必须先定义什么算一个正常样本或窗口。设备长时间正常时，单看所有采样点的总体准确率，还可能掩盖少数故障被漏掉的问题。

预警提前量够不够，还要对照维护准备时间

假设命中6次故障的首次有效告警，分别提前2、6、8、12、20、24个自然小时出现，中位提前量为（8＋12）÷2＝10小时。中位数描述的是已命中事件，不能把漏检的两次故障隐藏掉，也不是设备的RUL预测精度。

再假设本试点需要至少8小时完成复核与检修准备，那么只有提前8、12、20、24小时的4次满足要求。“有足够时间采取行动的故障召回率”是4÷8＝50%，不是原来的75%。提前量应采用首次满足有效告警规则的时间，不能使用此前被规则过滤、现场也看不到的异常点。

线上试点还会遇到主动维护改变结果的情况。报警后拆检确实发现损伤，可以记录为“检出确证缺陷”；由于提前更换阻止了后续过程，不能据此宣称已经知道它原本何时停机，或把每张工单都算成避免了一次停机。历史回放的故障预警指标与线上缺陷确认结果，应分别报告。

验收还应检查数据覆盖和维护执行

上述指标需要与原有规则或维护方式，在相同设备、故障范围和评估口径下比较。样本少时同时给出事件数，逐一分析漏检和误报原因，不用一个百分比替代结论。试点没有出现目标故障，只能说明采集、告警处理等流程已运行，不能据此证明故障召回率达到要求。

验收内容	需要保留的结果
数据能否支持判断	有效监测时长、缺失时段、工况覆盖，以及停机或通信中断是否被正确识别。
预警是否有用	故障与告警事件明细、漏检、误报、提前量，以及不具备完整观察条件的待定事件。
维护是否落实	确认耗时、工单响应与完成情况、检验发现、维护后复测，以及未按时处理的原因。
能否扩展使用	不同转速负载、设备个体和测点条件下的表现；模型、阈值和采集配置变更后的复核记录。

设备预测性维护的起点，是把一种值得关注的故障变成可观测、可确认、可处理的问题。传感器保证信号可用，基线和模型解释变化，维护流程把结果转成行动，复测与事件评估再检验这套方法是否有效。沿这条路径推进，才能知道下一步需要补的是测点、数据、诊断能力，还是现场处理时间。

参考资料

• NI：《Sensors for Condition Monitoring》，更新于2025年8月18日。
• Schaeffler，S. J. Lacey：《The Role of Vibration Monitoring in Predictive Maintenance》。
• SKF Technical Support：《Recommended Alarm Criteria for Bearing Condition Assessment Using Enveloped Acceleration》。
• Sandia National Laboratories：《Prognostics and Health Management》。
• MathWorks：《Models for Predicting Remaining Useful Life》。
• scikit-learn：《TimeSeriesSplit》文档。