传感器布置：别把好料浪费在烂位置上
第一个大坑，就是测点位置。很多人觉得传感器越多越好，频率越高越好。但振动信号从故障源传到传感器，中间要经过结合面、轴承座、箱体，衰减和调制是必然的。你贴在外壳上，测到的可能是整个结构的共振，而不是齿轮的啮合冲击。 我记得做风电齿轮箱监测时，一开始把加速度计装在箱体顶部，采集到的谱图干净得像课本里画的一样，但就是找不到故障特征。后来把传感器挪到轴承座的径向方向，用磁座加AB胶固定，信号一下子干净了。高频段的信息，特别是轴承内圈故障的通过频率，全出来了。 关键规则是什么？测点必须尽量靠近承载区，避开结构共振节点。另外，采样率不是越高越好，要根据目标频率来定。比如轴承特征频率通常在几kHz，那采样率至少保证最大分析频率的2.5倍，一般建议采样率设为最高特征频率的10倍以上，才能有足够的频率分辨率。特征提取：从时域到包络谱，还是得靠物理基础
AI模型再聪明，也喂不进原始波形——至少目前工业界还做不到直接端到端。所以特征工程仍是核心。经典的做法是算时域的均值、峰峰值、峭度，频域看主频和边带。但真正能暴露早期故障的，往往是包络解调谱，特别是对滚动轴承。 有一个公式必须刻在脑子里：轴承内圈故障特征频率约等于转速频率乘以滚动体个数再乘以一个系数。具体见SKF公式。但别死记硬背，我用一个实际案例来说明。 某次做压缩机诊断，振动总值一点都不高，但总感觉有异响。原始频谱上只有转频和几个小边带，看不出名堂。后来用高通滤波后做希尔伯特变换，得到包络谱，才在113Hz处看到了明显峰值——这个频率恰好对应外圈通过频率。拆开一看，外圈已经有一条贯穿的裂纹。要是只看原始频谱，可能再跑一个月就抱轴了。 所以，包络谱和频谱是看故障的两只眼睛，缺一个都会漏诊。AI模型可以帮你自动分类特征，但前提是你得把对的窗口和频带喂给它。这也是为什么我始终认为，搞AI诊断的工程师，必须先把经典信号处理搞熟。
AI建模：别迷信深度学习，小样本才是常态
说到AI本身，现在大家都喜欢用CNN、LSTM，动不动就端到端。但设备故障数据是极度稀缺的。一个风场正常运行几年，能收集到的真正故障样本可能就几十条。深度模型在这点数据上，必然过拟合。 我自己的经验，先用传统特征降维，再用轻量级分类器，效果远好于硬上深度网络。比如用随机森林结合振动特征，在轴承故障诊断上准确率能到95%以上。而同样数据喂给一个ResNet，直接过拟合到训练集上，测试集惨不忍睹。 有一次我试过用迁移学习，把一个在大规模轴承试验台上预训练好的网络，迁移到现场的齿轮箱数据上。效果还可以，但需要精心做域自适应，不然预测结果飘得很。 还要提醒一点：数据标注是最大的坑。很多项目号称有标签，实际上是靠转速和温度阈值硬划分的，标签本身就错了。你拿这种数据去训练，AI再厉害也是学的错误模式。从判定到预测：剩余寿命才是终极目标
诊断出来故障类型，只是第一步。老板更关心的是剩下还能撑多久。这就要说到RUL预测。我见过有人直接用回归模型拟合退化趋势，但设备退化往往是非线性的，而且有多个阶段。 比较靠谱的做法是，先确定健康指标，比如振动能量、峭度、带通能量比，然后用指数退化模型拟合。也可以考虑贝叶斯方法，把不确定度量化出来。比如用粒子滤波来跟踪状态变化，并给出置信区间。 不过说真的，RUL预测在工业界很火，但落地效果参差不齐。问题在于退化路径受负载、温度、润滑状态影响太大，一个突变工况就能让模型失效。所以实用中，我们通常不报绝对寿命，而是给一个严重度等级，比如绿、黄、红。这样维护人员反而更容易决策。
落地案例：一条产线的AI诊断改造记
关于标准与未来
