在“以修代停”的时代里，边缘网关（Edge Gateway）+ 工业传感器 + 数据通道构成了预测性维护（Predictive Maintenance, PdM）的核心闭环。本文从工程实战出发，回答两个最常见的问题：传感器怎么接？数据怎么走？并附上可直接落地的实施清单。

一、传感器怎么接？（硬件接入与布点）

1. 常用传感器类型与典型用途

振动/加速度（单轴/三轴）：滚动轴承故障、不平衡、对中误差、松动、齿轮磨损。
温度（热电偶/RTD/红外）：电机/轴承/减速箱过热、冷却异常、润滑不足。
电流/功率/功率因数：三相不平衡、过载、空载、堵转、绝缘劣化的间接征兆。
压力/流量/液位：泵/压缩机的空化、泄漏、堵塞、阀门卡滞。
油液品质/金属磨粒：润滑油劣化、轴承与齿轮磨粒趋势。
声学/超声：早期轴承故障、泄漏、放电声。

2. 接线与接口方式（现场 → 边缘）

模拟量：4–20 mA、0–10 V（网关需具备 AI 模块或外接采集模块）。
数字/串行：RS-485/Modbus RTU、脉冲/频率输入（转速）、开关量 DI。
IO-Link：点对点智能传感器接入（网关或 IO-Link 主站模块支持）。
工业以太网：Modbus TCP、EtherNet/IP、PROFINET、OPC UA（通过 PLC 或直接到网关）。
无线（可选）：BLE、Sub-GHz、Wi-Fi、5G（注意供电与电池寿命、抗干扰与加密）。

3. 传感器布点与安装建议

就近原则：振动/温度探头尽量贴近轴承座、齿轮箱端盖、风机两端盖；测点编号与方向一致（X/Y/Z）。
走线与屏蔽：模拟量与弱信号线使用屏蔽双绞线，单端接地；与动力线分槽布线，避开变频器输出侧。
采样频率：振动信号按目标转速/谐振频段设置（如 2–10 kHz 以上），温度/电流可低频采样。
先少后多：先为关键资产布置 1–3 类传感器建立基线，再扩展到全线。

二、数据怎么走？（现场 → 边缘 → 云/后台）

1. 三层架构

现场层（Sensors & Controllers）：传感器采集原始物理量；PLC/驱动完成控制回路。
边缘层（Edge Gateway）：多协议采集、清洗与特征提取、规则/轻量模型推理、就地告警与缓存。
云/后台层：长期趋势、模型训练与下发、资产画像、CMMS/工单联动、跨设备对比。

2. 数据处理与上报流程（示例）

采集：振动/温度/电流等通过 AI/DI/RS-485/IO-Link/以太网进入网关。
预处理：滤波、去噪、重采样、去趋势；对振动做 RMS、峰值、峭度、包络解调、FFT 等特征。
边缘推理：阈值/规则引擎或轻量 ML（如一类分类、移动窗口异常分数）；异常即刻本地告警。
上报：按策略将特征/告警/压缩后的波形通过 MQTT/HTTPS/OPC UA 上传；断网本地缓存，联网补发。
云端分析：趋势建模、相似资产对比、故障模式库（FMECA）匹配、健康评分与剩余寿命（RUL）评估。
联动：推送到 CMMS/EAM 生成工单；与 MES/SCADA/报警系统联动。

3. 边缘与云的职责分工

层级	适合处理	时效	典型能力
边缘（Gateway）	实时检测、近端特征、就地告警、协议汇聚、断网容错	毫秒—秒级	多协议驱动、滤波/FFT、规则/轻量模型、离线缓存、安全加密
云/后台	长周期趋势、模型训练与版本管理、跨产线对比、资产画像	分钟—天级	大数据存储、AutoML/深度学习、可视化、CMMS/工单闭环

4. 常见数据与协议路径

现场采集：4–20 mA / 0–10 V、RS-485/Modbus RTU、IO-Link、Modbus TCP、EtherNet/IP、PROFINET、OPC UA。
边缘上报：MQTT（QoS1/2）、HTTPS/REST、OPC UA PubSub；支持 TLS、证书、设备鉴权。
协议转换：网关承担 RTU↔TCP、专有↔标准协议转换与数据语义对齐。

三、边缘网关该具备什么？（功能要点）

多协议驱动：Modbus RTU/TCP、OPC UA Client/Server、EtherNet/IP、PROFINET、IO-Link 主站或适配器。
本地计算：RMS/FFT/包络、移动窗口统计、阈值/规则引擎、轻量模型（ONNX/TFLite）。
数据治理：时间同步（NTP/PTP）、缺失填补、异常值处理、数据压缩（LZ4、Gorilla 等）。
安全与可靠性：TLS/证书、设备身份、ACL、固件签名、离线缓存与断点续传、看门狗自愈。
设备管理：远程配置、日志/指标、OTA 升级、容器化（Docker/OCI）应用部署。

四、实施与调试清单（可勾选）

[ ] 资产清单：标注关键设备、转速/功率/轴承型号、故障历史。
[ ] 测点设计：振动/温度/电流测点与方向、采样率、量程与安装方式（磁座/螺栓/胶粘）。
[ ] 接线与屏蔽：AI/DI/485 正确接线，屏蔽与接地单点策略，走线分槽。
[ ] 基线采集：设备正常状态下采集 1–2 周，形成健康阈值与参考谱。
[ ] 网关接入：驱动/协议配置、时间同步、特征计算与告警规则调优。
[ ] 数据路径：MQTT/HTTPS/OPC UA 连通性，QoS 与重传策略，断网缓存验证。
[ ] 联动对接：云端存储、可视化大屏、CMMS 工单打通（告警→工单→关闭）。
[ ] 异常演练：人为制造轻度异常（夹纸、松皮带、加热），验证告警灵敏度与误报率。
[ ] 安全加固：证书、口令策略、端口最小化、只读账户、审计日志。
[ ] 运维文档：测点图、参数表、告警阈值、版本与变更记录、应急流程。

五、参考落地架构（示例）

文字版数据流示意：

传感器(振动/温度/电流/压力…)     └── 模拟量/485/IO-Link/以太网          └── 边缘网关（采集→滤波/FFT→特征→规则/轻量模型→告警/缓存）                 ├── 本地 HMI/短信/声光报警                 └── 云/后台（MQTT/HTTPS/OPC UA）→ 趋势与模型 → CMMS 工单

六、小结

要把预测性维护做“真有用”，关键不在于堆设备，而在于打通传感器接入 → 边缘特征/告警 → 云端趋势/工单的闭环，并用小试点迭代阈值与模型。从关键设备开始、从少量测点起步，边跑边调，才能真正减少停机、降低维护成本、延长资产寿命。