「预测性维护」这几年被讲烂了，各种PPT里都有这个词。
但真正做过的人知道：从振动数据到「明天要换轴承」，中间有很长的路要走。
这篇帖子用一个真实案例，把这条路讲清楚。
背景：一台CNC加工中心的主轴异常某机加工厂一台CNC加工中心，主轴是高速切削用的，额定转速18000RPM。
设备本身有报警系统，但主轴轴承故障的特点是：在造成严重损坏之前，设备往往不报警——振动值在轴承磨损早期阶段变化非常缓微，PLC内置的报警阈值根本发现不了。
过去这台设备每隔几个月就会出现一次非计划停机，每次停机抢修需要8~12小时，加上备件等待，损失严重。
第一步：安装振动传感器，建立基准在主轴轴承座附近安装三轴加速度传感器，采集频率1kHz，24小时持续采集。
运行正常的头两周，我们只做一件事：建立基准特征库。
记录下正常工况下的振动特征：
● 各频段振动幅值的均值和方差
● 不同转速下的频谱特征
● 刀具切入切出时的冲击特征（区分正常冲击和异常振动）
没有基准就没有判断，这一步急不来。
第二步：特征提取，不用原始信号判断原始振动波形数据量巨大，而且用肉眼看几乎无法判断是否异常。
关键是提取有诊断价值的特征：
特征 | 含义 | 轴承故障的典型表现 |
RMS（均方根值） | 整体振动能量 | 持续缓慢上升 |
峭度（Kurtosis） | 冲击性脉冲强度 | 突然升高，说明有碰撞 |
BPFO/BPFI频率 | 外圈/内圈故障频率 | 对应频段能量异常增大 |
包络谱分析 | 调制解调后的故障频率 | 滚动体或保持架异常的最灵敏指标 |
第三步：异常识别与预警建立好基准后，用滑动窗口实时计算上述特征，与基准对比：
异常评分 = Σ (当前特征值 - 基准均值) / 基准标准差
当异常评分连续3次超过阈值（比如3σ），触发预警推送。
这台CNC的实际效果：
● 在一次停机事故前 18天，振动峭度开始缓慢上升
● 前 9天，BPFO对应频段能量异常增大
● 前 3天，异常评分持续超过阈值，系统触发预警
工厂在预警发出后安排了计划停机换轴承——没有发生非计划停机，损失归零。
这套方案的前提条件预测性维护不是买几个传感器就能用的，有几个前提：
● 传感器安装位置要对：要装在轴承座上或尽量靠近轴承的刚性结构上，不是随便找个地方贴
● 基准建立要充分：至少需要2~4周的正常运行数据，覆盖不同工况（不同转速、不同加工材料）
● 不是所有设备都适合：旋转类设备（主轴、电机、泵、风机）适合振动诊断；液压、注塑等设备更适合压力+温度多参数融合诊断
💬 你们厂做过预测性维护吗？● 用的是振动诊断还是其他方式？
● 有没有遇到过「预警误报率太高，最后没人看」的情况？
● 哪类设备的预测性维护你们觉得最难做？
#预测性维护 #振动分析 #工厂数字化 #设备管理 #工业物联网 #智能制造 #CNC加工
