一、从“听异响”到“自体检”：水泵为什么需要在线监测

水泵是流体系统里的“劳模”，但工作环境往往最恶劣：潮湿、粉尘、持续振动、长时间连续运转。传统运维以人工巡检为主，依赖“听异响、看渗漏、摸温度”这类经验手段，存在两个根本缺陷：

1. 滞后性：轴承点蚀、叶轮汽蚀等早期故障，在振动信号中早有苗头，但人耳难以察觉；等异响可闻、漏水可见时，故障往往已进入扩展期，维修成本与停机损失成倍放大。
2. 主观性：巡检质量依赖个人经验，无法量化、无法追溯，也难以沉淀为跨设备、跨时间的数据资产。

预测性维护的思路，是让设备“自己体检、自己报警”：通过多源传感器持续感知状态，用信号处理提取特征，再用机器学习模型判断健康状态，最终把“事后抢修”变为“事前干预”。

二、总体架构：五层链路与层间咬合

一套可落地的水泵异常检测系统，本质是“边采、边算、边显示”，可拆为五层：

① 多源传感 → ② 同步数据采集 → ③ 实时信号处理 → ④ 智能诊断 → ⑤ 运维输出

实现层面，业界常见做法是采用图形化开发平台配合通用数据采集（DAQ）体系：图形化编程便于快速搭建实时波形、报警指示与数据落盘；DAQ 链路的定时、触发、缓冲机制成熟；需要接入自研算法时，可通过脚本节点或调用外部计算引擎完成，不必推翻既有架构。

真正难的不是某一层，而是五层之间的咬合：

• 时间咬合：多通道必须共享同一时间戳，否则振动与电流特征错位，融合诊断失去意义；
• 速率咬合：不同传感器的采样率与更新周期不同，需设计好缓冲与重采样策略；
• 数据咬合：原始波形、特征值、诊断结果要统一编号落盘，便于事后回溯与模型迭代；
• 流程咬合：报警产生后要有明确的处置闭环，否则系统会沦为“摆设”。

三、传感器选型：多源是手段，降冗余才是目的

新手最常见的错误是一上来挂几十个传感器，认为“信息越多越好”。实际上冗余通道不仅抬升成本，还会给后续模型引入共线性与噪声。水泵监测真正的主角是四类：

1. 振动加速度（核心）：轴承磨损、叶轮不平衡、轴不对中、汽蚀，都能在振动信号中找到苗头。加速度传感器应贴装在驱动端轴承座上，优先测径向水平方向，兼顾垂直与轴向；固定方式（螺纹/胶粘/磁座）直接影响可测频带上限，需按关注频段选择。
2. 温度（慢变量）：轴承温度、电机绕组温升是典型慢变量，适合早期预警与趋势分析。热失效通常有渐进过程，温度曲线的“斜率突变”往往比绝对阈值更有价值。
3. 电流（零成本旁证）：电机负载异常会直接反映到定子电流上，借助电流互感器即可获取，无需额外机械安装。负载波动、断相、转子异常都可能在电流中留痕。
4. 压力/流量（辅助印证）：出口压力脉动与流量波动反映工况点漂移，对汽蚀尤其有印证价值——汽蚀发生时压力脉动会明显增大。

经验之谈：先把“振动 + 温度 + 电流”三件套做扎实，比堆十个传感器管用。多源融合的前提是每一源都高质量、低冗余。

四、采集与预处理：数据质量决定模型上限

1. 同步采集：多通道必须基于硬件定时与统一触发保证同一时间基准，不能依赖软件轮询。前端抗混叠滤波不可省略——根据采样定理，若高频成分未在采样前滤除，会以低频“假信号”形式混叠进特征频段，且事后无法还原。
2. 降噪链路：推荐顺序为去趋势（消除温漂与安装应力导致的基线偏移）→ 带通滤波（保留关注频段）→ 小波阈值降噪（抑制瞬态毛刺）。汽蚀等早期故障信号能量极弱、常被工频与随机噪声淹没，降噪不到位，后面的特征与模型都会失效。
3. 采样参数：采样率需覆盖关注频带的 2 倍以上并留裕量；窗长要在频率分辨率与实时性之间折中。常见做法是振动通道采用较高采样率，温度等慢变量低频采集，各自独立配置。

五、特征提取：峭度是早期故障的“放大镜”

时域特征计算量小、物理意义清晰，是喂给诊断模型的主力：

• RMS（均方根）：反映振动整体能量，对磨损类渐进故障的中后期敏感；
• 峰值与峰峰值：捕捉瞬态冲击幅值；
• 峭度（Kurtosis）：对冲击成分极敏感，是早期局部故障的“放大镜”；
• 波形因子、裕度因子：幅值形态的归一化度量，可辅助区分故障类型。

峭度的定义为标准化四阶矩：

K = E[(x - μ)^4] / σ^4

正态分布的峭度约为 3。当轴承出现点蚀、剥落等局部损伤时，振动信号中会周期性出现冲击成分，概率密度分布由“扁胖”变“尖瘦”，峭度显著高于 3。其价值在于：早期故障时 RMS 几乎不变（冲击能量占比太小），而峭度已经响应；中后期故障大面积扩展后，峭度回落而 RMS 抬升。两者组合，恰好覆盖故障全生命周期。

示意代码（峭度计算）：

# x: 去噪后的振动信号片段
mu = mean(x)
sigma = std(x)
kurtosis = mean((x - mu) ** 4) / (sigma ** 4)

需要提醒：频域谱分析、包络解调等手段能进一步定位故障部位，但工程起步阶段，先把十来维时域特征做稳做准，比一上来堆几十个频域指标更务实。

六、诊断模型：SAE 压缩 + ELM 快速分类

1. 为什么阈值报警不够用：固定阈值误报多、工况一变就乱叫，现场人员被“狼来了”消耗掉信任后，系统就名存实亡。要让系统“懂工况”，必须引入数据驱动的模型。

2. 稀疏自编码器（SAE）：自动做特征筛选。SAE 通过“重构输入 + 稀疏约束”进行无监督训练，把高维时域特征压到低维隐层。稀疏性迫使网络只保留对重构最关键的结构——也就是“异常才有的结构”。它相当于在特征层面又做了一次自动降冗余，与前端的传感器精简一脉相承。

3. 极限学习机（ELM）：秒级训练的分类器。ELM 是单隐层前馈网络：输入权重与隐层偏置随机初始化后不再调整，输出权重通过最小二乘（伪逆）解析求解。因此训练秒级完成、无需迭代调参，特别适合在线学习与边缘设备部署。

系统输出设计为三类：正常 / 异常 / 故障类型。级联流程为：

时域特征向量 → 归一化 → SAE 编码降维 → ELM 分类 → 诊断结论

示意代码（ELM 训练伪代码）：

# X: 样本特征矩阵, T: one-hot 标签
W = random(N, hidden_nodes)      # 随机输入权重，固定不再更新
b = random(hidden_nodes)
H = g(X * W + b)                 # 隐层输出，g 为激活函数
beta = pinv(H) * T               # 解析求输出权重
# 预测：y = argmax( g(x*W + b) * beta )

七、工程落地要点与常见坑

1. 样本不平衡：故障样本天然稀少。可先用无监督重构误差做异常检测兜底，积累故障数据后再训练三分类；少量故障样本可采用数据增强与过采样。
2. 工况漂移：转速、负载变化会整体搬移特征分布，应按工况分组归一化，并建立模型定期再训练机制。
3. 报警分级：保留“预警—报警—停机”三级策略，把模型输出与规则引擎结合，兼顾灵敏度与可信度。
4. 边缘与云协同：特征提取与推理放在边缘侧保证实时性；原始波形分段落盘到对象存储、特征值写入时序数据库，告警经消息队列推送至监控平台。若采用云上方案，可利用百度智能云等平台提供的物联网接入、时序数据库、监控告警等通用能力搭建运维层，避免重复造轮子。
5. 回溯与迭代：任何一次报警都要能回放到原始波形，才能持续优化特征与模型，形成数据闭环。

八、小结

水泵异常检测的竞争力不在单点技术，而在链路：高质量的多源传感是地基，同步采集与降噪决定数据可信度，峭度等时域特征提供物理可解释的“抓手”，SAE+ELM 级联则在精度与部署成本之间取得平衡。按照“三件套传感器 → 五层架构 → 级联诊断 → 闭环运维”的顺序逐步推进，多数工业现场都能在可控成本内落地一套可持续运转的预测性维护系统。