> 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-models.md).

# 预测性维护 AI 模型 2027：按数据匹配度选择，而非追逐热点

本文整理自 Duaer 文档站，探讨企业在 2027 年选择预测性维护 AI 模型时，如何依据数据条件而非概念热度做决策，并说明模型如何接入日常维护流程。

## 预测性维护模型主要用在哪些场景

大多数预测性维护工作集中在几类常见场景：泵、风机、压缩机和电机等旋转设备的振动与温度监测；变频器和配电柜的电流与功率异常；轴承、皮带和刀具的磨损估算；以及冷水机组、锅炉或空气处理机组的效率漂移。

不同场景适合的模型类型也不同。阈值规则和简单统计基线成本低、易解释，通常能发现明显故障。无监督异常检测通过学习设备正常运行时的状态来识别偏离，适合确认故障样本稀少的情况。有监督分类器和剩余寿命估计则需要每种故障模式都有足够的标注历史，维护成本更高。序列模型能捕捉复杂的时间规律，但对数据工程和验证的要求也更高。

关键不在于哪一类模型更先进，而在于每一类模型对你的数据、团队和维护流程提出了不同的要求。

## 项目为什么卡在集成阶段

有三类问题反复出现。第一，传感器数据不完整或时间未对齐。PLC 与历史数据库的采样频率不同，系统之间的时间戳会漂移，维护窗口期间的数据缺口还可能被悄悄填成零。在这样的数据上训练出来的模型，学到的是采集系统的特征，而不是设备本身的状态。

第二，故障标签不一致。工单对同一故障的描述可能有五种写法，有些工单关闭时没有记录根本原因，还有许多故障根本没有被记录。用这类历史数据训练的有监督模型，在测试中可能表现很好，但上线后往往令人失望。

第三，模型输出无处可去。仪表盘上的异常分数如果没人查看，就谈不上维护流程。如果告警不能在计划员已经在用的系统中生成或更新工单，模型的预测对减少停机就没有任何实际作用。

## 应避免的常见误解

第一个误解是盲目追求最复杂的模型。如果深度模型无法向维护主管解释清楚，或者每次产线变动都需要重新训练，那么它的运行成本往往超过它能避免的停机损失。应从能回答运营问题的最简单模型开始。

第二个误解是只用准确率评价模型。故障本身很少发生，一个从不报警的模型也可能显得准确率很高。更应关注针对故障事件本身的精确率与召回率、每周误报率，以及告警到故障发生之间的提前量。

第三个误解是把模型当作一次性交付物。设备会老化，运行负荷会变化，传感器也会更换。如果没有持续监控，上线时表现良好的模型可能悄无声息地退化。如果你需要一个实用的入门参考，[MLOps 监控指南](https://doc.duaer.com/zh/guides/mlops-monitoring/)介绍了生产环境中那些静默失效是如何显现的。

## 按数据匹配度选择模型类型，并对场景排序

一个可行的选型方法从四个问题开始：每类资产、每种故障模式各有多少已确认的故障样本？传感器数据的质量和采集频率如何？模型需要覆盖多少类资产？模型上线后，由谁负责处理告警？

如果已确认的故障样本稀少，应先在信号最干净的资产上使用阈值规则和无监督异常检测。如果已经有少数几种故障模式记录完整、文档清楚，那么针对这些模式使用有监督分类器可能是合理的。如果传感器覆盖不完整，就应在做模型对比之前先修复数据管道，因为再好的模型也无法弥补缺失的时间戳。

确定候选模型之后，在训练任何东西之前，先写下信号清单、告警阈值，以及从告警到工单的完整路径。先这样做的团队通常会发现，后续的模型对比会简单很多。你可以在 Duaer 中测试这一完整流程，以此判断在投入更大规模的上线之前，数据、告警和工单能否端到端打通。注册 [https://www.duaer.com](https://www.duaer.com) 即可开展这类测试，不过结果仍取决于你自身数据的质量。

对候选资产类别，可以从两个维度打分。价值取决于非计划停机的代价有多高、影响多少生产工时，以及备件采购周期是否很长。难度取决于传感器覆盖率、标签质量、故障模式数量，以及告警需要触达多少个系统。

总体来看，已有振动或温度历史数据的关键旋转设备，通常处于高价值、中等难度的区间，是很好的首批候选。数据干净的电气和电能质量异常也颇具吸引力。日志稀疏、故障模式繁杂或没有明确责任人的资产，一般应放在后面。排序本身带有判断成分，但把它写下来，能迫使团队就什么最重要达成一致。如果想在试点之前进一步缩小范围，[首个预测性维护 AI 试点选择指南](https://doc.duaer.com/zh/guides/predictive-maintenance-ai-2027-first-pilot/)从试点角度讲解了同样的权衡取舍。

## 衡量模型是否真的有效

应该用维护流程来衡量模型，而不只是用测试集。统计有多少已确认的故障在发生前出现过告警，告警为计划员提供了多少提前量。统计每周误报率，以及有多少告警转化为工单、有多少被忽略。将受监控资产的非计划停机与基准期进行比较，并如实考虑混杂因素，例如产量变化。

建立固定的复盘节奏。初期通常以月为单位。每次复盘时，检查告警阈值是否仍与当前运行条件相符，以及传感器或工单处理方式是否发生了变化。

## 本周可以做什么

挑选一类你的维护负责人认为重要的资产，导出该资产三个月的传感器数据、告警和工单。然后回答一个简单问题：对于工单中记录的每一次故障，故障发生前的几个小时内是否有可用的传感器数据？如果大部分答案是否定的，那么第一个项目应该是数据项目，而不是模型项目。把这一结论写下来，并与维护和数据负责人共同讨论。

如果希望把这一结论转化为可运行的闭环，包括清晰的信号定义、告警规则和工单流转，可以在注册 [https://www.duaer.com](https://www.duaer.com) 之后，在 Duaer 中搭建这一流程。建议从一类资产、一种故障模式开始，这样结果更容易读懂。

如果你告诉我们你的具体场景，我们会回复一份书面的落地路线建议。表单地址：https://api.duaer.com/form/c59a907a-3697-4edf-a04d-3ea0fb72fdc8

## 常见问题

### 如何判断工厂的数据是否适合做预测性维护模型？

可以先看一类资产在三个月内的传感器数据、告警和工单。对每一次记录在案的故障，检查故障前几小时是否有连续、时间对齐的传感器数据。如果大部分故障前都没有可用数据，说明应先解决数据采集和标签问题，而不是急于选择模型。

### 预测性维护 AI 项目应该先从哪类设备开始？

通常建议从关键旋转设备开始，例如已经积累了振动或温度历史数据的泵、风机、压缩机和电机。这类设备停机代价高，数据基础相对较好，同时难度也处于可控范围。日志稀疏、故障模式杂乱或没有明确负责人的设备，适合放在后续阶段。

### 怎样衡量预测性维护模型是否真的减少了停机？

不应只看模型的准确率，而要看它对维护流程的实际影响。主要指标包括：已确认故障中有多少在发生前触发过告警、告警提供了多长的提前量、每周误报率、告警转化为工单的比例，以及受监控资产的非计划停机时间相对基准期的变化。同时需要说明产量变化等干扰因素。

