1、开篇

在智能制造时代，数据正在成为新的生产力。依托边缘计算架构，软硬一体的设备诊断系统正在帮助企业实现设备的预测性维护与健康管理。

2、预测维护发展趋势与价值

随着工业数字化进程加快，预测性维护已成为设备管理的重要趋势。数据显示，应用PHM技术可减少停机损失金额25%，减少停机事件70%，减少停机时间35%，并增加生产时间20%。这些价值已经在汽车、食品、半导体、制药、钢铁等行业得到了广泛验证。

在设备状态监测领域，传统方式主要分为传感器报警模式和专家看图谱服务模式。

传感器报警模式的优势是实时性强、成本低，当设备振动或温度超过设定阈值时，系统会立即发出警报，适合快速反应型场景。但它的局限在于只能反映“数值是否超标”，无法判断故障原因，也难以区分偶发波动与真实隐患。

专家看图谱服务模式依靠资深工程师对振动频谱、时域波形进行分析，能够精准识别故障类型和严重程度。这种模式诊断精度高，能提供详细的维修建议。但问题在于依赖专家经验、响应周期长、人力成本高，难以规模化应用。

现代设备诊断系统融合了两者的优势：既像传感器报警一样实时采集数据，又像专家一样自动分析图谱，基于AI机理模型和故障库，直接给出部件级诊断结果。这样既保证了实时性，又消除了对专家的依赖，让预测性维护真正可复制、可推广。

3、设备诊断系统核心特性

一套成熟的设备诊断系统应具备以下核心能力：

• 软硬一体，开箱即用

• 覆盖多类设备故障AI机理模型，免调试即插即用

• 精准预警，严格遵循ISO 20816标准，提前1-3个月实现部件级预警

• 故障诊断实时定位，内置丰富设备故障库，提供精准诊断与维保建议

• 部署高效，从选型到部署全流程标准化，单设备快速上线，成本可控，易于复制

4、电机、泵、风机设备典型故障危害与预测维护价值

电机：滚动轴承高温异常

• 轴承润滑失效→加剧磨损→轴承卡死/电机停转；长期高温→绝缘老化→电机烧毁风险

• 温度/振动传感器提前捕捉异常→计划性停机换轴承→避免非计划停机+降低抢修成本

泵：泵叶轮磨损

• 叶轮效率下降→扬程/流量不足→工艺不达标；磨损加剧→气蚀/振动→泵/电机损坏

• 监测振动/压力/电流→预判磨损→提前换叶轮/调参数→防停产+减连带损坏损失

风机：联轴器不对中/磨损

• 导致风机轴承受额外载荷，加速磨损

• 延长风机轴承乃至整台风机的使用寿命，把故障后被动停机维修转变为主动预防性维护，大幅减少非计划停机次数与时长

5、应用架构

设备诊断系统位于边缘层，向上通过云边协同，接入设备云智联平台。它不仅支持接入EAM资产管理和PMS设备绩效等第三方应用，还能实现设备全生命周期管理。

在算法层面，系统支持部件级智能预警，结合静态阈值（基于ISO20816）和动态阈值（增速/增幅分析），并通过故障劣化分析，真正实现提前预警。

6、硬件规格基础

作为工业级产品，硬件的可靠性是基础。

边缘计算设备采用ARM架构，标配多核CPU、大容量内存与存储，运行Linux系统。配备多种工业通讯接口，防护等级达到IP67，能适应恶劣的工业环境。同时支持选配Wi-Fi、4G以及无线模块，满足不同场地的网络需求。

7、传感器选型

精准的数据采集离不开合适的传感器，主要类型包括：

• 高频智能振温传感器：适用于高精度需求场景

• 通用振温传感器：具备级联功能，适合多点部署

• 数字电机传感器：专门用于变频设备监测

• 无线智能振温传感器：三轴振动，电池供电，无需布线，安装极其便捷

所有传感器均符合ISO20816标准。

8、硬件部署形态

基于不同传感器类型，提供了三种灵活的部署形态：

• 总线方案：适用于短距离、高可靠性的场景

• 总线级联方案：通过智能总线串联多个传感器，适合设备集群

• 无线方案：利用无线传感器，彻底解决布线难题，特别适合改造项目

这种灵活性确保了方案可以覆盖从单机到全厂的各种需求。

9、传感器安装标准化

为了让部署更简单，推行了安装标准化流程：

第一步，确认传感器位置，参照设备测点说明。
第二步，安装磁吸底座，如需粘接设备表面，可使用工程胶。
第三步，安装传感器至磁吸底座。

整个过程无需打孔，零损伤安装。配有标准手册和视频辅助，确保现场人员一看就会。

10、快速配置：设备选型

硬件装好后，软件配置同样高效。

系统内置了多类工业设备AI机理模型：

• 泵类：悬臂离心泵、双支撑泵、多级泵、高速泵、水环真空泵、直连泵

• 风机类：悬臂离心风机、双支撑风机、冷却塔风机、罗茨风机、直连风机、轴流风机

只需勾选对应的设备类型，系统即可自动匹配算法。

选好设备后，接下来是选择监测功能。系统支持多项部件级智能预警，包括联轴器、滚动轴承、叶轮、电机定子、转子等，同时覆盖多种典型故障类型的诊断。用户可以根据实际需求灵活勾选。

11、智能预警与故障库

设备故障库主要分为三大类：

• 电机诊断故障：风扇叶片磨损、轴承高温等

• 泵诊断故障：叶轮磨损、泵堵塞等

• 风机诊断故障：风机不平衡、基础刚性差等

基于设备运行情况，系统能进行状态异常检测，准确率可达90%及以上，并提前1-3个月发现隐患。

12、基于模型的自动故障诊断

现代诊断系统的诊断结果与现场拆解结果高度一致。系统内部经过复杂的运算，从时域和频域两个维度提取能够反映设备运行状态的特征值。

时域特征提取：反映振动信号随时间变化的统计规律，对早期的微弱冲击故障非常敏感。

• 峭度：对冲击特征极其敏感，当设备发生轴承点蚀、剥落等故障时，峭度值显著增大

• 裕度因子：主要用于检测机械系统中的磨损情况

• 均方根值与峰值：反映振动信号的整体能量水平和瞬时最大振幅

• 偏度、标准差：反映信号分布的对称性和波动程度，有助于判断是否存在摩擦、碰撞等异常

频域特征提取：将时域的振动信号通过傅里叶变换转换到频率轴上，不同的故障类型在频谱图上有特定的表现。

• 风机不平衡：在频谱上表现为转速频率处有明显的能量峰值

• 轴承故障：表现出轴承内外圈、滚动体等特定特征频率的异常

• 不对中：通常在2倍转频频率处有突出峰值

系统通过时域和频域特征值的计算与故障模型匹配，得出故障识别和预测结果。不仅能报警，还能提供具体的维保建议。

13、设备特征值动态跟踪

除了报警和诊断，系统还提供设备特征值动态跟踪，持续记录振动速度、加速度、包络值等关键指标的变化趋势。

通过这些曲线，管理人员可以直观地看到设备健康的劣化过程，从而合理安排维修窗口，避免在订单高峰期被迫停机。

14、边云协同

在架构上，方案强调边云协同：

• 边缘端：负责实时的数据采集与毫秒级诊断，保证数据安全与低延迟

• 云端：负责大数据的汇聚、模型库的更新以及集团级的设备集群管理

这种架构既满足了现场快速响应的需求，又实现了集团层面的数字化管控。

15、典型案例：钢铁行业设备预测性维护

在某钢厂的硅钢智慧制造项目中，主要挑战是设备众多且与现有系统集成难。

通过加装无线传感器和智能网关，并与现场已有的DCS系统整合，实现了设备的实时监控、智能预警和诊断。项目成果显著，不仅打破了“信息孤岛”，还提升了企业的精细化管理程度。

16、典型案例：石化行业导热油泵轴承故障预警

某石化企业的导热油循环泵（悬臂离心泵）项目中，系统监测到非驱动端振动速度有效值飙升高值，包络峰值异常。

系统诊断为泵轴承故障。企业按建议停机检修，发现轴承内/外滚道严重剥落。更换后设备恢复正常，成功避免了产线的非计划停机。

17、典型案例：半导体行业风机故障诊断

在半导体制造领域，系统监测到新风机组电机非驱动端振动值超标，触发预警。

数据分析显示主要频率为转频的1倍频，系统定位为电机基础减震器损伤。现场检查确认后更换减震器，设备重回稳定运行，保障了洁净室环境。

18、典型案例：汽车行业涂装车间隐患排查

某合资车企的净化气风机触发高等级报警。数据显示轴承加速度包络值剧增，且伴随温度升高。

系统诊断为皮带端联轴器轴承损伤且润滑不良。车间重新加脂后，设备恢复正常，验证了系统的灵敏度和有效性。