PHM：设备健康不再是"好"或"坏"，而是一个 0 到 1 的数字

"坏了再修"的成本有多高？

风机主轴轴承抱死——不只是换轴承的几万块，还有塔上拆装、大件运输、停机发电损失，综合成本动辄数十万甚至上百万元。轴承从开始退化到完全抱死，中间有几个月的时间窗口，但因为没有量化监控，这段时间被白白浪费了。

工厂里大多数设备的状态不是"正常"和"故障"二选一，而是两者之间的灰色地带——振动偏大但没超标，温度偏高但还能坚持。传统阈值告警在这时要么不报（恶化继续），要么误报（频繁停机）。

三层融合：CNN 识别已知故障 → VAE+孤立森林交叉验证发现未知异常 → 规则引擎加权融合计算 H(t)

H(t)：把"健康"变成一个可以计算的数字

H(t) = Σ wᵢ · pᵢ。CNN 输出各故障类型的概率 pᵢ，规则引擎根据故障严重度和所处发展阶段确定权重 wᵢ——轴承碎裂的权重远低于轻微润滑不良（前者的 sᵢ=0.9，后者 sᵢ=0.3）。EWMA 指数加权移动平均做时间平滑，消除瞬时毛刺。

H(t) ∈ [0, 1]。H=1 表示设备完全健康。H=0 表示必须停机。不是"振动超标就报警"，而是"健康度在持续下降，还有 48 小时到达停机阈值"。

H(t) 计算：概率分布 × 动态健康权重 → 加权求和 → EWMA 时间平滑 → 连续健康标量

A[H(t)]：一个数字，三种产能状态

H(t) 是诊断结果，A[H(t)] 是控制信号。分段函数把 H(t) 转成设备产能指令：

• H(t) < H_stop（如 0.3） → A=0。强制停机，触发维修工单。
• H_stop ≤ H(t) < H_full（如 0.8） → A 从 0 到 1 线性变化。按比例降速降功率运行，同时安排预防性维护。
• H(t) ≥ H_full → A=1。满负荷，无干预。

三态产能调节：A=0 强制停机 → 0

A[H(t)] 进了 OEE 公式，设备效率才算真实

传统 OEE 的可用率 A = 实际运行时间 / 计划运行时间。但这不反映设备健康——设备在亚健康状态满负荷运行，虽然"运行时间"拉满了，但效率实际在降。

PHM 把 A[H(t)] 上报 Online 后，Online 的 OEE 公式中 A 不再是简单的时间统计，而是健康驱动的可用率。OEE 真正反映了"健康的设备在高效生产"，而不只是"设备在运转"。

三层融合 vs 一个模型：差距不是精度，是"覆盖度"

CNN 擅长分类已知故障但不擅长发现新故障；VAE 擅长发现新异常但不能告诉你是哪种故障；孤立森林在手工特征上表现好但覆盖面有限。

三层融合的要义不是"三个模型一起跑"——是每层纠正上一层的漏检和误判。CNN 第一层粗筛，VAE+孤立森林第二层交叉验证（发现 CNN 没见过的模式），规则引擎第三层把各路的输出变成可计算的健康值。去掉任何一层，都会在特定场景下出现盲区。

技术快照

维度	规格
模型	CNN 25KB/0.3ms + VAE 300KB/3ms + 孤立森林 50KB/0.1ms
推理	204.8ms 窗口（2048 点@10KHz），32 通道并行，总延迟 <5ms
量化	INT8（CNN）+INT16（VAE），RK3588 NPU 6TOPS
输出	H(t) ∈ [0,1] · A[H(t)] ∈ [0,1] · normal/abnormal/unknown 三态

让设备"会说话"

振动、温度、电流——这些信号设备一直在产生，只是没人去解读。PHM 把这几路信号变成两个数字：H(t) 告诉你设备还能撑多久，A[H(t)] 告诉你在当前健康状态下还能跑多快。从"坏了再修"到"知道什么时候该修"，差的不是传感器，是数字化的那一步。