答:AI设备健康管理(PHM)的核心原理,是用传感器实时采集设备振动、温度、电流、转速等运行数据,通过特征提取和机器学习模型建立"健康基线",再对比实时数据与基线的偏差,实现故障早期预警、故障类型诊断和剩余使用寿命(RUL)预测,把"坏了再修"变成"按状态维修"。落地时建议从关键单机入手,先打通数据采集,再叠加算法模型,最后接入维修工单闭环。
一、先把数据采上来:感知层是地基
PHM的起点是高质量数据。建议优先在故障代价高、维修频次高的设备上布振动加速度传感器、温度传感器、电流互感器,采样频率按设备转速和故障特征频率确定,比如轴承故障特征频率通常在几百赫兹到几千赫兹,采样率要满足奈奎斯特采样定理并留余量。数据通过工业网关或边缘计算盒子就近汇聚,避免全量数据上云带来的带宽和时延问题。这一步的关键是传感器选型和安装位置,装错了后面算法再好也白搭。
二、特征工程:把原始波形变成可判断的指标
原始振动波形对模型不友好,需要提取时域特征(均方根值、峰值因子、峭度)、频域特征(频谱峰值、包络谱)和时频域特征(小波变换系数)。工业界常用的做法是对轴承、齿轮箱等旋转部件做包络解调分析,把高频冲击信号解调出来看故障特征频率。这一步决定了模型能不能区分"正常磨损"和"早期点蚀"。
三、模型层:诊断、预测两条线
诊断类模型解决"现在是什么故障",常用方法包括基于历史故障样本的监督学习分类(随机森林、CNN对振动频谱图做分类),以及无样本情况下的异常检测(自编码器、孤立森林),后者更适合故障样本稀缺的工厂。预测类模型解决"还能用多久",主流路线是退化指标构建加时序预测,用LSTM、Transformer或粒子滤波对健康指标曲线外推,输出剩余使用寿命区间而非单一数值,因为RUL本身有不确定性。
四、闭环落地:预警要能变成工单
模型输出异常分数后,需要设定分级阈值(预警、报警、停机建议),并对接CMMS或EAM维修管理系统自动生成工单,同时把维修结果回流成标签,用于模型迭代。没有这个闭环,PHM就只是一个大屏。
相关追问:没有历史故障数据能做PHM吗?可以,先用无监督异常检测建立健康基线,运行一段时间积累标签后再过渡到 supervised 模型。相关追问:边缘计算和云端怎么分工?高频振动数据处理和实时报警放边缘,模型训练和跨设备横向对比放云端。相关追问:PHM和传统定期维保冲突吗?不冲突,PHM输出的是动态维修间隔建议,定期维保作为兜底策略保留。
适合与不适合的边界:设备价值高、故障停机损失大、故障有渐进退化过程的场景(旋转机械、泵阀、压缩机)适合优先做;故障突发且无前兆、单台设备价值低、传感器安装受限的场景,投入产出比要谨慎评估。判断入手点时,重点关注故障模式是否有可观测的物理前兆,以及维修响应体系是否具备执行预警的能力。