设备预测性维护AI定制：振动建模与故障预警

旋转类设备（风机、水泵、空压机主机轴承）的预测性维护是AI定制中需求最集中的一类，但落地效果差异很大，关键在于数据采集方案与建模思路是否匹配现场实际。我们经验中有两点值得注意：1、采集方案先于模型设计。轴承类故障特征多集中在高频段，普通低频采集难以捕捉，需选用加速度传感器并设置足够采样率；测点位置应尽量靠近轴承座，避免安装在护罩等传递路径失真的位置。不少项目效果不佳，问题不在算法而在信号源头。2、预警分级要结合检修计划。模型输出不应只是正常与异常的二值判断，建议按劣化趋势分为关注、预警、停机三级，并与点检周期挂钩。某风机项目将振动RMS与包络谱特征结合，提前两周识别出叶轮不平衡趋势，为备件采购和停机安排留出了窗口，避免了非计划停机。另一个常见误区是过度追求故障类型细分。现场真实故障样本往往不足，与其强行分类，不如先做好劣化趋势监测，把什么时候该安排检修这个核心问题回答清楚，价值已经足够。