> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/predictive-maintenance-ai-2027-first-pilot.md).

# 2027年预测性维护AI：如何选择第一个试点

本文整理自 Duaer 文档站，围绕企业预测性维护 AI 的落地，讲解如何梳理应用场景、评估价值与难度、选择第一个试点，并通过基线和影子模式衡量效果。

## 预测性维护在 AI 场景中的位置

工厂经理听到「预测性维护」时，往往会想象传感器在轴承故障发生前两周就发出预警。实际情况中，许多团队买了传感器、搭了仪表盘，才发现没有人根据告警采取行动。真正困难的通常不是模型，而是决定从哪类设备、哪种故障模式开始，以及维护班组是否相信系统给出的结论。

预测性维护并不是单一的应用场景，而是一组目标相同、但在数据和工作流程上差异很大的场景。它们的共同目标是在资产故障前采取行动，常见场景包括：

旋转设备监测，如电机、泵、风机和压缩机，依赖振动、温度和电流信号。

过程设备漂移，如换热器和熔炉，压力和温度的趋势比瞬时尖峰更重要。

整条产线的停机风险，需要综合多个资产的数据，归因更加困难。

备件和工单预测，依赖维修历史，而不是实时传感器数据流。

电机和压缩机的能耗异常检测，往往能在机械症状出现之前发现问题。

这些场景所需的投入并不相同。由一组相同泵的振动模型，与依赖五个系统的产线级停机模型，是完全不同的项目。把它们当作一个「预测性维护项目」统一推进，是许多团队的第一个错误。

## 为什么比厂商演示难，以及项目停滞的常见原因

演示使用的是干净、已标注的故障数据，真实工厂很少具备这样的条件。故障按定义就是稀少的，模型可以学习的样本自然有限。故障记录常常散落在时间紧迫时填写的自由文本工单中，「原因」一栏空白，或者几乎所有问题都写成「轴承」。传感器数据也有自己的问题：不同设备的采样率不一致，时间戳会漂移，有些通道数周没有数据，传感器有时被挪动了位置却没有更新资产台账。

人的因素同样关键。一位在产线上工作了二十年的维护主管，对故障有自己的经验判断，这些判断未必能被数据捕捉到。如果系统发出告警，而班组不清楚下一步该做什么，告警一个月内就会变成噪音。

第一个错误是从全厂开始。全厂推广会放大数据缺口，也让人无法判断系统究竟是否有效。

第二个错误是只追求模型精度，而忽视预警提前量和可执行性。统计上表现良好的模型，如果只在跳机前五分钟发出警告，几乎没有用。关键在于预警能否提前到足以安排计划性干预，以及班组是否真的据此行动。

第三个错误是把项目当成纯粹的数据科学工作。预测性维护会改变工单的创建方式、备件的储备方式，以及谁有权决定停机。如果这些流程不做改变，模型的输出就无处可去。

第四个错误是在定义清楚故障模式之前就购买平台。平台可以接入多种数据源，却无法告诉你要预测的是哪一种故障。

## 如何按价值和难度给场景排序

在确定试点之前，请对每个候选场景在两个维度上打分。

价值维度需要考虑：该设备组非计划停机的成本、故障时的安全风险、紧急备件和加班费用，以及如果方法奏效，有多少类似设备能够受益。一组四十台相同的机组，得分远高于单台的一次性设备，因为一套可行的方法可以被复用。

难度维度需要考虑：传感器覆盖是否完整、故障历史记录质量如何、维护系统能否接收告警并自动创建工单，以及该设备存在多少种不同的故障模式。一组已安装振动传感器、并有两年干净工单记录的泵，比一台没有日志的定制化熔炉容易得多。

每个维度用 1 到 5 分打分即可。把候选场景列成表格，以价值为纵轴、难度为横轴进行标注，然后优先选择「高价值、中等难度」区域的场景。第一个项目应避开「高价值、极高难度」的角落，无论它在幻灯片上看起来多么吸引人。更广泛的对比方法，可以参考[企业 AI 用例优先级指南](https://doc.duaer.com/zh/guides/enterprise-ai-use-case-prioritization/)，它以同样的逻辑覆盖了多个职能；[制造业 AI 场景选择指南](https://doc.duaer.com/zh/guides/manufacturing-ai-adoption-use-case-selection/)则涵盖了工厂特定的判断标准。

## 如何选择第一个试点

一个好的第一个试点通常具备五个特征：覆盖一类资产，例如某一泵型或某一种压缩机；针对团队能用通俗语言描述清楚的一种故障模式；有至少若干条已记录的历史故障；有一位明确的维护负责人会根据告警采取行动；并且在试点开始前就记录了该设备组当前的基线，即非计划停机次数、平均故障间隔时间和紧急维修成本。

试点第一阶段建议采用影子模式运行。模型照常输出预测，但班组仍按原有计划工作。经过固定的观察周期后，将预测结果与实际发生的情况，以及班组原本会做的决定进行对比。这样可以在不干扰生产的前提下检验模型，也能让班组在任何人依赖告警之前，先熟悉告警的表现。

一个实用的方法是把场景写成一张简短的场景卡，包括：设备组、故障模式、数据来源、当前基线、告警应触发的决策，以及做出该决策的人。评分和影子模式的跟踪放在同一个地方会更容易。你可以在 [Duaer](https://www.duaer.com) 中直接运行这一流程，设置场景清单、价值与难度评分和试点跟踪，而无需每个季度都在表格中重新搭建。

## 如何衡量效果

仅看模型指标是不够的，需要跟踪四件事：预警提前量，即告警比故障提前多久到达，并与计划性干预所需的时间进行对比；可执行性，即有多少比例的告警最终形成了工单和检查；试点设备组相对于基线的非计划停机情况；以及班组愿意接受的误报率，这一判断应由班组而非数据团队做出。

成本是最后的检验。对比试点前后的紧急备件、加班和生产损失。如果这些数字没有变化，可能说明试点检测到了真实信号，却没有人据此行动，此时问题在于工作流程，而不是模型。

## 本周可以做的一件事

提取某一资产族过去二十四个月的工单，统计非计划停机次数，利用现有的自由文本备注为每次停机标注故障模式，并记录事前是否有传感器数据可用。然后写一段文字的场景卡，并对其价值和难度打分。这一练习本身就能告诉你，预测性维护是否适合作为你工厂的第一个项目，或者你是否需要先修复故障记录。

结论很简单：预测性维护试点在范围足够窄、以基线为衡量标准、并与某个准备好做出的决策相连时，才会成功。

如果你想把这些内容变成可执行的计划，可以在 [https://www.duaer.com](https://www.duaer.com) 注册试用，自行运行场景评分和试点搭建，无需先承诺大规模推广。

告诉我们你的场景，我们会为其返回一份书面的推广路线。

https://api.duaer.com/form/c59a907a-3697-4edf-a04d-3ea0fb72fdc8

## 常见问题

### 预测性维护 AI 的第一个试点应该选哪类设备？

通常优先选择同类设备数量较多、已安装传感器、并有较完整故障工单记录的设备组，例如一组相同型号的泵。它的价值可以被复用，数据基础也相对较好，适合作为起点。应避免一开始就选择没有日志的定制设备，或跨多个系统的产线级停机模型。

### 预测性维护项目如何判断是否有效？

除模型指标外，还应关注预警提前量、告警转化为工单的比例、试点设备组相对基线的非计划停机变化，以及紧急备件、加班和生产损失等成本变化。如果模型指标良好，但上述结果没有改善，问题通常出在工作流程上。

### 没有足够的故障数据，还能做预测性维护吗？

可以先从整理历史工单和修复故障记录入手，明确故障模式，并以影子模式运行试点。在数据不足时，把重点放在标准化记录和建立班组决策流程上，往往比急于上线复杂模型更有价值。

