AI轴承剩余寿命预测定制：振动特征与健康指标

轴承寿命预测与异响检测是两类问题：前者要输出剩余可用时间，后者只判断当前是否异常。定制项目里最容易失手的地方，是把只记录了失效时刻的维修台账直接当作回归标签来训练。 数据侧：振动采样建议不低于 20kHz，以覆盖高频共振带；同时接入转速信号做阶次跟踪，否则变频工况下频谱会糊掉。单台设备至少积累 3 个月连续数据，其中包含 2~3 次真实失效或拆检记录，模型才有可验证的标签基础。 特征侧：稳妥的组合是时域 RMS 与峭度、包络谱中的轴承故障特征频率幅值、再加上温度与电流。把这些合成一个健康指标 HI，用单调性与趋势性筛权重，通常比直接堆 200 维特征再上深度模型更抗现场干扰。 两条落地要点： 1. 标签处理：只有拆检时刻的，改用分段寿命标签（如距失效 30/14/7 天）或生存分析模型，避免把删失数据硬做点回归，导致预测值系统性偏大。 2. 工况分箱：按转速—负载分箱建模或做工况归一化，否则模型学到的往往是工况差异而非真实退化。 输出侧不建议只给单一数值，而是预测区间加三级预警（关注、计划更换、停机），并与 CMMS 工单联动。推理放在边缘盒子本地运行，断网仍可用，报警延迟能压到秒级。