旋转设备（电机、泵、风机、压缩机等）是工业生产中数量最多、分布最广的设备类型，其健康状况直接影响生产连续性和安全运行。传统的维护策略包括事后维修和定期预防性维修，前者导致非计划停机损失，后者造成过度维修浪费。预测性维护（PdM）通过实时监测设备状态，预测故障发生的时间和类型，在故障发生前安排维修，实现按需维护，是旋转设备维护策略的最优解。然而，预测性维护从理论到落地的过程中，面临着数据质量、模型精度和工程实施等多重挑战。
振动分析是旋转设备状态监测最成熟和有效的方法。旋转设备的典型故障模式包括不平衡、不对中、轴承故障、齿轮故障和结构松动等，每种故障在振动频谱中都有特征性的表现。不平衡的振动特征为1倍频（1X）幅值突出；不对中表现为2倍频（2X）幅值增大，可能伴有1X和3X分量；滚动轴承外圈故障的特征频率为BPFO（Ball Pass Frequency Outer），内圈故障为BPFI，滚动体故障为BSF。这些特征频率可以通过轴承几何参数计算得到，为故障诊断提供了明确的目标。
数据采集系统是预测性维护的基础设施。工业级振动数据采集方案包括在线监测和离线巡检两种模式。在线监测在关键设备上永久安装振动传感器（通常为压电加速度计），通过数据采集器连续采集振动数据，采样频率通常为10-50kHz，满足高达25kHz的频率分析需求。离线巡检使用便携式振动分析仪，定期对设备进行巡检测量，适合数量多但非关键的设备群。某石化企业的泵群共有200多台泵，其中30台关键泵采用在线台采用每月一次的离线巡检，投资和覆盖范围取得了良好平衡。
特征提取是振动数据分析的核心步骤。时域特征包括有效值（RMS）、峰值、峰值因子和峭度等，时域特征计算简单，适合快速评估设备总体状态。频域特征通过FFT将时域信号转换到频域，提取特定频率分量的幅值，可以识别具体的故障类型。时频域特征（如小波包分解和短时傅里叶变换）适合处理非平稳信号，如变速工况下的振动信号。包络分析（Hilbert变换）是轴承故障检测的关键技术，通过对振动信号进行带通滤波、Hilbert变换和解调，提取轴承故障引起的高频共振调制信号，在早期故障阶段即可检测到微弱的故障特征。
机器学习模型正在成为预测性维护的核心分析引擎。传统的振动分析依赖专家经验解读频谱，效率低且主观性强。机器学习模型可以从大量历史数据中自动学习故障模式，实现自动化的故障诊断和剩余寿命预测。常用的模型包括支持向量机（SVM）、随机森林、XGBoost和深度学习模型（CNN、LSTM）。SVM在小样本场景下表现稳定，适合故障分类；随机森林和XGBoost对特征工程要求低，鲁棒性强；CNN可以直接从振动时域信号中提取特征，减少了手动特征工程的工作量；LSTM擅长处理时序数据，适合剩余寿命预测。
某风力发电场的预测性维护系统案例中，30台2MW风机的齿轮箱和主轴承部署了在线振动监测系统。振动数据每小时采集一次（采样频率25.6kHz，采集时长2秒），自动提取30个时域和频域特征。基于3年的运行数据（包含15次轴承故障事件），训练了XGBoost故障分类模型和LSTM剩余寿命预测模型。XGBoost模型的4分类（正常、外圈故障、内圈故障、滚动体故障）准确率达到92%，LSTM模型对轴承剩余寿命的预测误差在±15天以内。系统上线后，非计划停机次数从年均8次降至1次，维护成本降低约35%。
模型优化是预测性维护系统持续改进的关键。模型的性能受多种因素影响：数据不平衡（正常样本远多于故障样本）、工况变化（转速和负载变化影响振动特征）和概念漂移（设备老化改变振动基线）。针对数据不平衡，可以采用SMOTE过采样或代价敏感学习；针对工况变化，需要将振动特征对转速和负载进行归一化处理（如阶次分析替代频率分析）；针对概念漂移，需要定期用新数据重新训练模型或采用在线学习算法。某泵站预测性维护系统在运行1年后发现模型误报率从初期的3%上升至12%，分析原因是泵的运行工况发生了变化。将转速和流量作为辅助特征加入模型，并使用最近6个月的数据重新训练后，误报率降至4%。
预测性维护系统的工程实施需要注意以下要点。首先，传感器安装位置的选择至关重要，应尽量靠近故障源（如轴承座），避免信号传递路径过长导致衰减。其次，数据传输的可靠性需要保障，工业现场的电磁干扰可能导致数据丢失，建议在本地边缘设备上缓存数据，网络恢复后自动上传。第三，报警阈值的设置需要结合历史数据和专家经验，过低的阈值导致误报泛滥，过高的阈值则漏报危险故障。建议采用多级报警策略：注意级（黄色预警）提示设备状态异常需关注，警告级（红色报警）提示设备需要安排检查，危险级（紧急报警）提示设备需要立即停机。某化工厂的预测性维护系统采用三级报警后，有效报警率从30%提升至75%，运维人员对系统报警的响应率显著提高。
综合来看，旋转设备预测性维护的落地需要从数据采集、特征提取、模型构建和工程实施四个环节系统推进。振动分析提供了成熟的特征提取方法，机器学习模型实现了自动化的故障诊断和寿命预测，模型优化确保了系统在长期运行中保持高性能。预测性维护不是一次性项目，而是持续运营的服务，需要不断积累数据、优化模型和迭代改进，才能真正实现从救火式维修到预防式维护的转变。
从架构设计角度探讨智能工厂MES系统的构建方法，重点分析产线数据集成的技术路径，结合汽车和电子制造案例给出MES系统的选型与实施建议。
系统介绍工业PID控制回路的性能评估方法与自整定技术进展，从性能指标定义到评估算法再到自整定策略，结合过程工业案例给出回路优化的工程方案。
聚焦协作机器人的安全控制系统设计，从ISO/TS 15066标准解读到力控交互技术实现，结合装配和打磨案例给出协作机器人安全与性能兼顾的设计方案。
系统分析SCADA系统的网络安全威胁与防护需求，从网络分区、访问控制、入侵检测和应急响应四方面构建纵深防御体系，结合能源行业案例给出工控安全方案。
聚焦OPC UA over TSN在多品牌设备集成中的部署实践，从信息模型统一、网络配置到实时性验证全流程展开，结合自动化产线案例给出多品牌互操作方案。
介绍数字孪生在柔性产线仿真与产能优化中的应用，从建模方法、仿真引擎到优化策略全流程展开，结合汽车柔性产线案例给出数字孪生系统的构建方法。