方案概览
化工动设备(泵、压缩机、风机、反应釜搅拌)多在高温高压连续运转,一次非计划停机可能造成巨大损失。预测性维护的思路是:用振动、温度等传感数据建立设备健康基线,在故障发生前数周识别轴承磨损、润滑异常、不对中等早期征兆,把运维从事后处置转向事前防控。
Step 1:采集振动与温度时序
从 PLC、SCADA 或无线三轴加速度传感器持续采集数据,建议以 10 分钟为周期回传边缘网关:
import pandas as pd
# 读取设备时序,约定列:ts, device, vib_mm_s, temp_c, current_a
df = pd.read_csv('motor_01.csv', parse_dates=['ts']).sort_values('ts')
print(df.tail())
print('缺失率:', df.isna().mean().round(3).to_dict())Step 2:FFT 频谱特征提取
对振动信号做快速傅里叶变换,按特征频率(轴承内外圈、滚动体、保持架)定位故障类型,比固定阈值更抗变转速与变负载干扰:
import numpy as np
from scipy.signal import welch
sig = df['vib_mm_s'].values
fs = 1.0 / 600.0 # 采样间隔 10 分钟,演示用;实际按传感器 fs
freqs, psd = welch(sig, fs=fs)
peak = freqs[np.argmax(psd)]
print('主频峰:', round(peak, 4))Step 3:孤立森林异常检测
用无监督模型对多维特征(振动均方根、温度、电流指纹)打分,偏离基线即预警,无需标注样本:
from sklearn.ensemble import IsolationForest
feat = df[['vib_mm_s','temp_c','current_a']].dropna()
clf = IsolationForest(n_estimators=200, contamination=0.05, random_state=42)
df['score'] = clf.fit_predict(feat)
df['anom'] = df['score'] == -1
print('异常点:', int(df['anom'].sum()))Step 4:健康评分与预警闭环
① 每周期刷新健康评分,异常持续上升时升级预警;
② 预警推送到运维工单系统,附触发参数与趋势曲线;
③ 与 CMMS 打通,把预测性维护工单纳入计划检修;
④ 在危险区域选用本安型无线传感器,边缘侧完成推理。
说明:本文基于公开报道与通用工程方法整理,故障频率与阈值需按设备型号与工况标定;具体部署以设备厂商与现场工艺为准。
参考来源
中国移动 5G+AI 为山东化工企业设备装上智慧大脑 - 中国网(2026-06-18);Predictive Maintenance for Chemical Processing Plants: failure modes and lead time - iFactory AI(行业技术资料)。