shield_lock
金大哥
← 返回 Skill 列表
extension
分类: 数据与分析无需 API Key

机械振动健康快速筛查

旋转机械振动健康快速筛查（含鲁棒接入层）。当用户提供任意格式的振动信号文件（CSV/NPY/MAT/WAV/XLSX/Parquet 等），即便采样率、单位、转速未知，也能给出 ISO 20816-3:2022 健康度判定。本 Skill 自带"接入层"——自动识别格式、嗅探元数据、单位归一、与用户确认低置信项——再调用核心 ISO 评估算法，输出 A/B/C/D 区 + 健康度评分（0-100）。适用于任意联轴工业旋转设备（电机/泵/风机/压缩机/汽轮机）的点检、巡检、现场快速健康初筛。

person作者: user_09377e9ahubcommunity
download下载资源包

旋转机械振动健康快速筛查 v1.2.0

本 Skill 是 "通用鲁棒振动健康筛查" ——评委从 U 盘随手拷一个振动文件过来，不管格式、单位、采样率是否标注，都要给出一个 有依据 的 ISO 20816-3 健康判定。

核心设计：单点 + 通用

  • 单点：只做"振动健康筛查"这一件事（不做轴承故障定位、不做齿轮诊断、不做寿命预测）
  • 通用：接入层能吃 9 种格式 + 元数据三级回退 + 单位归一，遇到没见过的格式时由 Claude 现场写代码

标准依据（严格）

| 项目 | 内容 | |---|---| | 主标准 | ISO 20816-3:2022 Mechanical vibration — Part 3 | | 中国国标 | GB/T 6075.3（等同采用 ISO 20816-3） | | 适用范围 | 功率 > 15 kW，转速 120–30000 RPM 的联轴工业机械 | | 评估量 | RMS 振动速度（mm/s） | | 有效频率范围 | 10 Hz – 1000 Hz（< 600 RPM 设备扩展到 2 Hz – 1000 Hz） | | 评估前提 | 稳态运行工况，不适用于启停瞬态 |

何时调用此 Skill

满足任一即触发：

  • 用户上传 任意格式 的振动信号文件，询问设备是否健康
  • 关键词：振动筛查 / 健康度 / 设备状态 / 健不健康 / ISO 20816 / 振动区 / 点检 / 巡检 / RMS 速度 / 振动严重度
  • 现场评审、设备健康看板、批量信号初筛
  • 任意旋转机械（电机/泵/风机/压缩机/汽轮机/发电机）的健康初筛

注：本 Skill 是 筛查工具，不做故障定位。如用户要识别具体故障类型（外圈/内圈/齿轮等），应转用 bearing-fault-diagnosis 或 gear-diagnosis。

工作流（严格按此顺序）

四个脚本配合完成一次筛查。所有脚本输出 JSON，可串联调用。

Step 1：解析信号文件

python scripts/load_signal.py <用户给的文件>
# 例：python scripts/load_signal.py /data/U盘里的奇怪.csv

返回字段：

  • signal_path — 归一后的 NPY 临时文件路径（后续步骤都用这个）
  • n_samples — 样本数
  • format — 检测到的格式
  • fs_from_file — 文件头自带的采样率（仅 WAV/TDMS 有），可为 null
  • amplitude_stats — RMS / peak / mean / min / max（供 Step 2 用）
  • embedded_metadata — 文件内嵌的元数据（如 MAT struct 的 bearing.sr/rate），自动写入 <signal_path>.meta.json sidecar，Step 2 自动读取
  • candidates — 仅 MAT 多变量时存在；若有多个候选变量，先和用户确认选哪个
  • warnings — 必须告诉用户的提示（多列 CSV 选哪列、MAT 多变量等）

特殊情况：

  • 不支持的格式（status=error 且提示）→ 由你（Claude）现场写 Python 读取（用 nptdms/librosa/或自定义解析），保存为 NPY 后从 Step 2 继续
  • MAT 多个候选变量 → 用 --mat-var <name> 重跑（支持嵌套路径如 bearing.gs），或先问用户

Step 2：补全元数据

python scripts/infer_metadata.py \
    --original <用户原始文件路径> \
    --signal <Step 1 输出的 signal_path> \
    [--fs-user <用户明确给的采样率>] \
    [--unit-user <用户明确给的单位>] \
    [--rpm-user <用户明确给的 RPM>]

重要：脚本会自动读取 <signal_path>.meta.json sidecar（Step 1 写的），把文件内嵌的 fs/rpm 等元数据无缝接入——你不需要手动传递。

返回：{fs, unit, canonical_unit, rpm, confidence, reasoning, needs_user_confirm, warnings}

多级回退（优先级从高到低）：

  1. --*-user 用户明确指定
  2. 同目录的 <stem>_metadata.json 旁路文件（沿用主项目约定）
  3. Step 1 写的 sidecar .meta.json（含 MAT struct 内的 sr/rate、WAV 头的 fs 等）
  4. 文件名正则（_fs25600 / _25kHz / _1800rpm / _mms / _g）
  5. 信号幅值启发（含 g vs m/s² 模糊带的诚实低置信标注）
  6. 兜底默认 + 显式警告

Step 3：与用户确认（仅当 needs_user_confirm 非空）

如果 Step 2 返回的 needs_user_confirm 包含 fs 或 unit，必须在调用 Step 5 之前与用户对话确认，模板：

"我从这个文件中没找到明确的采样率信息，按工业常见值默认假设为 25600 Hz——如果实际不是请告诉我。

信号的 RMS 是 0.99，峰值 6.2，单位我判断不出来是 g 还是 m/s²（这两种在这个幅值范围都合理）。请问采样率是多少？单位是哪个？"

仅当 confidence=high 时可以跳过确认直接出结果。

Step 4：单位归一（仅当 canonical_unit ∉ {g, mm/s}）

python scripts/convert_unit.py \
    --signal <Step 1/2 后的 NPY> \
    --from <canonical_unit> \
    --to <g 或 mm/s> \
    [--fs <采样率，跨类时必传>]

返回新的 signal_path。常见路径：m/s^2 → g、μm → mm/s、mil → mm/s。

Step 5：调用 ISO 评估

python scripts/screen.py \
    --信号 <最终的 NPY 路径> \
    --采样率 <Step 2 确定的 fs> \
    --单位 <g 或 mm/s> \
    [--转速 <RPM>] \
    [--机器组别 1 或 2]

Step 6：组织给用户的回答

必须包含：

  1. 整体判定 + 健康度评分（永远有值）—— 用 emoji 标识，如 🟡 监视 / 评分 72
  2. ISO 区 + 阈值依据
  3. 关键指标（RMS、峭度、峰值因子、主频）
  4. 算法做的所有自动处理：
    • 选了哪一列（如 CSV 多列时）
    • 用了哪些元数据来源（sidecar JSON / filename / amplitude heuristic）
    • 走了什么降级路径
    • 单位转换过程
  5. 可信度等级（高/中/低）
  6. 建议行动
  7. 报告字段状态（v1.2.0 暂不生成 HTML，_报告.HTML 为 null）

不规范输入的处理决策树

| 情形 | 处置 | |---|---| | 不支持的格式（如 .tdms） | 你现场用 nptdms 读，存 NPY，从 Step 2 继续 | | MAT 多个候选变量 | 用 --mat-var <name> 重跑；或问用户 | | CSV 多列且没有列名暗示 | load_signal 已按"列名+方差+单调性"启发选一列；告诉用户选了哪列、其他候选有哪些 | | 采样率未知 | infer_metadata 默认 25600 Hz + 低置信；必须问用户确认 | | 单位未知（且幅值模糊） | infer_metadata 默认 g + 低置信；必须问用户 | | 单位是 m/s² / μm / mil 等 | 自动走 Step 4 convert_unit.py | | 转速未知 | 不用问用户，screen.py 内部会从频谱反推 | | 信号过短 / 噪声大 / NaN 多 | screen.py 内部已有降级路径，结果里会有 _警告 字段 | | 用户提供错误的机器组别（3 或 4） | 告诉用户 ISO 20816-3 只有 Group 1 和 Group 2 |

ISO 20816-3 机器组（严格按标准 5.2 节）

Group 1：大型机器

  • 功率 > 300 kW 或电机轴高 H ≥ 315 mm
  • 通常采用滑动轴承
  • 转速 120 – 30000 RPM

Group 2：中型机器（最常见，默认值）

  • 功率 15 kW < P ≤ 300 kW 或电机轴高 160 mm ≤ H < 315 mm
  • 通常采用滚动轴承
  • 转速通常 > 600 RPM

严格只有 2 个组。早期 ISO 10816 有更多分组但已被 20816-3 合并简化。

支撑分类（rigid vs flexible）

按机器+基础最低自然频率与主激振频率（通常是转频）的比例：

  • 自然频率 ≥ 1.25 × 主激振频率 → rigid（刚性）
  • 其它情况 → flexible（柔性）

经验：中型电机/水泵/风机 → rigid；大型汽轮发电机（> 10 MW）/立式机组 → flexible。

ISO 评估阈值表（Annex A）

Group 1（大型）

| 支撑 | A/B | B/C | C/D | |---|---|---|---| | Rigid | 2.3 | 4.5 | 7.1 | | Flexible | 3.5 | 7.1 | 11.0 |

Group 2（中型，最常用）

| 支撑 | A/B | B/C | C/D | |---|---|---|---| | Rigid | 1.4 | 2.8 | 4.5 | | Flexible | 2.3 | 4.5 | 7.1 |

单位均为 RMS 速度 mm/s。

健康度评分对应表

| ISO 区 | 评分 | 业务动作 | |---|---|---| | A | 85–100 | 例行巡检 | | B | 60–84 | 缩短监测周期，2–4 周复测 | | C | 35–59 | 1–2 周内详细诊断 | | D | 0–34 | 立即停机检查 | | 信号质量不足 | — | 不下结论，重新采集 |

算法鲁棒性承诺

  1. 永远给 ISO 区 — A/B/C/D 永远有值（或明确 不可评估 + 原因）
  2. 信号长度自适应 — 0.5 秒到 30 分钟均能处理；过短时降级到时域评估
  3. 转速未知反推 — 从频谱主峰反推 1x 频率（含谐波一致性校验）
  4. 异常采样清洗 — NaN/Inf 线性插值；超 5% 时告警
  5. 异常采样鲁棒 — NaN/Inf 会清洗或降级为“不可评估”；当前版本不单独计算 SNR
  6. 永不超时 — 50 MB 以内单文件 < 5 秒响应

不要做的事

  • ❌ 不要在 needs_user_confirm 非空时直接出结果，必须先问用户
  • ❌ 不要静默接受算法降级或元数据猜测，必须把过程告诉用户
  • ❌ 不要把"信号质量不足"包装成"机器正常"
  • ❌ 不要在机器组别参数填入 3 或 4——ISO 20816-3 只有 Group 1 和 Group 2
  • ❌ 不要承诺已生成 HTML 报告；v1.2.0 仅返回 _报告.HTML = null
  • ❌ 不要给具体故障类型结论（"外圈故障"等）——本 Skill 是筛查工具
  • ❌ 不要在 Step 4 之前调用 Step 5 —— screen.py 只接受 g 或 mm/s
  • ❌ 不要直接 import 主项目 predictive-maintenance-mcp/src/signal_loader.py——Skill 必须自包含可独立分发

给用户回答的模板（高置信场景）

✅ 整体判定：健康（A 区）　健康度评分：89 / 100

📐 ISO 20816-3:2022

  • 区：A — 新机器交付水平，长期运行健康
  • RMS 速度：1.0 mm/s
  • 适用组：Group 2 rigid（A/B=1.4，B/C=2.8，C/D=4.5）
  • 阈值依据：ISO 20816-3:2022 Table A.2

📊 关键指标 RMS=0.12 g，峭度=2.8，峰值因子=3.1，主频=30 Hz

🔧 算法处理

  • 采样率 25600 Hz 来自文件名解析（高置信）
  • 单位 g 来自旁路 metadata.json（高置信）
  • 转速由频谱主峰反推：1800 RPM
  • 无降级路径

💡 建议行动：例行巡检即可，30 天后复测对比

📄 HTML 报告：当前版本暂未生成（_报告.HTML = null）

给用户回答的模板（低置信场景）

我看了你这个文件，但有几个信息需要你确认：

  1. 采样率不确定：文件里没有标注，文件名也没有暗示。我先按工业常见值 25600 Hz 算了一次——如果你实际用的是 97656 Hz 或别的，请告诉我，我重算。
  2. 单位不确定：信号 RMS=0.99、峰值 6.2，在 g 和 m/s² 之间都合理——前者意味着 ISO C 区（可疑），后者意味着 A 区（健康）。结论会反过来，请务必确认。

暂按 (fs=25600 Hz, unit=g) 给一份参考结果： 🟠 整体判定：可疑（C 区）　评分：48 ...

运行架构（v1.2.0 本地版）

所有评估在 Python 进程内完成，无需任何后端服务：

| 组件 | 位置 | 职责 | |---|---|---| | scripts/iso_engine.py | Skill 自带 | ISO 20816-3 评估核心算法（移植自主项目，已裁剪） | | scripts/screen.py | Skill 自带 | CLI 入口，本地调用 iso_engine.evaluate() | | Python 依赖 | requirements.txt | numpy / scipy / pandas / openpyxl / h5py / pyarrow |

不依赖任何 HTTP 服务，无 daemon，无域名/端口。Skill 完全自包含可独立分发。 部署到 71 服务器只需 pip install -r requirements.txt，详见 INSTALL.md。

算法依据

| 维度 | 标准 | |---|---| | 诊断架构 | ISO 13374 六块诊断体系 | | 严重度评估 | ISO 20816-3:2022 Annex A | | 加速度→速度积分 | 时域积分 + 4 阶 Butterworth 高通 @2 Hz 去趋势 | | 转速反推 | 频谱主峰检测 + 谐波一致性校验 | | 信号清洗 | NaN/Inf 线性插值，5% 阈值告警 | | 变化趋势 | ISO 20816-3 Criterion II（变化 > B/C 边界 25% 视为显著） |

参考资料