泵开始哼歌的那天，预测性维护算法在算什么

凌晨两点，电话响。中控说P-204泵振动高高报。我披上外套往现场走，脑子里先冒出来的不是轴承，是那套预测性维护算法——又狼来了？到了泵边，手搭在轴承座上，能感到一阵细密的“嗡”，不是平时那种沉稳的哼。拆开，保持架裂了。挺悬。可回头一想，这算法除了喊“振动高”，还干了啥？说实话，不够。

报警响的时候，算法其实什么都没说

很多现场把“预测性维护”做成了高级阈值报警。振动超过4.5 mm/s，弹窗。温度过80℃，弹窗。这有用，但这是保护，不是预测。保护关心“现在危不危险”，预测关心“还能撑多久、什么时候安排停机”。两码事。

预测性维护算法要回答的核心问题很具体：这台泵的轴承，未来一周到一个月内，失效概率怎么变？剩余寿命大概落在哪个区间？注意，是区间，不是点。谁要敢给你一个精确到小时的点估计，你反而要警惕。工业现场不是实验室，工况、负载、润滑、对中都在变，算法给点估计等于耍流氓。

我常用一个比喻：阈值报警像汽车仪表盘上的油灯，亮了你知道该找加油站；预测性维护像导航预估“剩余续航还能跑多少公里，前方服务区多远”。油灯不会告诉你还能跑几十公里，导航会，但导航也会受堵车、驾驶习惯影响。预测性维护算法就是那个导航，只不过它看的是振动、温度、电流这些“路况”。

从振动信号到健康指标，中间隔着好几道手

拿旋转机械的轴承说。测点选在哪，比模型选什么更要紧。轴承座刚性、传感器磁吸还是螺纹、方向是径向还是轴向，都会改变信号。我见过把传感器吸在薄板罩壳上的，数据看着挺热闹，全是罩壳共鸣。那套算法再花哨也白搭。

信号进来，先采样。采样率不够，高频冲击直接混叠，后面全错。然后做FFT看频谱，但轴承早期故障的冲击很弱，淹没在齿轮啮合、叶轮通过频率里。这时候常用包络解调：把高频共振带里的冲击“包”出来，再看低频重复节奏。轴承外圈、内圈、滚动体、保持架各有特征频率，BPFO、BPFI、BSF、FTF。名字吓人，其实就是不同部件转一圈产生的重复冲击节奏。包络谱上出现这些频率及其谐波，才敢说“轴承可能有伤”。

但特征频率不是万能钥匙。变转速下，频率跟着转，你得做阶次分析，把角度域采样的信号转成阶次谱，不然转速一波动，谱线糊成一团。负载变化也会让冲击幅值变。所以健康指标不能只挑一个RMS——均方根值，反映整体能量。RMS对早期微弱冲击不敏感，峭度对冲击敏感但容易被偶发噪声带偏。工程上常用组合：RMS看趋势，峭度看突变，包络谱特征频率幅值看故障类型。别指望一个指标打天下。

这里有个坑：健康指标要能“单调退化”。理想情况下，轴承从正常到失效，指标应该像下坡路，偶尔抖一下可以，不能今天高明天低像心电图。实际数据里，润滑、负载、维修动作都会让指标回弹。所以做RUL之前，先看健康指标曲线有没有可解释的退化趋势。没有趋势，硬上深度学习，等于让模型背噪声。

剩余寿命预测真正的麻烦，是数据在骗你

很多团队一上来就LSTM、TCN、Transformer。模型没错，错在数据划分。时序数据随机打乱做训练测试，等于用未来的数据预测过去，指标漂亮得离谱。正确做法是按时间切：用前80%时间训练，后20%验证；或者按设备切，不同泵做跨设备验证。更隐蔽的是归一化泄漏——你用全量数据算均值和方差，测试集的信息已经漏进训练。工业数据里这种泄漏太常见，尤其是设备少、样本少的时候，大家容易手滑。

还有标签。RUL标签从哪来？从维修记录倒推。可维修记录本身受报警策略影响：阈值设得低，修得勤，记录里“故障”就多；阈值设得高，拖到坏了才修，标签又变成突发失效。算法学到的可能是“维修班的习惯”，不是“轴承的退化”。这点很要命。我见过一个项目，模型在离线测试集上RUL误差很小，上线后提前量忽长忽短。查了半天，训练集里混进了维修后重新磨合的数据，模型把“刚修完”当成了“快坏了”。

退化建模有两条路。一条是基于物理或统计的退化模型，比如指数退化、线性退化、Wiener过程、伽马过程。好处是可解释，能给置信区间，小样本也能跑。另一条是数据驱动，直接学传感器序列到RUL的映射。数据充足、工况单一时，数据驱动有优势；工况多变、失效样本少时，统计模型更稳。别迷信“端到端”，端到端把特征工程藏进网络里，出了问题你连查都没法查。

阈值怎么定？固定阈值省事，但设备工况一变就误报。自适应阈值按工况分箱，比如按转速、负载、温度分段，每段算健康指标的基线。更细一点，用退化模型的失效阈值反推报警线：假设失效阈值是健康指标的某个分位数，结合退化速率，算“预计多少天后越过失效线”。这样报警带时间含义，不是干巴巴一个数。

它算的是时间窗，不是命运

横向看，振动不是唯一信号。电机电流签名分析能看转子断条、气隙偏心；温度能看润滑和冷却；油液磨粒能看磨损模式。多源融合听着高级，落地时先解决“时间对齐”和“采样频率不一致”。振动是kHz级，温度是分钟级，油液是周级。融合不是把特征拼一起扔进模型，而是先想清楚每个信号对应什么退化机理。否则融合等于加噪声。

预测性维护算法的边界也很清楚。变转速变负载的工程机械、缺少失效样本的新设备、传感器装得勉强的老设备，RUL预测的置信区间会宽得没法用。这时候退一步做异常检测和退化趋势预警，比硬报RUL更诚实。还有维修干预：你换了润滑脂，退化轨迹就拐弯了，模型得能识别“维护事件”，不然会把维护后的回弹当成故障前兆。这个在数据里往往没有标记，得靠工单时间、电流启停、振动突变去推断。

风险呢？过度信任算法会过修，备件和停机成本上去；完全不信任又回到定期维修，该坏还是坏。我的经验是，算法输出必须带“可行动信息”：不是“轴承RUL=13.7天”，而是“未来两周内失效概率上升，建议在下个计划停机窗口检查润滑和振动包络”。人做决策，算法给依据。现场老师傅看一眼油窗、听一耳朵，可能比模型更早发现异常。算法别想着替代他们，先把数据管道做干净、测点选对、阈值有人复核，就已经赢了一大半。

说到底，预测性维护算法不是算命。它算的是一个时间窗，一个概率，一个让维修排班从“坏了再修”挪到“按计划修”的提前量。泵开始哼歌的那天，算法别只会喊“振动高”。它得说：还有多少天，为什么，以及下一步干什么。