振动是旋转机械直接的健康信号。加速度传感器安装在轴承座或机壳上，以每秒数千次的采样率捕捉振动波形。当轴承出现点蚀、齿轮断齿或转子不平衡时，振动频谱中会出现特定频率的峰值。例如，轴承外圈故障的特征频率与滚动体通过外圈的速率相关，工程师通过快速傅里叶变换（FFT）将时域信号转为频谱，就能像医生看心电图一样识别故障类型。某风电场曾通过振动监测发现发电机轴承早期损伤，提前更换避免了主轴报废，节省维修成本超过80万元。
单一振动信号有时难以区分故障根源。现代监测系统会同步采集温度、压力、电流和转速等数据。比如，电机电流特征分析（MCSA）能通过定子电流的边带频率判断转子断条；红外温度传感器可发现局部过热；油液分析则检测磨损颗粒。这些数据经时间对齐后输入机器学习模型，可大幅降低误报率。某化工厂的压缩机监测中，振动频谱显示异常，但温度与压力正常，终结合电流谐波分析确认是变频器干扰而非机械故障，避免了不必要的拆机。
预测性维护的核心不是“预测未来”，而是“量化剩余寿命”。系统先建立正常工况下的基线模型，再通过退化算法（如卡尔曼滤波或长短期记忆网络）追踪健康指标的变化趋势。当指标越过预警阈值，系统会估算剩余可用时间。例如，某半导体厂对真空泵实施预测性维护，通过监测振动均方根值和电流谐波畸变率，成功将非计划停机减少70%。值得注意的是，数据采集的同步精度和抗干扰能力直接影响预测效果——采样率不足会丢失高频故障特征，而电磁干扰则可能淹没微弱信号。
传感与数据采集让工业设备从“坏了再修”转向“按需维护”。振动分析提供早期故障指纹，多参数融合提升诊断可靠性，而预测性维护则依赖长期数据积累与算法迭代。对于普通读者，理解这一点就足够了：每一台平稳运转的机器背后，都有无数传感器在默默“倾听”它的心跳。
