3. 预测维护的数据基础与信号体系

预测维护的精度上限，在数据采集那一刻就已经被决定了。算法再先进，也无法从一段被混叠污染、量程削顶或信噪比过低的信号中还原出真实的退化过程。因此，本节的核心不是“装传感器”，而是建立一套与故障机理匹配的信号体系：先明确要捕捉哪类物理量，再决定用什么传感器、以什么采样策略获取，最后评估这批数据是否真的“可用”。

一、五类典型信号的特点与适用边界

旋转机械、电机、液压与传动系统的退化，通常会在多个物理域同时留下痕迹，但不同信号的“敏感对象”和“提前量”差异很大。

• 振动信号：对轴承、齿轮、转子不平衡、不对中、松动最敏感，频带宽（从几Hz到数十kHz），早期故障常表现为高频共振调制或特征频率边带。它是旋转设备预测维护的主力信号，但易受安装位置、传递路径和结构共振影响。
• 温度信号：变化缓慢、惯性大，适合反映润滑劣化、过载、冷却失效、接触电阻增大等趋势性退化。它几乎不提供早期微弱故障信息，但作为“慢变量”与振动互补，可有效区分负载波动与真实退化。
• 电流信号：对电机定子绕组、转子断条、气隙偏心、负载异常敏感，属于非侵入式测量，无需在设备本体上安装传感器。其难点在于工频分量极强，故障特征常表现为边频带，需要较高的频率分辨率和解调处理。
• 油液信号：包括磨粒浓度、粒径分布、黏度、水分与添加剂消耗，直接反映磨损机理（切削磨损、疲劳剥落、腐蚀）。它提供的是“已经发生的磨损证据”，采样周期通常以周或月计，适合低速重载设备。
• 声发射信号：频率范围通常在100kHz～1MHz，对微裂纹萌生、轴承微点蚀、泄漏与摩擦极为敏感，提前量最大。但衰减快、易受环境噪声干扰，传感器耦合方式对结果影响显著。

选型的基本逻辑是：先由故障模式决定信号类型，再由信号类型决定传感器指标。例如，滚动轴承早期点蚀优先选振动加速度+包络分析，辅以声发射；而低速重载齿轮箱的疲劳裂纹，油液磨粒分析与声发射往往比常规振动更早给出提示。

二、采样策略：不是“越快越好”

采样策略要同时满足三个约束：能覆盖关注频段、能分辨特征频率、不产生混叠。依据奈奎斯特准则，采样率至少为最高分析频率的2倍；工程上通常取5～10倍，以留出抗混叠滤波器过渡带。例如，若关注轴承外圈故障特征频率约3.2 kHz及其谐波，分析带宽取10 kHz，则采样率宜设为25.6 kHz或51.2 kHz。

频率分辨率由采样时长决定：Δf = 1/T。若需要分辨间隔约2 Hz的边频带，采样时长至少0.5 s，配合3200谱线可得到较平滑的谱形。对于变速工况，还应引入阶次分析，将频率轴换算为转频倍数，避免转速波动导致谱线“抹平”。

温度、油液等慢变量则相反，重点在采样周期与工况归一化。同一台电机在负载70%与满载下的温度差可能超过10 ℃，若不记录负载与转速，趋势曲线会把工况波动误判为退化。因此，慢变量采集必须同步记录工况标签。

三、数据质量与可用性评估

采集到的数据并不等于可用数据。可用性评估建议从五个维度展开：

一个实用的做法是建立基线档案：设备大修后、稳定工况下连续采集不少于20组数据，计算均值与标准差，作为后续趋势判断的参考。若某测点基线标准差过大，说明安装或工况控制存在问题，应先解决采集一致性，再谈预测模型。

四、从信号到可用数据的判断示例

假设某风机驱动端轴承振动测点，采样率25.6 kHz，谱线3200，连续采集1 s。观察包络谱时发现：外圈故障特征频率BPFO约3.2 kHz处出现明显峰值，且两侧存在以转频为间隔的边带，边带幅值约为峰值的30%。同时，时域波形出现周期性冲击，冲击间隔与BPFO周期一致。此时可初步判断为外圈早期点蚀，建议缩短巡检周期并安排复测。

反之，若谱图中仅出现工频及其低次谐波，且幅值随负载线性变化，则更可能是对中或负载问题，而非轴承退化。这种“先排除工况干扰、再确认故障特征”的判断顺序，正是数据可用性评估的实际价值所在。

综上，预测维护的数据基础不是传感器数量的堆叠，而是信号类型与故障机理的匹配、采样参数与特征频率的匹配、数据质量与判断需求的匹配。三者对齐，后续的特征提取与寿命预测才有可靠输入。