自20 世纪60 年代以来，在军事装备及工业设备上开始出现预测性维护技术，其主要目的就是让设备在当前维护至下一次维护期间，不会因元件疲劳、人员疏忽或其他可主动避免的原因而失效，从而减少因故障影响生产的次数，确保生产活动的连续性，降低维护成本。

电气设备预测性维护系统通过对工业设备运行中的相关参数信息进行采集、筛选、传输和数据分析，判断设备可能出现故障的部位或在某个部位出现故障的概率，并根据趋势，准确预测设备出现故障的时间，为设备运维管理提供科学依据，实现工业设备的预测性维护，保证生产过程的连续性、可靠性和安全性。

目前，工业电机、风机、空压机、冲压机、水泵、数控机床等设备被广泛应用在煤炭、电力、化工、机械制造等行业，其日常维护大多数依靠人工点检，在设备作业环境中长时间从事维护工作，会严重影响工人的身心健康。另外，因轴承磨损和不平衡等故障造成设备带病运转，若无法及时发现，导致机械故障频繁发生，造成非预期停产，给企业带来巨大损失。

变频一体机将变频器与电动机一体化设计，适应煤矿井下安装空间的条件，但同时结构紧凑导致故障发生后维修耗时长且工作量大。笔者团队研发的预测性维护系统，利用物联网、云计算、大数据和人工智能技术，依托多维信息采集及精准的无线振动传感器检测技术，只需要在一体机轴端安装振动传感器，无需引入其他外置设备，即可实现设备智能监测与诊断。该系统整体架构由软件平台、传感器等组成，具有设备运行特征采集、状态监控、智能预警、智能诊断等功能。

预测性维护系统研发技术路线及内容

技术路线

预测性维护系统技术路线如图1 所示。

（1） 为确保预测性维护系统的精度，设计开发了一种先进的无线振动传感器。在研发过程中，从芯片选型开始就严格筛选，确保选用具有高度敏感性和稳定性的芯片；电路设计更是精益求精，以确保传感器在各种环境下都能稳定运行。此外，还要进行环境测试、耐久性测试等，以确保产品的质量和性能。

（2） 预测性维护系统研发部分包含底层架构设计、数据存储规划、监控与诊断算法研发以及多系统客户端适配。在底层架构设计方面，采用先进的技术和架构，确保系统的稳定性和高效性；在数据存储方面，采用高效率、大容量的存储方案，确保数据的安全性和完整性；在监控与诊断算法研发方面，采用先进的机器学习算法和数据分析技术，能够对设备的运行状态进行实时监控和预测，及时发现潜在问题，提高维护效率；在多系统客户端适配方面，开发多个客户端接口，可以满足不同设备、不同系统的需求，实现真正的多元化应用。

（3） 在方案落地部署部分，首先确定不同工况下不同的方案要求，以确保系统在不同环境下都能正常运行。此外，还需要考虑不同应用场景下预测性维护系统所需服务设备的需求，如煤炭生产、港口输送等领域，都有不同的应用需求和服务设备要求。通过深入了解各行业的需求，为每个行业量身定制最合适的预测性维护系统方案。

综上所述，无线振动传感器和预测性维护系统是经过精心设计和开发的，具有高精度、高效率、多元化应用等优点，能够帮助企业实现更高效、更智能的设备管理和维护工作。

振动传感器

振动传感器（图2） 需要对变频一体机垂直振动、水平振动、温度进行长期、实时监测，需要具有低能耗、低成本、体积小、高效率、高可靠性等特点，从而广泛运用于钢铁、石化、电厂、矿山等测量及工业监控领域。振动传感器利用MEMS传感器进行设计，微机电系统的优点为体积小、质量轻、功耗低、耐用性好、价格低廉、性能稳定，完全能够满足上述要求。另外，传感器可实现运行参数、振动数据、温度的多维信息采集，安装后可大幅减少使用成本。

首先，在芯片选型方面，选用IIS3DWB高性能芯片，该芯片配备了具有低噪声、超宽且平坦频率范围的三轴数字振动传感器，具有低功耗、高性能、高带宽、低噪声、高稳定性和可重复灵敏度优点，以及在扩展温度范围（可达+105 ℃） 内的工作能力，具有可选的满量程加速度范围（±2/±4/±8/±16g），并且能够测量带宽最高达6 kHz 的加速度场景，输出数据率为26.7 kHz。此外，芯片内部集成了3kB 的先进先出（FIFO） 缓冲器，可以避免数据丢失，并限制主机处理器的干预。上述优点非常适合电池供电的工业无线传感器。

其次，在电路设计方面，由于振动传感器在设计之初定位的工作环境为煤矿井下，因此对其内部电路进行了本安化设计。部分振动传感器电气原理如图3 所示，上部电路为过流保护电路，下部电路为防反接保护。

最后，在设计制造完成后，将其安装到加载台，尽可能模拟现场应用环境，参与变频一体机加载测试，并与专业测振仪进行对比分析。

整体功能

预测性维护系统应用于煤矿智能管理，其应具有设备管理、报警管理、电机模型、数据分析、诊断参数、系统管理、数据库管理、数据采集的基本功能。此外，要对基本功能所产生的数据进行存储与分析，并将分析结果返回到可视化界面。预测性维护系统总体功能如图4 所示。

（1） 设备管理

设备管理用于在预测性维护系统中注册要监控的一体机设备，包括变频一体机所安装的工作面位置、现场使用ID、变频一体机铭牌等参数，便于在发生故障时迅速确定设备位置。上述参数在设备注册完成后会保存在数据库中，并且在云平台部署的深度学习模型可随时调用该参数为其训练并更新相应的故障诊断模型。设备注册所需参数如图5所示。

（2） 报警管理

报警管理将原始振动数据进行包络解调、频谱分析等计算，根据系统设定的诊断规则、诊断参数、设备信息及工作状态等信息使用机器学习模型进行数据的特征分析，将振动数据实时处理，如果出现问题则将产生一条报警信息并推送至各个终端，同时在数据库中建立相关记录，后续还需要维保人员编辑排查及报修记录，建立从产生报警到处理完成的完整流程。主要用于诊断感应电动机轴承故障、定子故障、转子断条故障和偏心故障等常见电机故障。

（3） 电机模型

电机模型是根据变频一体机的各项参数生成的数据模型，主要采用神经网络技术，针对大量的数据进行复杂的运算和迭代，进行故障特征提取，在云端完成模型训练。随着传感器上传的数据量逐步增大，模型也会不断迭代更新，通过连续追踪故障发生数据的训练来更新预测模型。另外，云端数据库中存储有变频一体机的真实测试数据训练数据集，通过比对，建立多维非线性模型，从而进一步提升预测精度。

（4） 数据分析

数据分析功能主要是将传感器产生的原始数据经过降噪、滤波等处理，转换成频域、包络等图像，可供人员查看最原始的振动情况，辅助机器诊断故障信息。包含趋势分析、时域分析、频谱分析、转速趋势、温度趋势、包络解调、滤波分析、相关分析、时频分析、阶次分析、倒谱分析、轴心轨迹图像等。

（5） 诊断参数

诊断参数是根据不同变频一体机的差异而设置的相关参数、诊断规则等，相关参数及诊断规则由变频一体机出厂前加载测试试验所得。由于变频一体机的种类繁多且控制方式不同，因此振动特征也相差很大，所以需要根据变频一体机种类的提前做好设置和区分。

（6） 系统管理

系统管理主要管理用户的登录、注销等操作，并控制不同用户的访问及修改权限，不同的用户访问及修改权限不同能够提升系统安全性，不同权限的用户可以只专注于自己负责的模块，可提升信息处理效率。另外，系统管理还有对外可二次编程的API 接口，需要管理授权TOKEN，以上功能都是在本模块实现。

（7） 数据库管理

数据库管理提供数据库统一访问接口，由于传感器数据量巨大，所以在数据库中存储的是原始的二进制格式数据，优点是占用空间校低，缺点是不利于检索，通过对该数据添加标签的方式可以解决这个问题。当需要使用数据时就通过相应的解码逻辑将数据还原回来进行分析。另外，本模块还有定时自动备份、数据容错处理功能。

（8） 数据采集

振动传感器在无线信号覆盖的工作空间可以通过WiFi 传递数据，在没有无线信号的场景下可以通过CAN总线传输数据。因此在实际部署过程中需要使用CAN 转以太网或者WiFi 发生器等辅助设备。由于机械设备零部件的劣化或者故障不是短时、瞬发，同时为避免数据库拥堵，所以传感器采集数据与数据上传是间歇进行。数据采集与上传架构部署如图6 所示

部分软件界面显示

以“设备管理”界面为例，“设备管理”页面用于管理设备的基本信息，实现关联传感器等操作。设备列表页面如图7 所示。

页面顶部统计设备的总数、运行中设备数量以及报警未处理设备的信息。修改设备信息、管理设备关联的传感器等操作需要点击相应的设备，进入到设备详情页面进行操作（图8）。在图8 中，“最近30 天报警趋势”和“最新警报”是当前设备的相关统计数据；“最近一个月转速趋势”反馈了设备的转速状况，根据系统设置，可以每隔固定的时间保存1 次设备的转速、温度、电流、电压等数据；“最近一个月温度趋势”反馈了设备的运转温度状况。“设备详情”面板记录的参数与一体机铭牌上的参数基本一致，能够通过此面板了解一体机的硬件参数，面板右上角有可编辑按钮，可以点击编辑设备信息。

预测性维护系统应用场景

为验证预测性维护系统实际应用效果，在内蒙古双欣矿业有限公司杨家庄煤矿24106 工作面运煤平巷试运行，巷道长度3 978 m，0~150 m为机头硐室段，150~190 m为过渡段，190~3 978 m为矩形断面巷道。图9、图10中变频一体机为1 140 V/315 kW机头一体机，设计运输量为3 000 t/h，运距为3 800 m，物料种类为块度0~400 mm的原煤，带宽为1 400 mm，带速为0~4 m/s，供电电压为1 140 V，电机功率为头部驱动315 kW×4+中部驱动315 kW×2。

图9 红框内为无线振动传感器，通过强磁吸底座安装于变频一体机驱动轴壳体外部，由无线信号完成传感器信号传输，信号接收设备如图11 所示，该传感器在安装时无需占用井下额外空间和安装其他外围设备（具体采集原理如图6 所示）。

2023 年某时刻的振动监测数据如图12 所示，由图12 知，绝大部分振动数据都处于正常的范围内，在红框内出现的数据异常波动，经排查后发现原因为煤块砸到变频一体机而导致，且碰撞过后数据恢复正常。这表明振动测试一体机处于完全正常的状态，没有任何异常情况产生。这种正常的数据表现不仅证明了设备在测试中表现出良好的性能，也证明了预测性维护系统的准确性和可靠性。

上述案例表明，预测性维护系统不仅能够准确、实时地监测设备的运行状态，而且能够有效地预测和防止潜在的问题和故障。这种强大的功能使得系统在各种复杂的环境中都能发挥其应有作用。

预测性维护系统面临的问题与挑战

（1） 在变频一体机故障诊断过程中，通过数据采集装置得到的振动信号包含有各种干扰和噪声，特别是设备之间相互造成的干扰，只有有效地滤除干扰和噪声信号，提高信噪比，提取湮没在噪声中的有用信息，才能获得准确的分析结论。因此，信号降噪是故障诊断领域中的一个重要课题。传统的信号降噪方法通常采用滤波器设置不同的通带，但这仅用于信号与噪声具有不同频率分布的情况，对于滚动轴承实测振动信号来说，系统信号与噪声信号在频带上互相混叠难于分离，使得传统滤波方法具有很大的局限性。

（2） 故障特征信息的提取是故障诊断非常重要、关键和困难的问题之一。从某种意义上来说，特征提取是当前机械故障诊断研究中的瓶颈难题，直接关系到故障诊断的准确性和故障早期预报的可靠性。

（3） 智能诊断方法可以从历史数据中捕捉到轴承的故障信息，并给出准确判断，如人工神经网络与支持向机。但是传统的神经网络方法需要人工选择特征和大量的理论与实际经验，而得到广泛应用的人工神经网络和支持向机属于浅层结构的监督学习模型，对故障特征缺少足够的表示能力，在应用中需要大量的标签数据进行训练。

（4） 井下网络信号弱，长距离光纤在恶劣环境下易发生轧断，但长距离网线传输速率无法满足要求，因此需建立可靠的通信基站。

结 语

随着煤矿井下装备数量的增加，设备的全生命周期监测需求越来越迫切。预测性维护系统为矿山智能化建设提供了运行保障，可提高煤矿安全管理水平，保证生产活动的连续性，对进一步在矿山生产增效领域推广新的智能维保技术应用具有重要意义。此外，针对预测性维护系统开发的振动传感器适配性更强，并且支持二次开发，为其他智能维护系统提供了一种可靠的解决方案；同时预测性维护系统构建的数据库存储了大量设备参数与设备运行参数，为后续深度学习大模型提供了充足的数据支撑