设备突发故障是生产运行最大的不确定性。一台关键设备停机，整条线停产，维修人员满头大汗地抢修，备件还在路上。这种场景在无数工厂反复上演。

预测性维护要解决的就是这个问题——通过数据提前知道设备“快要坏了”，在故障发生前安排维修，把非计划停机变成计划停机。

一、预测性维护的三种路线

路线一：阈值报警

设定振动、温度的阈值，超过就报警。这是最简单的方式，门槛低、容易理解，但预警时间短，往往是设备已经出问题了才知道。

路线二：趋势预警

监测特征值的上升或下降趋势，趋势异常时提前预警。比阈值报警提前几天甚至几周，但需要历史数据建立基线，误报率比阈值法高。

路线三：模型预测

建立设备正常行为的模型，偏离正常即预警；或直接用历史故障数据训练模型，预测剩余寿命。预警最早、最精准，但需要大量故障样本，数据获取难，模型维护成本高。

工业界目前用得最多、最务实的是“阈值+趋势”的组合。纯模型方法在实验室效果好，到现场误报率往往偏高。不是算法不行，是工业场景的数据质量达不到模型要求。

二、预测性维护的适用场景

不是所有设备都值得上预测性维护。判断标准有三条。

故障后果是否严重。关键设备突然停机，损失巨大，值得投入。一般设备坏了修一下就行，没必要。故障是否有预兆。轴承磨损是有预兆的，振动、温度会慢慢上升。电路板烧毁是瞬时的，来了也来不及。有预兆的才值得做。数据是否可采集。设备有传感器接口，或者方便加装传感器。老式设备没有接口、没有空间，强上也很难。

最适合的场景是旋转设备：风机、压缩机、泵、电机、齿轮箱。这些设备故障模式明确，振动、温度信号能反映状态，传感器成熟、成本可控。

三、数据采集与特征工程

预测性维护看什么数据？最常用的是振动、温度、电流。

振动是最敏感的特征。轴承磨损、不平衡、不对中、松动，都会在振动频谱上留下特征。通常测加速度或速度，采样频率要足够高（至少是旋转频率的10倍以上）。温度是辅助特征，轴承缺油、电机过载都会发热，但温度上升滞后，不能作为主要判断依据。电流用于电机类设备，定子绕组故障、转子断条、过载都会反映在电流上。

很多项目失败的原因是数据质量不行。传感器安装位置不对，振动信号传不过来；采样频率不够，特征信息丢失；没有设备运行工况的标签，不知道数据是在什么条件下采的。

特征提取是把原始数据变成有意义的指标。时域特征包括有效值、峰值、峰峰值、峭度等。频域特征做FFT变换，找到特征频率，如轴承外圈故障频率、内圈故障频率。趋势特征是有效值随时间的变化率，上升快了说明恶化加速。

四、报警阈值的设定

阈值是预测性维护的“裁判”。设宽了漏报，设备坏了没发现；设窄了误报，天天假报警，操作工就不信了。

绝对阈值是最基础的，比如振动有效值超过4.5mm/s报警。参考标准是ISO 10816，不同设备类型、不同安装方式有不同限值。相对阈值则是与设备自身历史基线对比，超过基线一定倍数报警，比如振动值比正常运行值高2倍。趋势阈值是变化率超限报警，如连续一周每天上升5%。

阈值不是一成不变的。设备大修后重新建基线，季节变化时调整（冬季润滑油粘度高，振动基线不同），负荷变化时做负荷-振动修正。