边缘AI预测性维护定制：振动特征与轴承剩余寿命

在智能硬件实验室的IoT方向，我们近期完成了一轮面向旋转设备的边缘预测性维护实验：将三轴振动传感器（采样率12.8kHz）与边缘网关直连，在本地完成特征提取与推理，只把健康指标和告警上传云端。

与常见的阈值报警不同，本次实验关注的是轴承早期退化。做法是先用包络谱提取BPFO、BPFI、BSF等特征频率处的能量占比，再结合时域指标（RMS、峭度、峰值因子）构成低维特征向量，输入轻量级时序模型，输出剩余寿命的区间估计。选择低维特征而非原始波形，是为了让模型能在算力受限的边缘盒子上常驻运行——实测单节点推理耗时约18ms，模型体积控制在1.2MB以内。

阶段性进展：
1）在台架加速寿命试验中，对4套轴承从正常到失效的全过程做离线验证，提前预警中位时间约37小时，误报2次，主要出现在转速突变工况，后续拟通过工况分段归一化抑制。
2）现场侧已接入6台风机与3台水泵，边缘节点日均上行数据量从约1.4GB降至不足40MB，网络与存储压力显著下降。