小厂怎么做预测性维护：10万预算的务实路线

写这篇文章的起因是上个月一个读者的私信。他是浙江一家做紧固件的小厂老板全厂两百来人看了不少预测性维护的文章心潮澎湃然后一问方案报价——传感器加平台加实施80万起步。他问我小厂是不是就跟预测性维护无缘了我的答案是无缘的是那种一步到位的方案不是预测性维护本身。过去两年我帮三家不同行业的中小厂在10万上下把这事做起来了方法其实很土但管用。这篇就聊聊这条务实路线。先转变一个观念你要的不是系统是少停两次机小厂做预测性维护最怕一上来就想着上平台、上大屏、上数字孪生。我们算过一笔账一家年产值5000万左右的厂关键设备非计划停机一次直接加间接损失大概3-8万。一年减少5-8次停机就是30-50万的收益——这已经够覆盖你全部投入还有富余了。所以目标要窄挑出那台最疼的设备让它别突然趴窝。就这么简单。三家厂我都是这么开局的第一家里选的是唯一一台进口五轴加工中心第二家选的是全厂供气的螺杆空压机第三家是隧道窑的风机。别贪多。设备选多了每台的数据都浅反而什么都诊断不出来。10万块钱怎么花一份真实清单以第二家空压机项目为例我把账摊开振动温度传感器一体化无线款4只1.2万边缘网关4G上传含天线3000二手工控机一台2000数据存储和看板InfluxDB 2.7 Grafana 10.x全开源0元三个月的外部技术支持我自己按朋友价3万剩下的钱留着当第二年的传感器补货和运维总共不到5万就把架子搭起来了。剩下的一半预算干嘛花在人上给设备科两个师傅各买一套好书和一门振动分析网课再请检测机构的工程师来做一次现场基线测试把所有测点的正常频谱存档。这笔人的钱千万别省。说实话小厂预测性维护失败的头号原因不是技术是没人看数据、没人信数据。技术路线三板斧别碰深度学习你可能会问不上AI模型那叫什么预测性维护我直说如果你数据量不到10万条、故障样本不超过个位数深度学习就是给自己挖坑。小厂的正路是三板斧第一板斧频域包络分析。这是轴承诊断的看家本领规则明确、可解释老师傅能看懂频谱图上的BPFO、BPFI峰值就是服气。一段Python代码就能跑# 包络谱提取教科书代码有个坑重采样频率别设太高 def envelope_analysis(sig, fs, band(2000, 8000)): # 带通滤波 → 希尔伯特变换取包络 → 低通 → FFT sos scipy.signal.butter(4, band, bandpass, fsfs, outputsos) filtered scipy.signal.sosfiltfilt(sos, sig) env np.abs(scipy.signal.hilbert(filtered)) # 注意这里有个细节包络解调后要下采样到 fs/10 # 否则包络谱分辨率不够故障边频带挤在一起看不清 env_ds scipy.signal.resample_poly(env, 1, 10) return np.abs(np.fft.rfft(env_ds * np.hanning(len(env_ds))))踩坑提醒带通频段一定要参考轴承型号算特征频率别照抄网上的默认值。我们第一个版本抄了别人的频段把外圈故障判成了保持架还好人工复核拦下来了。第二板斧趋势报警。RMS值、温度做移动平均3σ超趋势就预警。土但在缓变故障上非常有效。第三板斧简易健康评分。把几项指标归一化加权合成一个0-100的分数让厂长每天在微信里看到今天83分。别笑这个分数对推动管理层重视的作用比任何算法都大。一个真实的时间线和结果2025年11月立项12月装传感器2026年1月开始积累基线数据3月第一板斧上线5月成功预警了空压机主轴承的早期点蚀——包络谱上BPFO峰值连续两周爬升提前12天报出检修安排在周末低谷期停机只花了4小时。那一单省下来的损失老板说差不多够覆盖整个项目了。当然也有失败的地方得交代原计划给同厂两台普通车床也装监测试了两个月放弃了——切削工况本身的振动变化比故障特征还大工况分离做不动10万预算里没人力去搞这么细。这告诉我们不是所有设备都值得监测高价值故障模式明确才是入围标准。最后说两句。小厂做预测性维护本质是花小钱买确定性知道自己哪台设备最危险知道该在什么时候安排检修。别跟大厂比平台比也没意义。先把最疼的那台设备看住跑出第一单省下来的钱后面的路自然就宽了。一点碎碎念技术从来不是门槛观念才是。把上系统换成少停机你的预算瞬间就够用了。