工厂里PLC实时采集的设备数据就像设备的"体检报告"，通过分析温度、振动、电流等参数的变化趋势，我们可以像老工程师"看脸色识故障"一样预测设备异常。本文教你用Python+Scikit-learn构建故障预测模型，数据直接来自PLC的DB块存储区。
一、数据采集三板斧
- PLC侧配置要点
在STEP7/TIA Portal中配置数据记录功能，以S7-1200为例：
• 创建DB块存储温度（REAL）、振动（INT）、电流（REAL）等参数
• 设置循环中断OB块每500ms读取一次传感器数据
• 通过OPC UA协议将数据发送给上位机
Python通过opcua库读取数据示例
from opcua import Client
client = Client("opc.tcp://192.168.1.10:4840")
client.connect()
temp_node = client.get_node("ns=2;s=DB1.Temperature")
current_value = temp_node.get_value()
- 数据预处理技巧
• 时间戳对齐：不同传感器的采集频率差异需插值处理
• 滑动窗口：按10分钟窗口计算均值、方差、峰值等特征
• 异常值过滤：用3σ原则剔除明显不合理数据
注意事项：务必检查PLC与上位机的时钟同步，时间戳错位会导致特征提取失败
二、特征工程实战
- 关键特征提取
• 时域特征：均值、方差、峭度（反映冲击信号）
• 频域特征：FFT变换后的主要频率成分
• 组合特征：电流波动率 = (最大值-最小值)/平均值使用Pandas计算特征
df['vibration_std'] = df['振动'].rolling(120).std() # 120个数据点=1分钟
df['current_ratio'] = (df['电流'].max() - df['电流'].min())/df['电流'].mean() - 特征选择方法
• 随机森林输出特征重要性排序
• PCA降维处理多重共线性问题
• 保留解释90%以上方差的前5个主成分
经典失误案例：某现场因未考虑环境温度补偿，夏季误报率飙升40%
三、机器学习模型搭建
- 模型选择指南
• 二分类问题（正常/故障）：随机森林、XGBoost
• 多分类问题（故障类型）：SVM、神经网络
• 时序预测：LSTM网络
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
print(f"测试集准确率:{model.score(X_test, y_test):.2%}") - 模型优化技巧
• 样本均衡：对故障样本采用SMOTE过采样
• 参数调优：用GridSearchCV搜索最佳树深度
• 在线学习：每天凌晨自动增量训练模型
报警逻辑设计：连续3次预测为故障则触发警报，避免误报干扰生产
四、落地部署踩坑记
- 边缘计算方案
• 树莓派+ModbusTCP：低成本实时推理方案
• 工控机Docker部署：方便模型更新回滚
• PLC本地预警：通过MQTT发送指令点亮报警灯 - 常见故障排查
• 现象：预测结果持续为正常
排查：检查传感器接线是否松动→验证数据分布偏移→重新校准模型
• 现象：推理速度越来越慢
处理：清理历史数据→采用滑动窗口更新→硬件升级
五、实践路线图 - 从单一设备（如水泵电机）开始验证
- 优先选择振动+温度这对黄金组合信号
- 初期可人工标记100组故障数据用于训练
- 部署后保留3个月观察期，持续优化阈值
最后忠告：模型预测不能替代定期维护！曾有用例因过度依赖AI预警，导致齿轮箱缺油损毁。好的预测系统应该是"老司机+智能助手"的组合。
