尽管 AI 成为了产业的热点，更多的企业也聚焦于 AI 应用。但是，考虑到从数据的预处理、特征提取、模型训练、调参等整个流程的复杂性，对于工业而言，通过工程集成将其“场景化”、“产品化”，则是它能够发挥价值的必然实现路径，否则，它将变成一个个独立项目，消耗大量的工程师资源，而因此变得缺乏经济性，而经济性是任何先进技术能够真正被采用的关键评价指标。

　　早在 10 年前，贝加莱已经开始通过机理建模与学习混合方式在风力发电机组、饮料灌装设备、印刷等重值设备上开始了预测性维护的应用。经过大量的工程实践积累，具备了将这些应用封装为标准产品的基础。因此，在 2021 年，贝加莱（中国）机器智能研究院（MITC）开启对“预测性维护”技术的标准化封装，以让用户能够采用简单的方式来实现预测性维护的应用。

　　原本采用预测性维护更多的是在设备现场运行，但是，来自众多的领先装备企业也提出了重要的诉求，就是，能否将这些监测技术也用于出厂前的设计、安装、验收阶段。如图 1，它构成了机器的完整生命周期中的服务理念。

图 1 — M.Doctor 为机器的全生命周期服务理念

　　它包括了几个方面的需求：

　　1  设计验证阶段：

　　为机器的机械传动链提供测试验证；

　　2  出厂检测：

　　主要对机械的一致性进行验证；

　　3  安装验收：

　　通过机械的测试，用可量化分析机器的运行平稳性；

　　4  工作阶段：

　　随机故障的监测，使机器处于可靠运行状态；

　　5  长期运行：

　　长期运行的机器在磨损、关键机械件的损耗方面，需要早期预警；

　　基于此，MITC 给这个产品设计了一个比较贴切的名字 “M.Doctor”，它是指 “Machine Doctor”，它表明这是一个为机器配置的健康医生。如果用于机器出厂前，就相当于建立了一个内部体检中心，确保机器到用户端的“入职体检”合格，才会去终端用户处上班。而到了现场运行过程中，相当于为机器佩戴了一个 24 小时在线的可穿戴健康监测手表。

　　M.Doctor 按照工业 AI 及软件工程标准化流程设计，通过数据的规范化、系统化采样，以及对数据的标定，完成预处理及关键故障特征提取。经由模型训练过程以及优化，这里采用了机器学习的分类方法，并结合电机、传动链的物理模型进行优化。最终实现全面数据检测、标定、处理、分析、报警、报表的完整系统。

图 2 - M.Doctor 概念设计

　　它通过不断的在现场各个场景中的数据样本积累、标定，最终形成机器的“故障预测”能力，并部署于本地的 PC 系统中，由其对数据进行实时推理，并做出判断。

　　M.Doctor 设计为“易用”，在机器制造现场，通过贴装方式将传感器部署于机器关键传动链上的合适位置，并通过数据连接至专家系统，通过简单的配置，即可实现对数据监测、可视化呈现、判断、报表等功能。

　　最早，贝加莱做预测性维护，就以振动监测为主，如表 1 所列，在各种用于故障分析的信号检测中，振动是一个“能力域”比较宽的方法，它可以检出多种现场的故障，如不对中、不平衡、共振、转子/轴承损坏等等。因此，振动传感器和振动分析模块是最多被应用于故障分析的，它成为了 M.Doctor 的标配。

表 1 - 故障诊断常用的检测方法

　　贝加莱的加速度传感器用于振动检测：它负责时域信号采样，它的采样频率范围 2Hz 低频到 10kHz+/-5% 的高频段。精度可以达到 100mv/g。

　　但是，M.Doctor 的设计思想在于“灵活性”、“便利性”，即，能够在不增加成本的情况下，尽量利用系统原有的硬件资源，如温度传感器、总线获得的驱动电流、或其它已有的传感器如互感器电流、电压等信号。

　　因此，M.Doctor 不局限于振动传感器。

　　M.Doctor 设计为一个便携式的工具箱，配置了强大的硬件和智能分析软件，可以用于机器现场的移动监测。去掉箱子，直接集成到机器控制系统中，作为机器功能的构成。

图 4 — M.Doctor 软硬件一体方案构成

　　通过大量的现场应用，我们仅以其中几个场景简单描述其应用：

　　01  轴承预紧力不足：

　　由于在传动轴上的轴承，通常会因为锁紧力不足，而导致较多的故障进而影响产品质量，这通常因为轴承锁紧过程中的游隙而产生。M.Doctor 通过对这类故障的信号进行模式的判别，经过多次的测试，形成对该类故障的推理能力。

　　该模式识别能力，可以为该类故障获得 96.8% 的检出率、3.8% 误检率以及 0% 的漏检率。

图 5 — 轴承预紧力

　　02  地脚螺丝松动：

　　对于高速（例如 500m/min 的印刷机）高精度的机器，细微的机器振动都会对产品品质带来影响，如在长期的运行以及地基维护不当时，地脚螺丝的松动也会给机器带来品质的损失。而这类故障通常不易被察觉（因为通常会将生产品质与工艺控制、机电传动链的精度进行关联），而忽视了实际上这种环境干扰带来的问题。

　　通过 M.Doctor 的模式分析，以及判断，在这类故障的识别上，M.Doctor 达到了 100% 的检出率、0 误检率，以及 0 漏检率的优异表现。

图 6 — 地脚螺丝松动场景

　　03  轴承故障模式识别：

　　在机电传动系统中，电机本身的转子与定子的间隙磁场完成驱动。但这个电机系统中的轴承成为了机械的瓶颈-它的磨损、润滑不足带来电机的失效损耗。这个是难以避免的。

　　M.Doctor 通过对轴承的振动数据检测与分析，可以获得 98.6% 的故障检出率、5.6% 的误检率，以及 0 漏检。

图 7 — 轴承故障模式识别

　　对于预测性维护所带来的好处，都是大家都所知道的，降低机器的非故障宕机、有效的维保计划的制定、更长的机器寿命、更稳定的生产…凡此种种。但是，在 M.Doctor 的开发与应用中，MITC 的工程师还发现它可能还有意想不到的用处：

　　■ 机器安装人员的开心时刻！

　　M.Doctor 在设备工厂内的安装、调试时，还是给出了非常多的好处—如果 M.Doctor 没有报警显示的时候，代表机器真的装的非常完美了，可以去用户那里上班了。这对于机器设计安装、现场调试人员非常开心，因为，这代表他们又完美的安装了一台设备。

　　■ 究竟什么造成了设备的品质问题？

　　大部分时候，现场人员容易把问题聚焦在品质分析这样的“大问题”或者“关键技术”点，这当然不会有问题，但从 M.Doctor 给我们的启发是，有时候，可能就是“地脚螺丝松动”这样的问题，带来的机器运行问题，而这些是 AI 在意想不到的地方告诉我们的。

　　■ 更聪明的机器

　　M.Doctor 所代表的 AI 应用真正的潜力在于，它会越用越聪明—开始，它只是告诉你有问题，而未来，它会告诉你问题在哪里，究竟是什么问题。

　　对它的投资，就像投资教育一样，是高回报的！