小微企业设备预测性维护实战：ESP32 + 振动传感器做异常监测、FFT 频谱与企微告警

摘要：设备坏了再修，往往伴随停产损失。本文用一块十几元的 ESP32 加 ADXL345 振动传感器，搭一套小微企业用得起的"预测性维护"方案：实时采集振动、计算 RMS 超限告警，并在服务端做 FFT 频谱分析，提前识别轴承磨损、不对中和松动，把故障消灭在停机之前。

一、什么是预测性维护

传统有两种：事后维修（坏了再修，损失大）和定期保养（到点就换，浪费且可能刚换就坏）。预测性维护靠设备状态的实时特征判断——其中振动是最灵敏、最便宜的窗口。旋转机械（电机、风机、泵、轴承）的早期故障，几乎都会先在振动频谱上露出马脚：轴承内圈/外圈剥落有特征频率，不对中产生 2 倍转频，松动出现边带和谐波。

二、硬件选型与成本

主控：ESP32（带 Wi-Fi，约 15–25 元），负责采样与上报。
传感器：ADXL345（I2C/SPI，三轴，±16g，最高 3.2kHz 采样），或 MPU6050。三轴能区分径向与轴向振动。
固定件：磁吸底座或环氧胶，传感器必须刚性固定在设备外壳近轴承处，否则会引入假信号。
供电：就近取 5V/3.3V 或 PoE 转接。

成本单点通常 < 50 元，比一台振动分析仪便宜两个数量级，适合在多条产线批量布点。

三、采集端固件（ESPHome 思路）

用 ESPHome 可免写固件，定时采样并计算 RMS（均方根，反映振动总能量）：

sensor:
  - platform: adxl345
    i2c_id: bus_a
    update_interval: 1s
    accel_x:
      name: vib_x
  - platform: template
    name: vib_rms
    lambda: return sqrt(id(vib_x)*id(vib_x)+id(vib_y)*id(vib_y)+id(vib_z)*id(vib_z));

当 RMS 连续超基线阈值，通过 mqtt.publish 或 webhook 推到服务端。注意 update_interval 决定的是上报频率，真正做频谱要在服务端拉原始采样流，或提高 ESP32 内部采样率后抽帧上传。

四、服务端 FFT 频谱分析

服务端（Node-RED / Python 脚本）收集一段原始加速度序列，用 NumPy 做快速傅里叶变换：

import numpy as np
x = np.array(samples, dtype=float)          # 一段采样
fs = 3200.0                                 # 采样率 Hz
spec = np.abs(np.fft.rfft(x - x.mean()))    # 去直流后取幅值
freqs = np.fft.rfftfreq(len(x), d=1/fs)
peak_idx = int(np.argmax(spec))
print("主频:", round(freqs[peak_idx], 1), "Hz")

把峰值频率与设备转速换算的轴承特征频率（BPFO/BPFI/BSF/FTF）比对：若主频稳定落在某特征频率附近且幅值随时间抬升，基本可判定对应轴承部件开始劣化。这一步是"预测"的核心，比单纯看 RMS 告警更准。

五、告警与可视化

企微机器人 Webhook：把"设备 X 振动超阈值 / 频谱异常"推到运维群，带设备名、RMS 值、主频和截图链接。
Grafana 趋势看板：把 RMS 与峰值频率按时间存 InfluxDB，画趋势线；当曲线连续 N 天抬升即触发保养工单，而不是等坏。
分级：轻微超基线→记录观察；超 1.5 倍→派单巡检；超 2 倍或频谱出现明显特征峰→立即停机检修。

六、部署注意事项

采样率 > 2×最高故障频率：轴承特征频率通常几百 Hz 到几 kHz，建议 ≥ 3.2kHz 采样。
基线要"健康时"采集：新设备/刚保养后采一段作为基准，否则无从判断劣化。
环境振动隔离：传感器别装在会被动传递隔壁设备振动的位置，磁吸底座比胶粘更易复测。
温漂与校准：ADXL345 零点会随温度漂移，软件去均值即可，不必过度校准。
先试点一台设备验证链路，再批量复制，避免一次性铺开却无人会看频谱。

小结

预测性维护不是大企业的专利。一块 ESP32 加 ADXL345，配合 RMS 实时告警与 FFT 频谱特征识别，就能让小微企业用极低成本把"突发停机"变成"计划检修"。关键是先建基线、看趋势、分级响应，让数据真正指导保养而不是只做漂亮图表。