设备振动AI异常检测定制：采样频率与误报抑制

在智能硬件实验室近期的实验中，我们把低成本三轴MEMS加速度计装到两台老旧空压机与一台水泵上，尝试用边缘侧AI做轴承与联轴器的异常预警。核心问题不在模型，而在采样策略与误报控制。

采样频率按最高关注故障频率的2.56倍选取，并做2~3档可配置：转频与不平衡约1kHz，轴承外圈缺陷冲击需5kHz以上。过采样会增加边缘算力与功耗，欠采样则直接漏掉冲击特征。我们采用「常态低频抽样+触发式高频窗」策略，平时1kHz缓存，包络幅值越限后自动抓取5秒高频波形，边缘侧推理延迟控制在200ms内。

误报抑制是落地关键。仅看单点阈值时，一周内测试线报出47次告警，其中31次由相邻设备共振、换料冲击引起。加入工况分段（加载/空载/启停）与连续三窗确认后，告警降至9次，保留了2次真实轴承早期劣化（外圈故障特征频率边带明显）。

下一步计划：把启停瞬态单独建模，并验证在电机变频工况下包络谱的稳定性，目标是单点位误报控制在每周1次以内，同时不抬高漏检率。