传感器数据是怎么用于维护预测的？

AI 把传感器数据变成维护预测，走的是一条固定流水线：先从设备上持续采集振动、温度、电流这类信号，再把长记录切成可比较的片段，算出少数几个能代表状态的指标，最后判断这台设备离出问题还有多远。它像给设备戴了一块长期记录的手表，记的不是步数，而是还能跑多久。

这件事的价值在于把「坏了再修」换成「算着日子修」。停机损失大的产线，早一周知道轴承要换，排产就能提前挪，备件也能提前订。

先看一根振动曲线长什么样

一台电机正常运转时，振动曲线是幅度稳定的波浪；轴承开始磨损，波形上会冒出周期性尖峰；尖峰密集到某个程度，留给检修的窗口就很窄了。传感器每秒采几千个点，一天下来是海量数字，人眼根本看不过来，这正是需要 AI 的地方。

判断一条曲线有没有信息量，先看采样率够不够。想抓住轴承早期特征，采样率通常要远高于转速的整数倍，否则细节在采集阶段就丢了，后面再精细的算法也补不回来。

数据进管道：采样、对齐、切片

原始信号进系统后要做三件事。第一是清洗，剔掉停机时段的空转数据和探头脱落段；第二是时间对齐，把振动、温度、转速排到同一根时间轴上，否则「温度升高时振动也变大」这种关联对不上；第三是切片，把连续记录切成固定长度的窗口，一个窗口就是一条样本。

切片长度是个取舍：切太短，一个完整工作循环装不进去；切太长，故障发生的那几十秒被稀释在大量正常数据里。工程上常用一个班次或一个完整加工循环作为窗口单位。

特征怎么算：把波形压成几个数

模型很少直接吃原始波形，中间要抽特征。时域上看均值、峰值、有效值，频域上看某些频率处的能量占比，轴承外圈有缺陷时，特定频率及其倍频的能量会抬头。这些指标合起来叫特征向量，一条样本最终变成十几到几十个数。

好的特征要满足两点：对状态变化敏感，对工况变化不敏感。同一台设备空载和满载时振动本来就不一样，如果特征把工况差异当成故障信号，模型就会天天报错。

预测剩下多少时间：从阈值到曲线

最朴素的做法是设阈值，某项指标超过红线就报警。它简单可靠，但只能回答现在坏没坏，回答不了还能撑几天。要回答后者，得用历史数据拟合一条退化曲线，把当前指标值投射到红线上，交点就是预计的剩余可用时间。

这条曲线不是算一次就固定，每来一批新数据都要重估。DeepSeek、通义千问这类助手在工程团队里常被用来整理维护记录、生成巡检摘要，但真正的退化建模仍交给专门的时序模型，分工要分清。

误报从哪来，怎么压下去

误报主要来自三类原因：探头本身漂移、工况突变、以及模型没见过的新故障模式。对应手段也不同，漂移靠定期校准和基线更新，工况突变靠把工况变量一起喂进模型，新故障模式只能靠人工复核不断补样本。

一个实用做法是分级响应：轻微偏离只记一条待观察，连续三个窗口同向恶化才生成工单，陡然跳变则立刻通知。这样既不会漏掉急症，也不至于让维修班组被噪声淹没。

从信号到工单的四道关

• 采集关：采样率够不够，探头是否牢固
• 清洗关：停机段、脱落段是否剔除干净
• 特征关：对状态敏感、对工况不敏感
• 决策关：分级响应，避免一次越线就开单

照着这四道关回看自家系统，最先出问题的往往是最前面的采集关。

相邻环节可以接着看：巡检的图像比对讲的是另一类感知数据怎么用；数字孪生的数据接入关心多源数据怎么汇到一处；漏检与误检的平衡和本文的分级响应是同一套思路；农业处方图则是把判断结果落成一张可执行的地图。

关于传感器数据用于维护预测的三个常问问题

• 没有历史故障样本也能做吗？：可以退一步做异常检测，先学正常状态长什么样，偏离基线就提示，等积累到真实故障再升级成预测模型。
• 探头装得越多就越准吗？：不一定。冗余探头能互相校验，也会带来对齐和供电的麻烦，先覆盖关键部件更划算。
• 算出的剩余时间能直接排检修计划吗？：建议当作排序依据而非精确日期，再结合备件到货和产线排程一起定。