3、关键绩效指标（KPI）选取：从设备数据中锁定风险信号

各位工程师朋友，咱们接着聊。上一章我们把设备风险拆解成了可量化的维度，那下一步自然就是——拿什么数据来量化？

说白了，KPI 选取就是给设备“把脉”。你不可能把设备上所有传感器数据都塞进模型，那样不仅算力扛不住，还会引入大量噪声。我个人的习惯是：先定风险场景，再选对应指标。设备要坏，总得先有点“不舒服”的表现吧？振动大了、温度高了、电流飘了、压力稳不住了……这些就是信号。

3.1 四大核心KPI：振动、温度、电流、压力

在工业现场摸爬滚打这么多年，我发现绝大多数旋转类、流程类设备的失效前兆，都逃不出这四个维度。咱们一个一个说。

3.1.1 振动：设备的“心电图”

振动数据是设备健康状态最灵敏的指标之一。轴承磨损、转子不平衡、不对中、松动……这些机械故障几乎都会在振动信号上留下痕迹。

• 常用特征：通频振动总值（mm/s 或 g）、各倍频分量（1X、2X、0.5X 等）、包络谱峰值。
• 我建议：不要只看总值。总值只能告诉你“有没有问题”，但很难告诉你“哪里有问题”。配合频谱分析，才能定位故障源。

3.1.2 温度：设备的“体温计”

温度异常通常意味着摩擦加剧、冷却失效、过载或介质问题。轴承过热、电机绕组温升、液压油温过高……这些都是常见风险信号。

• 常用特征：绝对温度值、温升速率、与环境温度的温差。
• 注意：温度响应通常比振动慢，但它更稳定，不容易受瞬态工况干扰。

3.1.3 电流：设备的“能耗表”

电流直接反映设备的负载情况。电流异常升高，可能意味着机械卡涩、介质密度变化、电压波动或电机自身故障。

• 常用特征：三相电流平均值、三相不平衡度、电流谐波含量。
• 应用场景：泵类、风机、压缩机、输送机等变负载设备。

电流数据有个好处——大部分设备已经装了电表或变频器，数据获取成本极低。你想想看，不用额外加传感器，就能拿到一个很有价值的风险指标，何乐而不为？

3.1.4 压力：设备的“血压计”

压力波动能反映管道堵塞、阀门故障、泵气蚀、密封泄漏等问题。尤其在流体系统中，压力是判断系统是否“通畅”的关键。

• 常用特征：进出口压差、压力脉动幅值、压力建立/泄放时间。
• 我特别关注：压差。比如过滤器前后压差突然增大，基本可以判断滤网堵塞了。

3.2 KPI选取的三大原则

指标不是越多越好。我总结了三句话，帮你快速筛选：

原则	说明	反面案例（我踩过的坑）
相关性	该指标与目标失效模式有明确的物理或统计关联	某次把环境湿度作为轴承寿命的KPI，结果模型完全无效——湿度与轴承失效的因果关系太弱
可获取性	数据能稳定、实时、低成本地采集到	某项目想用油液金属颗粒数做KPI，结果现场没有在线传感器，人工取样周期太长，模型成了“事后诸葛亮”
可解释性	指标变化能被工程师直观理解，便于后续根因分析	某些高阶统计特征（如峭度系数）虽然敏感，但现场维修人员看不懂，模型落地阻力很大

3.3 数据可获取性评估：别让模型“饿死”

这是很多数据科学项目翻车的重灾区。模型再漂亮，没有数据就是空中楼阁。我一般会按以下步骤做评估：

1. 盘点现有数据源：DCS、PLC、SCADA、MES、CMMS……哪些系统已经在采集你需要的信号？采样频率是多少？历史数据存了多久？
2. 评估数据质量：有没有死值（长时间不变）？有没有跳变（传感器故障）？有没有缺失段（停机或通讯中断）？
3. 评估数据时效性：实时数据（秒级/分钟级）还是准实时数据（小时级/天级）？对于早期预警，分钟级数据通常就够了。
4. 评估数据成本：如果需要新增传感器，成本是否在项目预算内？安装是否影响生产？

3.4 知识体系总览：一张图说清楚

下面这张图，把KPI选取的整个逻辑串起来了。从设备风险场景出发，经过四大核心指标，再到选取原则和数据评估，最后形成可用的KPI清单。

3.5 实操建议：从“能用”到“好用”

最后，分享几个我这些年总结的实操建议：

• 先做“数据快照”：花一天时间，把目标设备所有可获取的数据源列个清单，标注采样频率、数据格式、存储位置。这一步能帮你快速判断“有什么、缺什么”。
• 不要追求完美数据：现场数据永远有噪声、有缺失。与其花三个月清洗数据，不如先用现有数据跑一个粗糙的模型，再迭代优化。
• 和现场工程师聊一聊：他们最清楚哪个参数“一不对劲就要出问题”。我每次做项目，都会花半天时间和老师傅们聊天，他们的经验往往比书本上的理论更管用。