设备预测维护¶

项目背景与目标¶

工业设备故障停机带来巨大损失：单条产线停机每小时损失可达数十万元，突发故障还可能引发安全事故。传统维护模式（事后维修 + 定期保养）存在"维修过度"与"维修不足"并存的问题。预测性维护（Predictive Maintenance, PdM）通过传感器数据分析，在故障发生前预警并安排维护，最大化设备可用性同时降低维护成本。

本项目目标是构建一个设备预测维护 Agent，通过传感器数据采集、异常检测、故障预测、维护建议，实现从"坏了修"到"预测防"的转变。

需求分析¶

核心能力： 1. 数据采集：振动、温度、压力、电流、声学等多维传感器数据 2. 异常检测：实时识别偏离正常状态的设备 3. 故障预测：预测剩余使用寿命（RUL）与故障时间窗口 4. 故障诊断：定位故障类型与部位 5. 维护建议：维护时机、内容、备件准备 6. 健康评估：设备健康度评分与趋势

设备类型：旋转机械（电机、泵、风机）、静止设备（换热器、反应釜）、移动设备（AGV、叉车）。

技术选型说明¶

模块	技术方案	选型理由
数据采集	MQTT + 时序数据库	高频传感器数据接入
异常检测	Isolation Forest + Autoencoder	无监督异常检测
故障预测	LSTM + Survival Analysis	时序预测与寿命估计
故障诊断	1D-CNN + 规则	振动信号诊断
Agent 框架	LangGraph	维护决策流程
LLM	Qwen-Max	诊断报告与建议
后端	FastAPI + Flink	实时流处理
数据库	TimescaleDB + InfluxDB	时序数据

架构设计¶

flowchart TD
    SENSOR[传感器] --> EDGE[边缘网关]
    EDGE --> MQTT[(MQTT)]
    MQTT --> STREAM[Flink 流处理]
    STREAM --> TDB[(时序数据库)]
    STREAM --> ANOM[异常检测]
    ANOM --> AGENT[预测维护 Agent]
    AGENT --> RUL[寿命预测]
    AGENT --> DIAG[故障诊断]
    RUL --> LSTM[LSTM 模型]
    DIAG --> CNN[1D-CNN]
    AGENT --> HEALTH[健康评分]
    AGENT --> MAINT[维护建议]
    MAINT --> LLM[LLM 生成]
    AGENT --> ALERT[告警推送]
    TDB --> TRAIN[模型训练]
    HIST[历史故障] --> TRAIN

关键模块实现思路¶

模块1：传感器数据采集与特征工程¶

高频传感器（振动采样可达 kHz）数据量大，需在边缘做特征提取降低传输量。时域特征（均值、方差、峰值、峭度）、频域特征（FFT 频谱、功率谱密度）、时频域特征（小波包能量）多维刻画设备状态。

def extract_features(vibration_signal):
    time_feat = {
        "rms": np.sqrt(np.mean(signal**2)),
        "kurtosis": scipy.stats.kurtosis(signal),
        "crest_factor": np.max(signal) / rms(signal)
    }
    freq_feat = fft_features(signal)
    return {**time_feat, **freq_feat}

特征工程是 PdM 成功关键，需结合设备机理知识选择有效特征。

模块2：异常检测¶

无监督异常检测适用于缺乏故障标注的场景。双模型策略： - Isolation Forest：基于特征向量检测异常样本 - Autoencoder：重建误差超阈值判定异常，捕捉细微异常

def detect_anomaly(features, if_model, ae_model):
    if_score = if_model.decision_function(features)
    ae_recon = ae_model.predict(features)
    ae_error = np.mean((features - ae_recon)**2)
    return if_score < -0.5 or ae_error > threshold

双模型交叉验证降低误报，异常触发后进入故障预测与诊断。

模块3：故障预测与 RUL 估计¶

故障预测两类方法： - LSTM 时序预测：基于退化趋势预测未来状态，达到故障阈值的时间即 RUL - 生存分析：基于设备运行时长、工况、历史故障估计剩余寿命分布

def predict_rul(history_features, threshold):
    # LSTM 预测未来特征轨迹
    future = lstm_model.predict(history_features, horizon=100)
    # 找到首次超过故障阈值的时间点
    for t, val in enumerate(future):
        if val > threshold:
            return t  # 剩余寿命
    return horizon  # 预测期内无故障

RUL 输出点估计 + 置信区间，维护决策考虑不确定性。

模块4：故障诊断¶

故障类型诊断需结合机理与数据。旋转机械常见故障（不平衡、不对中、轴承故障、齿轮磨损）有特征频谱：轴承外圈故障频率 = BPFO，可用包络解调识别。1D-CNN 直接从原始振动信号学习故障模式，结合规则做机理校验。

def diagnose_fault(vibration_signal, rotating_speed):
    spectrum = fft(vibration_signal)
    faults = []
    if has_peak_at(spectrum, bpfo_frequency(rotating_speed)):
        faults.append({"type": "轴承外圈故障", "confidence": 0.85})
    if has_peak_at(spectrum, 1 * rotating_speed):
        faults.append({"type": "不平衡", "confidence": 0.9})
    return faults

模块5：维护建议生成¶

LLM 综合异常检测、RUL、故障诊断结果生成维护建议：维护时机（立即/计划窗口）、维护内容（更换部件/调整/检查）、备件准备、人员安排、风险评估。

MAINTENANCE_PROMPT = """设备维护建议生成：
设备：{equipment}
当前状态：{health_score}
异常：{anomalies}
故障预测：{diagnosis}
RUL：{rul}
要求：给出维护时机、内容、备件、人员建议"""

核心流程详解¶

实时监控流程： 1. 传感器数据高频采集 → 边缘特征提取 2. Flink 流处理 → 异常检测实时运行 3. 异常触发 → 故障诊断与 RUL 预测 4. Agent 生成维护建议 → 推送维护团队 5. 健康看板实时更新

维护决策流程： 1. RUL < 警告阈值 → 生成维护工单 2. 评估维护窗口：结合生产计划选最优时机 3. 备件库存检查 → 缺件则提前采购 4. 维护执行 → 记录维护内容与发现 5. 维护后状态评估 → 验证效果 → 模型更新

部署与优化建议¶

边缘计算：高频数据处理在边缘，降低带宽与延迟
机理融合：纯数据驱动模型结合设备机理知识，提升可解释性
标注积累：每次故障与维护记录回流为标注数据
工况分群：不同工况下设备状态基准不同，需分群建模
告警分级：避免告警风暴，按紧急度分级推送
备件联动：维护建议联动备件库存系统，自动触发采购

常见问题与解决方案¶

问题	原因	解决方案
误报多	工况变化误判异常	工况分群 + 自适应阈值
故障样本少	设备可靠性高	数据增强 + 迁移学习
RUL 不准	退化规律复杂	多模型集成 + 置信区间
传感器故障	数据失真	数据质量校验 + 冗余传感器

扩展方向¶

数字孪生：设备虚拟镜像仿真维护方案
AR 辅助维护：增强现实指导现场维修
备件预测：基于 RUL 预测备件需求
能效优化：维护决策兼顾能耗优化