2. 故障检测与运维体系框架

海洋无人装备长期处于高盐雾、强振动、通信受限和任务不可中断的复杂环境中，单点式的“坏了再修”模式既不经济也不安全。一个可落地的故障检测与运维体系，应当把状态监测、故障诊断、预测性维护与健康管理串成闭环，并用标准规范约束数据、流程与判据，使每一次运维动作都可追溯、可复用、可迭代。本节围绕这一闭环展开，说明各环节的输入输出、关键技术与工程落地要点。

一、体系框架的整体结构

从信息流角度看，海洋无人装备的运维体系可分为四层：感知层负责采集振动、电流、温度、压力、姿态、通信链路质量等原始信号；数据处理层完成滤波、特征提取、异常检测与数据入库；诊断与预测层依据特征与模型判定故障类型、定位故障部件，并估计剩余使用寿命（RUL）；决策与执行层输出维护建议、备件计划与任务调整方案，并将执行结果反馈回数据层，形成闭环。标准规范贯穿四层，规定采样频率、数据格式、故障编码、健康等级划分与维护记录字段。

二、状态监测：把“看不见的退化”变成可读数据

状态监测的核心不是“多装传感器”，而是围绕关键部件选择能反映退化机理的监测量。以水下推进电机为例，轴承磨损在振动信号中表现为特定频段的能量上升，绕组绝缘退化则更多体现在电流谐波与温升上。工程上通常约定：振动采样频率不低于 2 kHz，电流采样与电机基频同步，温度采样周期 1 s，所有数据带统一时标与工况标签（航速、深度、负载）。

一个常见的误区是只存原始数据而不存工况。同一台电机在巡航与机动工况下的振动幅值差异可能超过 30%，若缺少工况标签，后续阈值判断会把正常机动误判为异常。因此监测环节必须同步记录工况上下文，并在数据入库时按“装备编号—部件—测点—时间—工况”建立索引。

三、故障诊断：从特征到故障编码

诊断环节把特征向量映射为故障结论。工程上常用“规则阈值 + 模型分类”双通道：规则通道负责快速报警，例如振动有效值超过基线 1.5 倍且持续 3 个采样周期即触发；模型通道负责细分故障类型，例如用支持向量机或轻量神经网络区分“轴承外圈故障”“转子不平衡”“联轴器松动”。两条通道的结论都归一到统一的故障编码，例如 PROP-BRG-01 表示推进器轴承类故障，便于跨装备统计与备件匹配。

诊断输出应包含三项：故障类型编码、故障位置（部件与测点）、置信度。置信度低于设定值（示例取 0.7）时，系统不直接下结论，而是转入人工复核或增加采样密度，避免误诊导致不必要的返航。

四、预测性维护与健康管理：从“当前状态”到“剩余寿命”

预测性维护的关键是建立退化模型并估计剩余使用寿命。以轴承为例，可提取振动信号的健康指标 HI（如包络谱峰值能量），对 HI 序列拟合退化趋势。示例中假设某推进器轴承 HI 在 200 小时内由 0.2 线性上升至 0.55，失效阈值为 0.8，则按线性外推 RUL ≈ (0.8−0.55)/((0.55−0.2)/200) ≈ 143 小时。该结果属于示例假设，实际工程中需用多组历史数据校准，并给出置信区间而非单点值。

健康管理则把 RUL 与任务计划结合：若下次任务周期为 120 小时且 RUL 估计为 143 小时，可安排任务后维护；若 RUL 低于任务周期，则应提前更换或调整任务剖面。健康等级（Ⅰ～Ⅴ级）为决策提供统一语言，避免不同人员对“还能不能用”判断不一致。

五、标准规范：让闭环真正闭合

闭环能否持续运转，取决于规范是否把“数据—判据—动作—记录”固定下来。建议至少明确以下内容：数据格式与命名规则、采样参数与量程、故障编码体系、健康等级划分及对应处置权限、维护记录必填字段（装备编号、故障编码、更换件批次、执行人、时间、验证结果）。此外，阈值与模型版本必须纳入配置管理，每次调整留痕，否则同一故障在不同时间可能得到不同结论，闭环就退化为“各说各话”。

综上，海洋无人装备的运维体系不是四个孤立模块的堆叠，而是以标准规范为约束、以数据反馈为纽带的闭环。状态监测提供可信输入，故障诊断给出可复核结论，预测性维护与健康管理把结论转化为可执行的维护决策，执行结果再回流修正阈值与模型，使体系随装备运行不断收敛到更准确的判断。