"坏了再修"是工业时代的维保方式。"还没坏就能预测什么时候会坏"是数字时代的维保方式。对自动门来说，预测性维护（Predictive Maintenance, PdM）不是科幻——用电机电流传感器、振动传感器、温度传感器、通行计数器采集运行数据，用数字孪生模型在云端运行。当模型判断"门的状态在退化"时→自动生成维护工单→在门真正坏之前就派人修好。本文给出从数据采集到故障预警的完整技术路线。
一、预测性维护的底层逻辑
自动门的故障不是突然发生的——它有一个缓慢退化的过程：
| 故障模式 | 可监测的退化信号 | 数据来源 | 从异常到完全失效的时间窗口 |
|---|---|---|---|
| 皮带磨损 | 电机电流缓慢增大（皮带变松→打滑→需要更大扭矩→电流升高） | 电机电流传感器(霍尔电流传感器, +/-50A, 精度1%) | 约1-3个月 |
| 滑轮轴承磨损 | 运行中振动幅值增加、出现特征频率分量（轴承外圈/内圈/滚动体故障特征频率） | 三轴加速度传感器(+/-16g, 采样率>=1kHz) | 约2-6周 |
| 控制器电解电容老化 | 直流母线纹波电压增大（电容容量下降→滤波效果变差→纹波增大） | 直流母线电压传感器（AC耦合测量纹波分量） | 约3-6个月 |
| 导轨污染/积尘 | 电机电流波动增大（导轨不平整→门体运行阻力波动） | 电机电流传感器 | 约2-4周 |
| 传感器灵敏度下降（镜头污染） | 发射-接收回路增益降低（自检时检测到的回波信号幅值减弱） | 传感器自检程序读取ADC值 | 约1-4周 |
二、数据采集系统的硬件架构
每樘自动门需要加装的数据采集模块：
- 传感器层：霍尔电流传感器x1（测电机电流）、三轴MEMS加速度传感器x1（测振动，贴在导轨或电机座上）、温度传感器x1（测控制器箱内温度）、通行计数器（利用现有ToF/红外传感器数据）
- 边缘计算节点：在控制器的MCU上运行一个轻量级的特征提取任务——把原始数据（如1000Hz加速度采样值）提取为特征值（如振动RMS值、峰值因子、峭度等），只上传特征值而非原始数据，大幅降低通信带宽需求
- 通信：RS485→网关→4G/WiFi→云端。也可直接用NB-IoT或Cat-1 4G模块（如合宙Air780E，成本约30元）直连云平台
三、数字孪生模型——在云端运行的"虚拟门"
数字孪生模型是一组数学公式+机器学习模型，它实时接收真实的门的传感器数据，输出对门健康状态的评估。模型包括：
- 基线模型（Normal Behavior Model）：机器学习算法（如Autoencoder自编码器）用新门运行前2周的数据训练——学习"健康门"的状态分布。训练完成后，Autoencoder可以计算出任意时刻门的"健康偏差分数"——分数越高越可能有问题
- 退化趋势模型：对电机电流、振动RMS、温度等关键特征做线性或指数回归→预测当前退化速率下，这些参数何时会超过报警阈值→输出"预测剩余可用天数"
- 故障分类模型：当检测到异常时，用分类模型（如随机森林）判断是哪种故障类型——基于历史故障样本训练（如果有足够样本）或专家规则（规则引擎）
四、故障预警逻辑——什么时候触发告警？
| 告警级别 | 触发条件 | 响应动作 |
|---|---|---|
| [NORMAL] 正常 | 健康偏差分数（Anomaly Score）< 阈值1 | 无动作 |
| [YELLOW] 预警 | 阈值1 <= Anomaly Score < 阈值2 OR 任何特征参数的趋势回归预测在30天内会超限 | 在维保App上推送提醒——"XX楼3号自动门电机电流在缓慢上升，建议在下一次季度维保中重点检查" |
| [ORANGE] 警告 | 阈值2 <= Anomaly Score < 阈值3 OR 预测7天内超限 | 自动生成维保工单+短信/企微通知维保工程师——"XX楼3号自动门振动异常增加，预测5天内可能故障，请安排检查" |
| [RED] 告警 | Anomaly Score > 阈值3 OR 某特征参数已超过硬阈值 | 立即推送告警+拨打维保工程师电话（自动语音拨打），同时在BMS大屏上显示告警 |
三个阈值（threshold1/2/3）不是拍脑袋定的——基于历史数据做ROC曲线分析，找到误报率和漏报率的最佳平衡点。通常阈值1设在历史正常数据分布的第95百分位（即超过即可疑）、阈值2在第99百分位、阈值3在第99.9百分位。
五、投入产出分析
| 成本项 | 金额 |
|---|---|
| 每樘门的IoT硬件成本（电流/振动/温度传感器+边缘计算模块+4G通信） | 约300-500元 |
| 云平台费用（每樘门/年） | 约50-100元 |
| 系统开发+模型训练（一次性投入） | 约10-20万 |
| 总投入（以100樘门计，3年TCO） | 约5-8万元 |
| 节省项 | 金额 |
|---|---|
| 减少紧急维修（预测性维护可降低70%的紧急报修） | 紧急维修单次成本约800元（含人工+交通+配件），100樘门每年约20次紧急维修→节省20x70%x800=11,200元/年 |
| 延长设备寿命（及时保养→门体寿命延长2-3年） | 100樘门，平均采购价6000元/樘，延长2年寿命=6000x100/8x2=15万元分摊=约18,750元/年（按8年寿命延到10年计算） |
| 减少门体停机造成的商业损失 | 难以精确量化，但一扇大门停一天造成的商业影响远超门的价值本身 |
| 年节省合计 | 至少3万元+ |
3年投资回收期，而且预测性维护带来的最大价值不是省钱——是让甲方彻底忘了"门会坏"这件事。
六、实施路径建议
预测性维护不需要一步到位。推荐的实施路径：
- 第1阶段（1-3个月）：部署电流+温度传感器（最简单的两个参数），建立电流和温度的基线模型。已经可以检测到皮带磨损和电机异常两大最常见故障
- 第2阶段（3-6个月）：增加振动传感器，完善特征提取和退化趋势分析。这个阶段可以看到滑轮轴承磨损的早期信号
- 第3阶段（6-12个月）：完善故障分类模型，接入维保工单系统，实现全自动的"检测→预警→派单→维修→反馈"闭环
建议从最关键的10-20樘门开始试点——这些门应该是高流量（>1000次/天）或高价值（>20000元/樘）的门。试点1年后用数据证明效果，再全量推广。