2. 预测性维护基础

在工业4.0与智能制造的双重驱动下，设备维护已从“坏了再修”的被动响应，逐步迈向“提前预知”的主动管理。理解设备故障的物理本质、维护策略的演进逻辑，以及TinyML（微型机器学习）在边缘侧带来的技术红利，是成功交付预测性维护项目的前提。本章将系统梳理这三块基石，并明确TinyML在工业场景中的真实定位与价值边界。

2.1 设备故障模式：从物理退化到数据表征

核心原理：P-F曲线与故障浴盆曲线

设备故障并非随机事件，其发展遵循一定的物理规律。P-F曲线（Potential Failure to Functional Failure）是理解预测性维护时机的核心模型。它描述了一个潜在故障（P点，即设备开始出现可检测的异常状态）到功能故障（F点，即设备完全丧失设计功能）之间的时间间隔。预测性维护的目标，就是在P-F区间内捕捉到故障征兆，从而在F点之前安排维修。另一条重要的曲线是浴盆曲线，它将设备生命周期划分为早期故障期（磨合期）、随机故障期（稳定期）和耗损故障期（磨损期）。在耗损期，故障率随时间显著上升，这正是预测性维护发挥最大价值的阶段。

判断方法：特征提取与健康指标构建

在TinyML项目中，我们无法直接观测物理磨损，而是通过传感器信号构建健康指标。对于旋转机械，时域指标（均方根值、峰值因子、峭度）和频域指标（1倍频、2倍频幅值、边频带能量）是常用的特征。例如，滚动轴承出现局部缺陷时，振动信号中会出现以故障特征频率（BPFO、BPFI）为中心的边频带。关键在于，这些特征必须能在资源受限的MCU上高效计算。因此，在项目初期就要评估特征提取的算力开销，避免使用过于复杂的时频分析算法。

案例拆解：离心泵轴承磨损的P-F区间识别

某化工厂的循环水泵配置了加速度传感器，采样率25.6kHz。初始阶段，振动均方根值为2.1mm/s，频谱中1倍频占主导。运行3个月后，均方根值缓慢上升至2.8mm/s，但未超报警阈值（4.5mm/s）。通过边缘侧部署的TinyML模型，提取了包络谱中BPFO频段的能量占比，该指标从0.12上升至0.31。模型在第90天发出预警，提示轴承早期点蚀。维护团队在第95天利用计划停机更换轴承，拆解后发现滚道已有明显点蚀但未发展到剥落。若按传统定期维护（每半年更换），该轴承仍可运行，但存在突发失效风险；若按振动阈值报警，则需等到均方根值超限，可能已进入故障晚期。此案例中，P-F区间约为20天，TinyML模型提前10天捕捉到征兆，为维修策略提供了充足窗口。

2.2 维护策略演进：从被动响应到主动预测

核心原理：四代维护策略的递进逻辑

维护策略的演进本质上是信息利用深度的提升。第一代纠正性维护（Run-to-Failure）不采集状态信息，仅在故障后维修，停机损失和二次损坏风险高。第二代预防性维护（Preventive Maintenance）基于时间或计数触发，如“每5000小时更换轴承”，它假设故障率与使用时间强相关，但忽略了实际工况差异，导致过度维护或维护不足。第三代预测性维护（Predictive Maintenance）引入状态监测，通过振动、温度、油液等实时数据评估健康状态，在故障发生前精准维修。第四代规范性维护（Prescriptive Maintenance）则在预测基础上，结合维修资源、生产计划、备件库存等约束，给出最优维修时机与策略。

判断方法：如何选择适合的维护策略

选择策略需评估三个维度：故障可检测性（是否存在可靠的监测指标）、P-F间隔长度（是否足够安排维修）、故障后果严重性（安全、环境、成本）。对于P-F间隔极短（如几小时）且后果严重的故障，预测性维护可能来不及响应，此时应优先考虑冗余设计或安全联锁。对于P-F间隔长且监测成本低的设备，预测性维护性价比最高。TinyML的价值在于降低了监测成本，使得原本因传感器布线、数据采集成本过高而无法实施预测性维护的中小型设备（如普通电机、泵、风机）也具备了可行性。

实战场景：某汽车零部件产线电机维护策略转型

该产线有120台伺服电机，原采用每季度定期润滑和每年更换轴承的预防性维护。每年更换轴承120个，其中约35%的轴承拆下后检测仍处于良好状态，造成浪费；同时有4台电机在更换周期内发生抱死，导致产线停线2小时，损失约8万元/次。项目团队在电机非驱动端加装三轴加速度传感器（采样率4kHz，功耗约30mW），通过TinyML模型（基于1D-CNN，参数量约15K，量化后模型大小约60KB）在STM32L4系列MCU上运行。模型输出健康指数（0-100），当指数低于60时触发预警。运行6个月后，成功预警了3台电机轴承早期磨损，实际拆解验证2台准确、1台为误报（实际为对中不良）。轴承更换数量从每年120个降至约40个，节省备件成本约2.4万元/年，更重要的是避免了非计划停机。误报的1台电机经重新对中后健康指数恢复，说明模型对故障类型的区分度仍需优化，后续通过增加转速归一化特征改善了误报问题。

2.3 TinyML在预测性维护中的角色与价值

核心原理：边缘智能与云端的边界

TinyML并非要取代云端AI，而是在靠近数据源的位置提供低延迟、低带宽、高隐私的推理能力。在预测性维护场景中，振动数据往往以连续波形形式产生，若全部上传云端，以10kHz采样率、16位精度计算，单通道数据量为20KB/s，一个工厂数百台设备将产生海量数据，通信与存储成本极高。TinyML在设备端完成特征提取和异常判断，仅上传健康指标或报警事件，数据量可压缩至原来的1/1000以下。同时，推理延迟从“采集-上传-云端计算-返回”的秒级缩短至毫秒级，满足实时联锁保护需求。

判断方法：哪些任务适合部署在TinyML端

• 异常检测（Anomaly Detection）：基于自编码器或一类SVM，判断设备是否偏离正常基线，适合计算资源有限的场景。
• 故障分类（Fault Classification）：识别故障类型（不平衡、不对中、轴承故障），需较多标签数据，模型复杂度适中。
• 剩余寿命预测（RUL）：回归任务，通常需要较长时间序列和复杂模型，更适合在边缘网关或云端执行，TinyML端可输出退化趋势的粗略分级。

案例拆解：空压机气阀故障的TinyML部署

某压缩空气系统有5台螺杆空压机，气阀故障是主要失效模式。传统方案在每台空压机上安装有线振动传感器，接入PLC，由上位机软件分析，单点成本约1.2万元。项目改用无线IoT传感器（内置三轴加速度计、温度传感器，采用nRF52840 MCU，运行TensorFlow Lite Micro），每套成本约800元。在MCU上部署了一个两层LSTM（隐藏单元16）的异常检测模型，输入为最近1秒的振动波形（采样率2kHz，共2000点），输出为异常分数。模型在边缘端每10秒推理一次，功耗约5mJ/次，电池供电可运行2年。当异常分数连续3次超过阈值时，通过BLE发送报警至网关。部署后，成功提前48小时预警了2号机排气阀磨损，避免了因气阀碎裂导致螺杆直接接触的严重事故。该案例表明，TinyML将预测性维护的边际成本降至极低，使得“一机一模型”成为可能。

总结复盘：TinyML落地的关键成功要素