1. 课程导入
在工业现场，设备一旦失效，损失往往不是“换一个零件”那么简单。非计划停机可能造成整条产线停摆、批次报废、交付延期，甚至引发安全与环保事故。传统“坏了再修”或“定期换件”的策略，虽然简单，却存在两个根本问题：一是维修发生在故障之后，损失已经产生；二是定期更换可能把仍有剩余寿命的部件提前报废，造成维护成本浪费。设备健康管理（PHM，Prognostics and Health Management）要解决的，正是把维护决策从“事后”和“定时”推进到“事前”和“按需”。
一、为什么设备健康管理越来越重要
现代设备呈现三个趋势：结构复杂化、运行连续化、数据可采集化。复杂意味着故障模式多且耦合；连续运行意味着停机窗口稀缺；数据可采集意味着我们有机会用数据刻画设备的“健康状态”。设备健康管理的价值可以归纳为四个层面：
- 安全层：提前识别轴承磨损、齿轮裂纹、绝缘老化等隐患，避免突发失效引发事故。
- 经济层：减少非计划停机与过度维修，降低备件库存和人工成本。
- 运营层：让检修计划与生产计划协同，把停机安排在可控窗口内。
- 知识层：把老师傅的“听音辨障”经验沉淀为可复用的指标、模型与规则。
需要强调的是，健康管理不是“买一套软件”，而是一套贯穿数据采集、信号处理、模型分析和业务决策的工程体系。缺少任何一环，预测结果都无法真正落地。
二、课程学习目标
本课程围绕“指标”与“趋势”两个关键词展开，目标是让学习者具备从数据到决策的完整能力。具体包括：
- 理解设备退化的一般规律，掌握健康指标（HI）的构建原则与评价方法。
- 能够对振动、温度、电流等典型信号进行特征提取与时频分析。
- 掌握退化趋势建模方法，包括统计模型、机器学习与深度学习方法。
- 能够估计剩余使用寿命（RUL），并给出置信区间与不确定性说明。
- 能够把预测结果转化为维护阈值、检修计划和备件策略。
- 具备对模型进行验证、复盘与持续改进的工程思维。
三、整体知识框架
课程知识框架可分为五层：数据层、特征层、指标层、预测层和决策层。数据层解决“采得准”；特征层解决“提得对”；指标层解决“看得懂”；预测层解决“算得准”；决策层解决“用得上”。下图给出本章的实战路线图，也是后续各章节的展开主线。
四、典型场景：从“救火”到“预判”
以某风电场齿轮箱为例。过去采用定期检修，每半年停机检查一次，但齿轮箱内部点蚀往往在两次检修之间发展为断齿，导致突发停机。引入健康管理后，现场在齿轮箱上加装振动加速度传感器，按固定工况采集数据，提取包络谱中的啮合频率边带能量作为健康指标。当指标越过预警阈值时，系统提示安排内窥镜检查；当指标接近报警阈值时，提前准备备件并申请停机窗口。结果是：非计划停机次数下降，检修从“到期就拆”变为“按状态安排”。
五、常见误区与复盘
| 误区 | 表现 | 正确做法 |
|---|---|---|
| 只看单一特征 | 仅用振动有效值判断所有故障 | 结合时域、频域、工况信息综合判断 |
| 忽略工况影响 | 转速变化导致指标剧烈波动 | 按工况分层建模或做工况归一化 |
| 阈值拍脑袋 | 阈值过松漏报、过紧误报 | 基于历史数据与失效样本统计确定 |
| 模型不验证 | 训练集效果好，现场无法复现 | 留出独立测试集，做滚动验证 |
| 预测不落地 | 给出RUL却没有检修动作 | 把预测结果映射到阈值、工单与备件 |
六、实战路线图与学习建议
建议按“先通链路、再攻单点”的顺序学习。第一步，跑通一条最小链路：读取一段振动数据，提取一个特征，画出一条趋势线。第二步，逐步替换环节：换更合适的特征、换更稳健的指标、换更准确的模型。第三步，用真实工况数据检验，记录误报与漏报，持续修正阈值与模型。
# 最小链路示例（伪代码）
signal = load_vibration("gearbox_2024.csv") # 读取振动数据
feat = extract_rms(signal) # 提取有效值特征
hi = normalize(feat, baseline) # 构建健康指标
trend = fit_degradation(hi) # 拟合退化趋势
rul = predict_rul(trend, threshold=0.8) # 预测剩余寿命
print("预计剩余可用时间：", rul, "小时")