设备还没坏，AI为什么已经发出警报？预测性维护正在改变工厂停机管理

健康信号来自多种传感器

振动、电流、轴承温度和声学信号分别反映机械与电气状态。单一温度阈值在高负荷班次可能经常误报，振动的特征频率则有助于定位轴承或不平衡问题。采集时必须记录转速、负载和润滑条件，否则同一设备在不同工况下的曲线不可直接比较。

异常识别不等于故障预测

早期缺少足够的故障样本时，可以先建立正常运行画像，把显著偏离的设备交给工程师复核。积累维修记录后，再区分轴承磨损、联轴器偏心和传感器松动等原因。剩余寿命估计需要连续的退化轨迹，不能把一次异常分数机械换算成还可运行多少天。

警报要和生产排程相连

维修窗口最好与换线、清洗或计划停产重叠。系统应同时显示风险等级、备件库存、预计停机时长和订单优先级。高风险但低置信度的警报，可以增加人工点检；高置信度且故障后果严重的设备，则应安排停机检查。过多误报会让班组忽略系统，漏报则可能造成安全和交期损失。

评价项目不能只算少修几次

维护价值应对比故障停机小时、备件消耗、抢修加班、质量损失与数据系统成本。一个关键泵的故障即使概率不高，若会使整条产线停工，监测仍可能划算。相反，低价值且可快速替换的小设备，不一定需要复杂模型。

建立可追溯的反馈环

每次报警都要记录工程师判断、现场发现、维修结果和模型是否命中。设备更换或工况改变后重新建立基线。这样，预测性维护从“发通知”进化为有记录的风险决策，并与设备数字档案形成闭环。

确定关键设备优先级

不是所有轴承都值得安装在线振动系统。优先挑选故障会使整线停产、备件交期长、维修必须停机或涉及安全的资产。设备档案要列明故障模式与后果，再决定监测方式。对可快速替换的普通电机，定期点检与简单电流监测可能已足够。

为什么同一阈值不能复制全厂

相同型号的泵可能运行在不同转速、负荷和基础条件下。直接套用统一振动阈值，会对部分设备频繁误报，对另一部分设备漏报。应把设备安装方式、转速区间与工况作为模型输入，并由维修人员审核异常波形。更换轴承后基线应重新记录。

剩余寿命的谨慎表达

要估计剩余寿命，模型需要观察到可重复的退化过程和明确的故障终点。许多工厂只有少数故障样本，甚至在故障前就预防性更换，此时更合理的输出是风险等级与建议检查窗口。把寿命预测写成精确日期，会给排程制造虚假确定性。

把维护收益量化

记录改造前后的非计划停机、抢修工时、备件库存和损失产量，并把传感器维护与工程师复核时间计入成本。若报警提前两周，但企业没有备件或停机窗口，预测价值也无法兑现。因此维修系统、采购和生产排程需要共享同一设备风险信息。

现场实施与判断边界

把一台关键泵作为试点时，先整理过去的停机工单、轴承更换和润滑记录，再在固定测点采集振动与电流。报警阈值可先由工程师根据转速和负载分段设置。试运行三个月内同时记录所有误报、漏报和未处理警报的原因。若设备长期低负荷，振动幅值可能较低，但某些频率成分仍有诊断意义；工程师应保留原始异常波形供复查。收益核算不要只计算被避免的停机，还要扣除在线监测设备的校准、备件提前采购与计划检修工时。这样才能判断模型是否优于现有点检制度。对故障后果严重的设备，还应检验警报到维修行动之间的时间是否足够。

这类问题最好从一条有代表性的产线或一个明确的设备系统开始。项目组应在实施前写明数据来源、生产条件、评价周期和责任人，保留原始记录，并在试运行中对照质量、交付与资源投入的变化。若工况、产品组合或计量边界发生改变，比较结果需要重新解释。任何模型建议都应由现场工程师复核后进入正式流程。

可执行的下一步是组织生产、设备、能源和信息团队进行一次联合走查：确认哪些数据已经可信、哪些关键变量仍靠人工经验、哪些措施可以低风险试验。先得到一组经得起复核的结果，再决定是否扩大设备范围或增加算法复杂度。