AI+IoT工业预测性维护：振动分析+声学诊断+故障预测

引言

工业设备的非计划停机每年造成全球制造业损失超过5000亿美元。传统维护方式要么"坏了再修"（被动维护），要么"定时更换"（预防性维护），前者代价高昂，后者浪费资源。

预测性维护（Predictive Maintenance）通过传感器实时采集设备振动、温度、声学等数据，AI模型分析设备健康状态，预测故障发生时间，实现"该修才修"的精准维护。

系统架构设计

┌─────────────────────────────────────────────────────┐ │ 预测性维护云平台 │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 设备健康 │ │ 故障预测 │ │ 工单管理 │ │ │ │ 状态看板 │ │ RUL预测 │ │ 维修调度 │ │ │ └──────────┘ └──────────┘ └──────────┘ │ └─────────────────┬───────────────────────────────────┘ │ MQTT/OPC-UA ┌─────────────────┴───────────────────────────────────┐ │ 边缘计算网关 │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 数据采集 │ │ 特征提取 │ │ 异常检测 │ │ │ │ 振动/声学│ │ FFT/MFCC │ │ 实时推理 │ │ │ └──────────┘ └──────────┘ └──────────┘ │ └──┬────────┬────────┬────────────────────────────────┘ │ │ │ ┌──┴──┐ ┌──┴──┐ ┌───┴──┐ │振动传感│ │声学传感│ │温度传感│ │MEMS │ │麦克风│ │红外 │ └─────┘ └─────┘ └──────┘

硬件BOM（单台设备监测）

AI算法详解

1. 振动信号分析

importnumpyasnpfromscipyimportsignalfromscipy.fftimportfft,fftfreqclassVibrationAnalyzer:"""振动信号分析"""def__init__(self,sample_rate=10000):self.sample_rate=sample_ratedefanalyze(self,vibration_data):"""完整振动分析"""# 时域特征time_features=self._time_domain_features(vibration_data)# 频域特征freq_features=self._frequency_domain_features(vibration_data)# 包络分析envelope_features=self._envelope_analysis(vibration_data)return{'time_domain':time_features,'frequency_domain':freq_features,'envelope':envelope_features,'health_indicators':self._compute_health_indicators(time_features,freq_features)}def_time_domain_features(self,data):"""时域特征提取"""return{'rms':float(np.sqrt(np.mean(data**2))),'peak':float(np.max(np.abs(data))),'crest_factor':float(np.max(np.abs(data))/np.sqrt(np.mean(data**2))),'kurtosis':float(self._kurtosis(data)),'skewness':float(self._skewness(data)),'peak_to_peak':float(np.ptp(data)),'variance':float(np.var(data)),'shape_factor':float(np.sqrt(np.mean(data**2))/np.mean(np.abs(data)))}def_frequency_domain_features(self,data):"""频域特征提取"""n=len(data)yf=fft(data)xf=fftfreq(n,1/self.sample_rate)# 只取正频率positive_mask=xf>0freqs=xf[positive_mask]magnitudes=np.abs(yf[positive_mask])*2/n# 主频率dominant_idx=np.argmax(magnitudes)# 频谱质心spectral_centroid=np.sum(freqs*magnitudes)/np.sum(magnitudes)# 频谱能量分布total_energy=np.sum(magnitudes**2)# 分频段能量bands={'low':(0,100),'mid':(100,1000),'high':(1000,5000)}band_energies={}forname,(f_low,f_high)inbands.items():mask=(freqs>=f_low)&(freqs<f_high)band_energies[name]=float(np.sum(magnitudes[mask]**2)/total_energy)return{'dominant_frequency':float(freqs[dominant_idx]),'dominant_magnitude':float(magnitudes[dominant_idx]),'spectral_centroid':float(spectral_centroid),'spectral_spread':float(np.sqrt(np.sum((freqs-spectral_centroid)**2*magnitudes**2)/total_energy)),'band_energies':band_energies,'total_energy':float(total_energy)}def_envelope_analysis(self,data):"""包络分析（检测轴承故障）"""# 带通滤波sos=signal.butter(4,[1000,4000],'bandpass',fs=self.sample_rate,output='sos')filtered=signal.sosfilt(sos,data)# 希尔伯特变换求包络analytic=signal.hilbert(filtered)envelope=np.abs(analytic)# 包络频谱n=len(envelope)ef=fft(envelope-np.mean(envelope))ef_freq=fftfreq(n,1/self.sample_rate)positive_mask=ef_freq>0envelope_freqs=ef_freq[positive_mask]envelope_mags=np.abs(ef[positive_mask])*2/n# 检测特征频率（轴承故障频率）bpfo_idx=np.argmax(envelope_mags)return{'envelope_rms':float(np.sqrt(np.mean(envelope**2))),'envelope_peak_freq':float(envelope_freqs[bpfo_idx]),'envelope_peak_magnitude':float(envelope_mags[bpfo_idx])}def_kurtosis(self,data):"""峰度"""n=len(data)mean=np.mean(data)std=np.std(data)ifstd==0:return0returnnp.sum(((data-mean)/std)**4)/n-3def_skewness(self,data):"""偏度"""n=len(data)mean=np.mean(data)std=np.std(data)ifstd==0:return0returnnp.sum(((data-mean)/std)**3)/ndef_compute_health_indicators(self,time_feat,freq_feat):"""计算健康指标"""indicators={}# 峰度指标（轴承故障敏感）iftime_feat['kurtosis']>4:indicators['bearing_condition']='WARNING'eliftime_feat['kurtosis']>8:indicators['bearing_condition']='CRITICAL'else:indicators['bearing_condition']='NORMAL'# 波峰因子iftime_feat['crest_factor']>5:indicators['impact_detected']=Trueelse:indicators['impact_detected']=False# 频谱能量分布iffreq_feat['band_energies']['high']>0.3:indicators['high_freq_noise']='HIGH'returnindicators

2. 故障分类模型

importtorchimporttorch.nnasnnclassFaultClassifier1DCNN(nn.Module):"""1D-CNN故障分类"""FAULT_TYPES=['normal',# 正常'bearing_inner',# 轴承内圈故障'bearing_outer',# 轴承外圈故障'bearing_ball',# 滚动体故障'misalignment',# 不对中'imbalance',# 不平衡'looseness',# 松动'gear_wear',# 齿轮磨损'motor_fault'# 电机故障]def__init__(self,input_length=1024,n_classes=9):super().__init__()self.features=nn.Sequential(nn.Conv1d(1,32,kernel_size=7,stride=2,padding=3),nn.BatchNorm1d(32),nn.ReLU(),nn.MaxPool1d(2),nn.Conv1d(32,64,kernel_size=5,stride=2,padding=2),nn.BatchNorm1d(64),nn.ReLU(),nn.MaxPool1d(2),nn.Conv1d(64,128,kernel_size=3,stride=1,padding=1),nn.BatchNorm1d(128),nn.ReLU(),nn.AdaptiveAvgPool1d(1))self.classifier=nn.Sequential(nn.Linear(128,64),nn.ReLU(),nn.Dropout(0.5),nn.Linear(64,n_classes))defforward(self,x):# x: (batch, 1, input_length)x=self.features(x)x=x.squeeze(-1)returnself.classifier(x)classFaultDiagnosisSystem:"""故障诊断系统"""def__init__(self,model_path=None):self.model=FaultClassifier1DCNN()ifmodel_path:self.model.load_state_dict(torch.load(model_path,map_location='cpu'))self.model.eval()self.vibration_analyzer=VibrationAnalyzer()self.diagnosis_history=[]defdiagnose(self,vibration_data):"""综合诊断"""# 信号分析analysis=self.vibration_analyzer.analyze(vibration_data)# CNN分类input_tensor=torch.FloatTensor(vibration_data).unsqueeze(0).unsqueeze(0)withtorch.no_grad():output=self.model(input_tensor)probs=torch.softmax(output,dim=1)[0]pred_idx=probs.argmax().item()fault_type=self.FAULT_TYPES[pred_idx]confidence=probs[pred_idx].item()# 综合诊断结果diagnosis={'fault_type':fault_type,'confidence':confidence,'all_probabilities':{ft:probs[i].item()fori,ftinenumerate(self.FAULT_TYPES)},'analysis':analysis,'recommendation':self._get_recommendation(fault_type,confidence),'severity':self._assess_severity(fault_type,confidence,analysis)}self.diagnosis_history.append(diagnosis)returndiagnosisdef_get_recommendation(self,fault_type,confidence):"""维修建议"""recommendations={'normal':'设备状态正常，继续监测','bearing_inner':'检查轴承内圈，计划更换轴承','bearing_outer':'检查轴承外圈，计划更换轴承','bearing_ball':'检查滚动体，计划更换轴承','misalignment':'重新对中电机和负载','imbalance':'校正转子动平衡','looseness':'检查并紧固地脚螺栓','gear_wear':'检查齿轮磨损，计划更换','motor_fault':'检查电机绝缘和绕组'}base=recommendations.get(fault_type,'请专业人员检查')ifconfidence>0.9:returnf'【紧急】{base}'elifconfidence>0.7:returnf'【计划】{base}'else:returnf'【关注】{base}'def_assess_severity(self,fault_type,confidence,analysis):"""严重程度评估"""iffault_type=='normal':return'NORMAL'# 基于置信度和振动指标kurtosis=analysis['time_domain']['kurtosis']ifconfidence>0.9andkurtosis>8:return'CRITICAL'elifconfidence>0.7orkurtosis>4:return'WARNING'else:return'ADVISORY'

3. 剩余寿命预测（RUL）

importnumpyasnpfromcollectionsimportdequeclassRULPredictor:"""剩余使用寿命预测"""def__init__(self,failure_threshold=100):self.failure_threshold=failure_threshold self.health_index_history=deque(maxlen=10000)defupdate(self,health_index,timestamp):"""更新健康指数"""self.health_index_history.append({'value':health_index,'timestamp':timestamp})defpredict_rul(self):"""预测剩余使用寿命"""iflen(self.health_index_history)<100:returnNonehistory=list(self.health_index_history)values=[h['value']forhinhistory]timestamps=[h['timestamp']forhinhistory]# 线性回归预测趋势x=np.arange(len(values))coeffs=np.polyfit(x,values,1)slope=coeffs[0]intercept=coeffs[1]ifslope<=0:return{'rul_hours':float('inf'),'trend':'stable','confidence':0.5}# 预测到达阈值的时间current=values[-1]remaining_steps=(self.failure_threshold-current)/slope# 转换为小时（假设每步1小时）rul_hours=max(0,remaining_steps)# 置信度（基于拟合误差）predicted=np.polyval(coeffs,x)residuals=values-predicted rmse=np.sqrt(np.mean(residuals**2))confidence=max(0,min(1,1-rmse/(self.failure_threshold*0.1)))# 趋势判断recent_slope=np.polyfit(x[-50:],values[-50:],1)[0]iflen(values)>=50elseslopeifrecent_slope>slope*1.5:trend='accelerating'elifrecent_slope<slope*0.5:trend='decelerating'else:trend='linear'return{'rul_hours':round(rul_hours,1),'rul_days':round(rul_hours/24,1),'current_health':current,'failure_threshold':self.failure_threshold,'degradation_rate':slope,'trend':trend,'confidence':round(confidence,2)}

部署实战

传感器安装位置

电机-泵组监测示意： ┌─────────┐ │ 电机 │ │ ⊙ 前轴承 │ ← 振动传感器X/Y/Z │ ⊙ 后轴承 │ ← 振动传感器X/Y/Z └────┬────┘ │ 联轴器 ┌────┴────┐ │ 泵 │ │ ⊙ 轴承 │ ← 振动传感器 └─────────┘ 🎤 声学传感器 → 设备侧面1m处 🌡️ 温度传感器 → 轴承座 安装要点： - 传感器安装在刚性结构上，避免柔性表面 - 振动传感器用螺栓固定，不用磁吸 - 声学传感器远离噪音源 - 采样率≥10kHz（轴承故障检测）

成本与ROI

监测100台设备投入3万元，年节省52万元。

未来展望

1. 数字孪生：设备虚拟模型实时映射
2. 自适应模型：在线学习适应设备变化
3. 供应链联动：故障预测自动触发备件采购
4. AR辅助维修：增强现实指导维修操作
5. 知识图谱：故障案例库+维修知识库

总结

300元/台的传感器投入，可以将非计划停机减少90%。振动分析+声学诊断+AI故障分类的组合方案，是工业4.0时代设备管理的标准配置。