维护策略的演进路线清晰可循：纠正性维护（坏了再修）→预防性维护（定期更换）→基于状态的维护CBM（状态恶化才干预）→预测性维护PHM（预测何时恶化并提前干预）。每一步演进都增加了数据需求和分析复杂度，也提升了维护精度——从"过维修"和"欠维修"到"恰好在需要时维修"。预测性维护的核心技术挑战是将物理世界中的设备退化过程转化为可量化、可建模的数据信号。
数据采集层
预测性维护的数据来源取决于设备类型和故障模式。旋转机械（电机/泵/风机/压缩机）以振动分析为主，热工设备以温度监测为主，流体设备以压力和流量分析为主。
数据类型 | 传感器 | 采样频率 | 故障覆盖 | 工程难点 |
振动 | 加速度计/位移探头 | 5-25kHz | 轴承/齿轮/不平衡 | 高频数据存储量大 |
温度 | PT100/红外/热电偶 | 1-10Hz | 过热/冷却故障 | 响应慢，延迟诊断 |
声发射 | AE传感器 | 100kHz-1MHz | 裂纹/泄漏 | 信号解释复杂 |
油液 | 实验室/在线油液仪 | 周/月 | 磨损/污染 | 在线设备成本高 |
振动数据是旋转机械预测性维护的主信号源。采样频率需满足Nyquist定理——要分析的最高特征频率为fmax，采样频率至少2×fmax。轴承外圈故障特征频率（BPFO）通常在100-500Hz范围，但故障冲击的能量集中在高频（2-10kHz），需要高频采样才能捕获。工业标准要求振动数据采样率不低于5kHz（ISO 10816，低频振动评价），冲击脉冲法要求25.6kHz（ SKF标准）。25.6kHz采样率下，单通道每秒产生25600个采样点，每天的数据量约2.6GB（4字节浮点）。
存储优化策略是降采样和特征提取。原始波形数据只在异常时存储（触发预录和后录窗口各1秒），正常时只存储特征值——RMS、峰值、峭度、FFT频谱。特征值每分钟一个数据点，日存储量从2.6GB降到1.4MB，降低三个数量级。
温度数据响应慢但诊断直观。轴承温度从正常到过热通常经历数小时，温度监测主要用于事后确认而非早期预警。PT100（铂电阻温度传感器）精度±0.5°C，响应时间5-30秒。红外测温非接触，适合旋转部件（联轴器/轴承座）温度监测，但精度受表面发射率影响（需校准发射率参数）。
声发射（Acoustic Emission, AE）在裂纹和泄漏检测中有独特价值。金属材料裂纹扩展释放弹性波（频率100kHz-1MHz），AE传感器捕获这些瞬态弹性波。AE的优势是能检测早期裂纹（比振动更早感知结构退化），劣势是信号解释复杂——需要区分裂纹AE信号与噪声（机械碰撞/电磁干扰/流体噪声）。
特征工程
振动数据的原始波形无法直接用于故障诊断，需提取特征量。特征提取分时域、频域和时频域三个维度。
时域特征从波形直接计算，计算量小，适合在线实时计算。
RMS（均方根值）反映振动能量水平，是ISO 10816的评价指标。RMS持续上升说明振动能量增大，设备状态恶化。
峭度（Kurtosis）反映信号冲击性。峭度公式 K = E[(X-μ)⁴]/σ⁴。正常轴承振动信号近似高斯分布，峭度约3。轴承出现点蚀或剥落时，冲击脉冲增加信号尖峰，峭度升至4-6甚至更高。峭度对早期冲击敏感——在RMS还无明显变化时峭度已升高，是早期预警的有效指标。
峰值因子（Crest Factor）= 峰值/RMS。正常振动峰值因子约3-4，冲击故障升至5以上。峰值因子与峭度互补——峭度敏感于整体冲击分布变化，峰值因子敏感于极端冲击。
频域特征通过FFT（快速傅里叶变换）将时域信号转换为频谱，分析各频率分量的能量分布。
包络谱（Envelope Spectrum）是轴承故障诊断的核心工具。轴承故障产生冲击脉冲，冲击脉冲调制高频结构共振，包络解调后可提取故障特征频率。BPFO（外圈故障频率）= 0.5×n×(1-d/D×cosα)×frotation，其中n为滚珠数、d为滚珠直径、D为节圆直径、α为接触角。包络谱中BPFO频率处出现明显峰值时，指示外圈故障。这些特征频率公式是轴承几何参数的函数，不同型号的轴承特征频率不同，需根据轴承型号预先计算。
阶次分析（Order Analysis）用于变速设备。变频电机转速变化时，振动频谱中所有频率分量随转速移动，传统FFT谱无法固定分析。阶次分析用等角度重采样将变转速信号转换为等角度信号，再做FFT，得到的阶次谱中故障阶次固定——齿轮局部故障在阶次谱中表现为啮合阶次的边带。
时频域分析处理非平稳信号。小波变换（Wavelet Transform）和短时傅里叶变换（STFT）提供时间-频率联合分布，能定位故障信号的时间位置和频率范围。连续小波变换适合瞬态故障分析（如设备启停过程中的异常），但计算量大不适合在线应用。离散小波包变换（DWPT）做特征频带提取，计算效率可接受。
故障模型
预测性维护的模型分三个层次：阈值告警→趋势预测→RUL（Remaining Useful Life，剩余寿命）估计。
阈值告警是最基础的判定。ISO 10816定义了振动速度RMS的四个评价区域：A区（新机正常，<1.4mm/s）、B区（长期运行可接受，1.4-2.8mm/s）、C区（需限制运行，2.8-4.5mm/s）、D区（停机，>4.5mm/s）。阈值告警的局限是单点判定——越过C区阈值即告警，但不反映恶化速度和剩余可用时间。
趋势预测基于历史趋势预测未来走向。时间序列模型（ARIMA/LSTM）用历史N天的特征值预测未来M天的值，当预测值将在T天后越过D区阈值时提前告警。趋势预测的价值是给出"如果不干预，多少天后会故障"的时间预估。趋势预测的难点是趋势噪声——特征值本身有波动，区分真实趋势和随机波动需要滑动平均或低通滤波。
RUL估计是最高层模型。RUL预测当前时刻到设备功能失效的剩余时间。基于数据驱动的RUL方法使用LSTM（长短期记忆网络）——输入历史特征序列（振动RMS、峭度、温度趋势），输出RUL预测值和置信区间。LSTM的优势是能学习非线性退化模式，劣势是需要失效数据标注——需知道设备从正常到失效的完整退化历程，但实际中设备极少走到完全失效（预防性维护在失效前就干预了），标注数据稀缺。
混合模型结合物理模型和数据驱动方法。物理模型基于退化机理——Paris定律描述裂纹增长速率 da/dN = C×(ΔK)^m，其中a为裂纹长度、N为循环次数、ΔK为应力强度因子幅值。数据驱动方法用历史数据拟合参数C和m。混合模型利用物理约束防止数据驱动模型的预测偏离物理规律——LSTM预测的裂纹增长速率如果远超Paris定律的合理范围，触发异常检测。
系统架构
预测性维护的系统链路从边缘到云端构成完整数据流。
边缘采集层在设备侧安装传感器和数据采集网关。网关执行高频采集（25.6kHz振动）和实时特征提取——RMS和峭度在网关本地计算，只有特征值和异常时的原始波形上传到平台。边缘计算降低了网络带宽需求——25.6kHz原始波形不全部上传，每分钟上传一次特征值。
平台存储层集中管理所有设备的特征值和波形数据。特征值按时间序列存储，支持长期趋势分析（一年以上的退化趋势）。波形数据按设备标签索引，支持回溯分析（异常发生时调取原始波形做频域分析）。
模型推理层运行故障诊断模型。模型输入是实时特征值流，输出是故障概率和RUL预测值。模型部署为推理服务，通过API暴露诊断结果。当推理结果超过告警阈值时，自动生成维护建议工单下发到维护管理系统。
落地挑战
故障样本不足是模型训练的根本约束。关键设备故障频率低——一台离心压缩机可能3-5年才发生一次严重故障，单工厂内积累的故障样本数可能不到10个。深度学习模型需要数千个样本来训练，数据量不足时模型泛化能力差。
应对策略包括：数据增强（在正常振动信号上叠加模拟故障冲击合成训练样本）、迁移学习（用实验室台架数据训练基础模型，再用工厂数据微调）、联邦学习（多工厂联合训练，样本共享而数据不集中）。
标注困难使故障样本的价值打折扣。即使有故障数据，也需标注故障类型（内圈/外圈/滚珠/保持架）、故障程度（早期/中期/晚期）、故障位置（哪颗轴承）。标注需要专业知识和拆解验证——只有设备实际拆解后才能确认故障类型和程度，但大量预测性维护系统在告警后并未拆解验证，导致标注数据缺失。
模型迁移性差意味着同一模型不能直接用于不同设备。同一型号轴承在不同设备上的振动特征不同——安装方式（间隙配合/过盈配合）、润滑条件、载荷方向影响特征频率。模型迁移需对目标设备做少量校准数据采集（至少包含正常运行数据），再做迁移微调。
TDengine在预测性维护架构中承担高频振动数据存储和特征连续查询的职责。高频原始波形数据按设备标签分区存储，支持按设备和时间范围高效检索。连续查询（Continuous Query）在数据写入时实时计算特征值——RMS、峭度、峰值因子等时域特征在入库时自动计算并存储为降采样结果，模型推理层直接读取特征值而非扫描原始波形。数据订阅功能将特征值实时推送给推理服务，实现"数据写入→特征计算→模型推理"的毫秒级联动。RUL模型的训练数据集从TDengine的历史特征数据中提取，按设备维度和时间窗口构建训练样本。
结语
工业互联网预测性维护的技术链路从传感器到模型贯穿数据工程全流程。振动分析覆盖了旋转机械的主要故障模式，特征工程（时域/频域/时频域）提供了从原始信号到诊断指标的转换通道，RUL估计模型将诊断从"是否故障"推进到"何时故障"。
工程落地的最大约束不是算法能力，而是数据——故障样本的稀缺和标注困难使数据驱动模型的应用受限。混合模型（物理+数据）和迁移学习是当前可行的应对路径。预测性维护的工程成熟度取决于数据基础设施的完备性——高频数据存储、实时特征计算、模型推理数据供给，三者缺一不可。
