当前位置:首页 > 科研成果库

预测性维护算法为什么总在半夜报警?一个南京工程师的踩坑记录

2026-11-17 16:41:03小研科研成果库9

2023年9月23号,凌晨两点四十。江北一家注塑厂的循环水泵,健康度曲线从92%掉到61%,十五分钟后又弹回88%。值班的老王打电话问我:停不停?

我说,不停。

早上八点,轴封漏了。地上积了一小滩水,像谁打翻了杯子。

这事我记了很久。不是丢人——是它太典型。算法给了一个数字,但没人知道这数字该怎么用。92%和61%之间,到底隔着什么?没人讲得清。

工业循环水泵轴承振动监测传感器现场实拍工业循环水泵轴承振动监测传感器现场实拍

它其实不“预测”,它“比较”

很多人一听预测性维护算法,脑子里浮现的是水晶球。不是的。

第一步永远是把物理量变成数字。振动、温度、电流、油液颗粒、声发射。这中间最灵的是振动。为什么?机器坏的时候,它先“颤”,再“热”,最后才“停”。温度是滞后指标,振动是先行指标,差着好几天甚至好几周。

加速度传感器吸在轴承座上,一秒采两万多个点。这些点堆在一起谁看得懂啊。所以要变换——傅里叶,把时间轴上的抖动翻到频率轴上。

翻过去以后,事情就好玩了。滚动体滚过外圈上的一个小凹坑,每过一次就“咯噔”一下。这个咯噔的频率,只跟转速和轴承几何尺寸有关。算出来它该在那儿;没在那儿,说明还没坏。

这套东西叫特征频率,BPFO、BPFI、BSF,名字拗口,原理朴素。就像鞋底扎了颗石子,你走路的节奏没变,但每一步都多了一声响。你听得出来。

所以预测性维护算法的第一层,压根不是AI。是频谱图上那个峰值有没有长起来。说实话,这一层做扎实了,能解决一大半问题。剩下的那一小半,才轮到模型出场。

滚动轴承外圈故障包络谱特征频率峰值对比图滚动轴承外圈故障包络谱特征频率峰值对比图

从“能看见”到“能算准”,中间隔着好几道沟

从“能看见”到“能算准”,中间隔着好几道沟从“能看见”到“能算准”,中间隔着好几道沟

问题来了。峰值长了,就一定坏吗?

不一定。

夏天车间四十度,润滑油黏度下来,振动整体抬高。换了一批原料,负载曲线变了,频谱跟着变形。变频器一调,转速从1480降到1200,所有特征频率整体左移——你还按老公式去对,全对不上。

这就是工业数据最讨厌的地方:工况漂移。机器的“正常”,本身一直在变。

于是大家开始上模型。异常检测、自编码器、孤立森林、各种时序网络,一层一层往上叠。思路是:只用正常数据训练,让模型学会“这台机器健康时长什么样”,偏离太多就报警。

听起来很美。落地的时候会撞墙。

墙一:标签太少。一台泵一辈子可能就坏两三次,你拿三条故障样本去训分类器,它能学到什么?学到的是那三次的天气。有人搬出迁移学习——先拿别的设备的数据预训练,再用本机数据微调。方向没错,但迁移的前提是两台机器的物理机理真的像,而不是型号数字像。

墙二:还有一层更硬的是剩余寿命预测。分类好歹是“坏/不坏”,回归要报一个具体天数。可同一个型号,上次坏和这次坏,寿命能差三倍。你让模型怎么学?它只能学平均值。而平均值在检修现场,等于废话。

墙三:告警太多。模型一敏感,一天三十条。运维师傅第三天就把通知关了。被关掉的预警,等于没有预警。

还有一堵墙,最要命,也最容易被忽略:你算出来“还有17天”,然后呢?备件库没这个型号,停机窗口排在下个月,生产说这批订单不能断。那这17天,白算了。

所以我现在看一个预测性维护算法项目靠不靠谱,先不看模型,先问两句:备件清单同步了吗?检修排期谁签字?这两句答不上来的,模型再花哨也是玩具。

几个我踩过的坑,说出来给同行省点钱

几个我踩过的坑,说出来给同行省点钱几个我踩过的坑,说出来给同行省点钱

坑一:把健康度做成一个百分比。92%、61%、48%。好看,好上大屏。可没人说得清61%意味着什么。是还能跑一周,还是明天就趴窝?我后来改成输出区间——“未来10到25天内,出现轴封渗漏的概率中等”。丑是丑,能用。

坑二:忽略传感器怎么装的。有个项目我查了三天模型,最后发现是磁吸底座没拧紧。松动的底座自己就在振,整条频谱被抬起来,模型判“整机退化”。它没判错,它是被喂了错的数据。垃圾进、垃圾出,这话说了几十年,还是有人忘。

坑三:忘了维修本身会改变机器的指纹。换完轴承,特征频率应该消失。结果没消。为什么?装的时候预紧力不对,新轴承也在报。模型一脸懵——刚修完怎么就“故障”了。这时候你要是不懂工艺,只会怀疑模型坏了。

坑四:追新算法。见过太多人拿深度时序网络去打一个规则就能解决的问题。有一台风机,最后真正起作用的判据是一行if:同一转速下,某个频段幅值连续三天上升。朴素。但它不骗人。

不过话说回来,规则也不是万能的。规则写多了会互相打架,谁也不知道最后是谁触发的。经验这东西,得能被追溯,不然换了个人就废了。

它的边界,比它的能力更值得记住

回到那台泵。后来我们没上什么深度模型。就是包络谱加一条经验规则,再配一个手写的备件提醒。到现在,没再漏过。

但我不觉得预测性维护算法能包打天下。

它擅长什么?缓慢退化型的机械故障。轴承、齿轮、磨损、不对中、松动。这些有明确的物理机理,有可追踪的趋势,能给你几周甚至几个月的提前量。这种场景下,投入产出比是真的高。

它不擅长什么?突发的电气故障、绝缘击穿、控制逻辑打架、还有——人拿扳手敲了一下。这些东西要么没有前兆,要么前兆信号直接淹没在噪声里。你在频谱上找半天,找到的是隔壁那台空压机的干扰。

还有一个常被忘掉的边界:算法只能给窗口,人才能给决定。它可以告诉你“这个月概率在上升”,但停不停机、换不换件、损失谁来担,那是另一个层面的问题。跟傅里叶没关系,跟模型也没关系。

所以我现在的态度有点矛盾。一方面,可靠的数据采集和特征工程,价值被严重低估了——很多人跳过这一步直接谈算法,等于在沙子上盖楼。另一方面,把预测性维护算法当万能药的项目,我见过的基本都黄了。

凌晨两点四十那通电话,如果重来一次,我还是会说“不停”。但我会补一句:派个人去现场听一听。

有些东西,耳朵比模型快。