预测性维护：设备健康评分

可视化演示

健康评分随设备运行状态动态变化，融合振动、温度、压力等多维信号。切换模式可对比健康曲线与故障阈值预警。

评分概念——给设备发体检报告

你在体检中心拿到报告时，会先看什么？大概率是那个综合健康评分。医生不会只看单一指标，而是把血压、心率、血脂等几十项数据综合起来，给你一个“总体状态”的量化结论。设备健康评分做的是同样的事：把振动、温度、电流、声音等传感器的数据浓缩成一个 0 到 100 的分数，让维护人员一眼就知道设备“身体”怎么样。

在 AI+制造 场景中，设备健康评分（Equipment Health Score）是预测性维护系统的核心输出。它不是一个拍脑袋的数值，而是基于实时监测数据，通过算法模型计算出来的标准量化指标。与人体体检报告的分级逻辑类似，设备评分也通常划分为三个区间：90 分以上为“健康”，设备运行稳定，按计划保养即可；70 到 90 分为“关注”，某些指标出现异常苗头，需要加强监测；70 分以下为“预警”，设备故障风险显著升高，需要安排停机检修。

就像体检报告不会说谎一样，一个设计良好的设备健康评分系统，能让隐藏的故障苗头及时暴露。评分不是目的，提前干预才是——这正是“体检思维”给设备维护带来的革命性变化。

监测指标——设备生命体征四大项

医生量血压、测体温、听心跳，每一项都有明确的生理意义。设备的“生命体征”同样有四大关键测量项：振动、温度、电流和声音。一个风机的轴承磨损，振动信号会最先发生变化；电机的绝缘老化，温度曲线会出现异常上扬；泵的叶轮失衡，电流波形会开始抖动；齿轮箱的齿面点蚀，会发出特定频率的噪声。这四项指标就像人体的四大体征，互相补充、交叉验证。

传感器采集到的原始数据往往夹杂大量噪声。以振动信号为例，工业现场的环境干扰、设备启停瞬间的冲击，都会让波形变得“浑浊”。因此，直接拿原始数据算分是不行的。工程师需要从信号中提取特征值——比如振动加速度的均方根值（RMS）、温度的变化率、电流的谐波分量、声音的频谱峰值。这些特征值才是构成健康评分的基础素材。

体检时医生会根据年龄、性别调整指标的参考范围。同理，设备健康评分必须考虑设备的类型、工况和寿命阶段——同一台设备在重载和轻载状态下，正常的振动值可以相差数倍。特征提取的意义，就是把“听上去有点不对劲”变成“这个数值偏离基线 3.2 个标准差”。

评分算法——医生的诊断公式

拿到化验单后，医生如何综合判断？经验丰富的医生会先看最严重的异常指标，再结合各项指标的权重给出诊断。设备健康评分算法扮演的正是“主治医生”的角色：它把多维特征值融合成一个分数。最简单的方法是为每个指标设定阈值并打分，但生产环境更常使用加权综合评分法——给关键指标更高的权重，让它对总分的影响更大。

加权综合评分法的核心逻辑是：先将每个特征值归一化到 0-1 区间（0 代表最差，1 代表最佳），然后乘以对应权重并求和，最后映射到百分制。权重的确定可以通过专家经验，也可以通过历史故障数据训练得到。例如振动对旋转机械更关键，权重可能设为 0.5；温度次之设为 0.3；电流和声音各 0.1。

医生的诊断水平高低，取决于他对各项指标轻重缓急的判断。评分算法的优劣同样取决于权重的分配是否合理——给次要指标过高权重，会掩盖真正的故障信号。最好的权重，来源于对历史故障案例的复盘学习，而不是闭门造车。

预警阈值——红线怎么画

体检报告上，每个指标旁都有参考范围：血糖偏高、血压异常，超出范围的地方会标红。设备健康评分的“红线”就是预警阈值。阈值设得太松，等到设备真正出故障才报警，就失去了“预测”的意义；阈值设得太紧，三天两头误报，维护人员就会“狼来了”变得麻木。这就像血压的警戒线不能一刀切——年轻人 140 算高，八十岁老人可能还在安全范围内。

更科学的做法是使用动态阈值：基于设备正常运行时的历史数据，计算出每个特征值的均值和标准差，然后设定“均值 ± k 倍标准差”作为异常边界。k 的取值决定灵敏度。工业界通常用“3σ 原则”——在正态分布假设下，正常数据落在均值 ±3σ 范围内的概率约为 99.7%，超出即视为异常。

在真正的工厂里，设备的工况是不断变化的——换季温度变化、生产负荷调整，都会让基线漂移。动态阈值的好处是“红线会跟着设备状态走”，就像体检时的正常血压范围会随着年龄调整一样。但要注意，基线本身也会老化，所以需要定期用新的健康数据重新校准。

实践流程——从体检到干预

体检中心有一套标准流程：挂号、采样、化验、出报告、医生解读、开药方。设备健康评分系统的落地同样遵循一套标准流程。首先是传感器部署——在设备的关键测点安装振动、温度、电流等传感器，就像体检前先完成各项采样。然后是数据采集与清洗，将传感器信号按固定频率上传到边缘网关或云平台，去除噪声、填补缺失值，形成干净的时间序列。

接下来是模型训练与验证。工程师从历史数据中筛选出健康时段的样本和故障前时段的样本，提取特征并标注标签，再用机器学习模型（如随机森林、XGBoost）或统计方法构建健康评分模型。模型需要用独立测试集验证准确率和误报率，达标后才能部署上线。部署后进入实时监控与告警环节——系统按分钟级频率计算健康评分，一旦触发阈值就通过短信、邮件或大屏弹窗通知维护人员。

体检的意义不只是知道“有病”，更是“早发现、早治疗”。一套完善的实践流程确保设备从“感到不适”到“吃药调理”之间有高效的通路。数据是血液、模型是心脏、告警是神经，三者缺一不可。

优化策略——复诊调方案

医生的治疗方案并非一成不变——复诊时发现药效不佳，就要换药或调整剂量。设备健康评分系统同样需要持续优化。第一是模型滚动更新：随着设备运行时间的增长，磨损模式在变化，定期用新鲜数据重训模型，让“医生”的知识更新换代。第二是参数自适应：动态调整阈值的 k 值、权重的分配，甚至归一化的上下界，使评分与设备的真实状态保持同步。

第三是人机协同决策：AI 给出评分和预警后，经验丰富的老师傅负责最终判断。设备维护记录、检修报告等人工反馈，又可以反向输入系统，形成案例反馈闭环。例如，某次预警被确认是“误报”，工程师可以通过标注界面纠正，系统将改正后的样本加入训练集，下次类似情况就不会再误报。通过这种闭环，系统越用越聪明。

人体会随着年龄和季节变化调整养生方案，设备也会随着运行时长和生产任务调整维护策略。优化的本质，是让评分系统像一位经验渐长的家庭医生——越来越了解你，总能提前发现隐患。

---

AI 应用场景

Python 演示

import randomimport math class EquipmentHealthScorer:    """设备健康评分器：模拟传感器读取并计算综合健康评分"""     def __init__(self, weights):        self.weights = weights        self.baselines = {'vibration': 2.5, 'temperature': 65.0, 'current': 15.0}     def read_sensor(self, name, degradation):        """读取传感器数据：基线值 + 退化偏移 + 随机噪声"""        base = self.baselines[name]        noise = random.uniform(-0.3, 0.3)        return base + degradation * 3.0 + noise     @staticmethod    def normalize(value, v_min, v_max):        """将原始值归一化到 0-1 区间"""        return max(0.0, min(1.0, (value - v_min) / (v_max - v_min)))     def compute_score(self, degradation):        """根据传感器数据计算健康评分 0-100"""        v = self.read_sensor('vibration', degradation)        t = self.read_sensor('temperature', degradation)        c = self.read_sensor('current', degradation)         s_vib = 1.0 - self.normalize(v, 0.0, 10.0)        s_temp = 1.0 - self.normalize(t, 30.0, 100.0)        s_cur = 1.0 - self.normalize(c, 0.0, 30.0)         score = (self.weights['vibration'] * s_vib +                 self.weights['temperature'] * s_temp +                 self.weights['current'] * s_cur) * 100        return score, {'vib': round(v, 2), 'temp': round(t, 2), 'cur': round(c, 2)}  def run_simulation():    """模拟设备从健康到故障退化的评分变化"""    scorer = EquipmentHealthScorer({'vibration': 0.5, 'temperature': 0.3, 'current': 0.2})    print("=== 设备健康评分模拟 ===")    for cycle in range(10):        deg = cycle / 10  # 退化程度 0.0 -> 0.9        score, sensors = scorer.compute_score(deg)        status = "健康" if score >= 80 else ("关注" if score >= 60 else "预警")        print(f"周期 {cycle + 1}: 评分={score:.1f} "              f"振动={sensors['vib']} 温度={sensors['temp']} "              f"电流={sensors['cur']} -> {status}")  if __name__ == '__main__':    run_simulation()

1. class EquipmentHealthScorer:定义设备健康评分器类，封装传感器读取、归一化和评分计算逻辑，对应“体检中心”的核心业务。
2. self.baselines存储各传感器在设备健康状态下的基线值，作为评分的参考基准，类比体检报告的“正常参考范围”。
3. read_sensor(self, name, degradation)模拟传感器读取，退化程度越高，读数越偏离基线，并叠加随机噪声模拟真实环境。
4. normalize(value, v_min, v_max)将原始特征值映射到 0-1 区间，对应加权综合评分法中的归一化步骤。
5. compute_score(self, degradation)按权重融合三个指标的归一化子评分，乘以 100 得到最终健康评分。
6. run_simulation()主模拟函数，循环 10 个周期，逐步增加退化程度，观察评分从健康到预警的渐变过程。

常见误区

面试题