预测性维护名词小词典：搞懂这5组术语才算入门

走进2026年的智能工厂，设备维护不再是‘坏了再修’或‘定期换件’，而是靠数据说话。但要理解这套系统，得先弄清几个核心术语。

1. 状态监测与数据采集术语

振动分析：捕捉设备旋转部件的振动信号，通过频谱分析识别不平衡、不对中、轴承磨损等早期故障。常见的测量参数包括加速度、速度、位移。现场判断时，重点关注趋势变化——同一测点振幅比基线值上升30%以上就需警惕。

油液分析：通过检测润滑油中的金属颗粒、粘度、酸值等指标，判断齿轮、轴承的磨损程度。铁谱分析能区分正常磨损与异常切屑。实际应用中，采样周期很关键——新油磨合期后每1000小时一次，高负荷设备可缩短至500小时。

热成像：红外热像仪拍摄设备表面温度分布，过热点往往对应电气接触不良、轴承过热或隔热层失效。注意：环境温度、发射率设定都会影响读数，同一设备不同季节的基线要分别建立。

传感器：把物理量转化为电信号的器件。加速度传感器（ICP型）用于振动，热电偶/RTD用于温度，电涡流传感器用于轴位移。选型时要考虑量程、频率响应和防护等级（IP65以上适用于恶劣环境）。

2. 故障诊断与识别术语

故障模式：设备可能出现的典型失效形式，如轴承内圈裂纹、齿轮断齿、电机转子断条。故障模式数据库是诊断的基础，通常基于FMEA（失效模式与影响分析）建立。2026年主流做法是用行业通用模板，再通过历史数据补充个性化模式。

特征提取：从原始信号中提炼能反映故障状态的指标。振动信号常用时域指标（RMS、峰值因数）、频域指标（边频带、谐波能量）。油液中的颗粒浓度和尺寸分布也是特征。特征选择的原则：对不同故障敏感，且受工况波动影响小。

阈值设定：区分正常与异常的界限值。静态阈值（如振动速度≤4.5 mm/s）简单但易误报；动态阈值（根据转速、负载实时调整）更可靠。实践中，先收集3个月以上正常数据，取均值±3σ作为初始阈值，后续每季度复核。

3. 预测与剩余寿命术语

剩余使用寿命（RUL）：设备从当前时刻到发生故障所剩的可用时间，单位通常是小时或次数。RUL预测依赖退化模型（如指数衰减、维纳过程）。注意：RUL是概率分布而非定数，一般给出中位数和置信区间（如“95%置信下还能运行200±30小时”）。

健康指数（HI）：一个01之间的综合评分，1表示全新，0表示失效。HI由多个特征融合而成，常用方法有主成分分析、逻辑回归。阈值通常设在0.30.5之间，低于该值触发维修。不同设备类型的HI退化曲线差异很大——轴承是加速退化，而齿轮多为线性退化。

预测窗口：从发出预警到预期失效的时间段。窗口太短来不及准备备件，太长则误报率高。一般根据设备维修周期设定——旋转机械提前7~14天，静设备可放宽到30天。2026年有了可配置的窗口算法，能根据历史准确率自动调整。

4. 关键算法与模型术语

机器学习模型：用历史数据训练出的预测器。常用算法有随机森林、支持向量机、LSTM神经网络。评价指标包括准确率、召回率、F1分数。注意：模型需要定期用新数据重新训练，否则会因工况漂移而失效。一般每季度或每次大修后更新。

迁移学习：将一个设备上训练的模型用于同类但不同工况的设备。例如，用A产线泵的数据训练后，微调应用到B产线的泵上。这能减少数据采集成本，但要求基础架构和传感器配置一致。迁移时保留前几层特征提取层，只微调最后一层分类器。

异常检测：识别与正常模式显著偏离的行为。常用孤立森林、自编码器。无监督方法适合缺乏故障样本的场景。落地时要注意概念漂移——设备正常磨损也会改变基线，所以正常模型需持续更新。

5. 部署与架构术语

边缘计算：在设备附近完成数据预处理和初步诊断，只将结果上传云端。边缘节点通常用嵌入式板卡（如NVIDIA Jetson、树莓派）。优势是低延迟（<10ms）、节省带宽。2026年工业边缘网关已支持ONNX模型直接部署，推理时间可控制在50ms内。

云平台：集中存储、分析和管理所有设备的数据与模型。提供可视化仪表板、报警通知、报表生成。主流平台有AWS IoT、Azure IoT、华为云IoT。注意数据安全——加密传输（TLS 1.2以上）和访问控制（RBAC）是基本要求。

PHM（故障预测与健康管理）：覆盖从数据采集到维修决策的完整框架，包括状态监测、故障诊断、寿命预测、维修建议四个层级。实际落地时，很多企业从单机PHM开始，逐步扩展到产线和全厂。投资回报率（ROI）一般通过减少非计划停机时间和降低备件库存来估算。

常见问题