Duaer

指南

预测性维护 AI 工具 2027:首个试点前的 4 项检查

本文整理自 Duaer 文档站,围绕企业如何选择预测性维护 AI 工具的第一个试点展开,讲解先梳理场景而非产品类别、按价值与难度排序、围绕可验证的故障模式设计试点,以及签约前应向供应商追问的关键问题。

先列出场景,而不是先看产品类别

大多数工厂在购买预测性维护 AI 工具后,得到的结果往往令人失望:仪表盘上堆满传感器读数,几条报警没人敢信,维护团队最终又回到原来按日历排定的保养计划。供应商演示看起来很有说服力,合同也已经签了。差距通常不在算法本身,而在于设备选择、故障历史的质量,以及工具与维护班组日常工作的衔接方式。

实践中,真实工厂遇到的预测性维护场景大致分为几类。第一类是旋转设备,如电机、泵、风机和压缩机,其振动、温度和电流特征往往在轴承或密封失效之前就已经发生变化。第二类是工艺关键设备,一旦非计划停机代价高昂,例如包装线或熔炉。第三类是备件和耗材,工具预测的是何时需要某个备件,而不是直接预测故障。第四类是工单优先级排序,工具按风险对待办维护任务排序,使人手有限的班组能聚焦最重要的任务。

这几类场景所需的数据、集成方式以及执行报警的人员都不相同。把它们当成同一个类别,是第一个常见错误。一款在旋转设备振动分析上表现出色的工具,未必适合故障模式主要由配方和操作员换班驱动的批处理工艺。

在比较供应商之前,先按价值和难度给候选场景排序

给候选场景排序的一个有效方法,是在两个维度上打分。第一个维度是价值:如果预测准确,它能减少多少非计划停机、废品或紧急抢修人工。第二个维度是难度:该场景需要多少干净数据、多少已标注的故障样本、多少集成节点,以及日常工作流程要做多大改变。

价值高、难度低的场景是最好的首个试点。通常是一小批关键旋转设备,已有状态监测数据,并且有过去故障被完整记录的历史。价值高、难度也高的场景,例如跨多个供应商、混合机型的整个设备群故障预测,应当等团队建立起可运行的闭环之后再做。价值低的场景即便容易实施,也很少值得为其引入新工具,还可能耗尽维护团队对新工具的信任和耐心。

如果你的组织仍在决定先从哪个生产环节入手,更宽泛的制造业用例对比会有所帮助。我们的指南制造业 AI 落地用例选择介绍了同样的价值与难度逻辑在工厂运营中的应用。

围绕可以真正验证的故障模式选择第一个试点

试点失败最常见的原因,是没有人能确认预测是否正确。为避免这一点,应选择单一设备类别和单一故障模式,并且该故障已经发生过足够多次,有日期、症状和维修记录可查。如果同类泵上已有十次过往轴承故障,那就是一个可行的起点。如果十几台互不相关的机器几年才出一次故障,那么可用于模型学习的已标注历史还远远不够。

试点还必须依赖一支会响应报警的维护团队。事先写明:工具发出预警时,班组会怎么做,是检查、安排停机、订购备件,还是仅仅观察。如果答案是什么都不做,试点就只会产生输出,而不会产生结果。在引入供应商之前,就应先与团队就这一响应流程达成一致。

希望把这件事做成可重复流程的团队,可以在共享工作空间中梳理场景、数据来源和响应步骤。你可以在 Duaer 中搭建试点计划,把数据清单、责任人和报警响应集中在一处,使试点从头到尾都以同一基线进行衡量。

向供应商提出能暴露难点的问题

供应商演示通常只展示最理想的情况。真正重要的,是那些关于困难情形的问题。当已标注的故障样本很少时,工具表现如何?它依赖通用模型,还是可以针对你的设备进行调优?遇到传感器漂移、数据缺失,以及负载或运行速度变化时,它如何处理?通常有多少比例的报警是误报,误报又如何被复核并反馈回系统?

集成问题同样关键。报警能否直接在你现有的维护管理系统中生成工单?当传感器厂商更改数据格式时,由谁来维护数据连接器?如果日后更换供应商,你能否导出模型和数据?

成本问题应包括隐性项目:额外的传感器、网关、数据存储、集成服务和模型再训练。较低的订阅价格可能掩盖了大量一次性的部署工作。如需一份签约前的结构化检查清单,我们的2027 年 AI 供应商评估清单涵盖了适用于大多数 AI 采购的合同和数据问题,这些内容同样适用于预测性维护。

用事先约定的指标衡量试点

在试点开始前就要定义成功标准。有用的指标包括:工具在故障发生前提供了多少天的预警,有多大比例的报警被证实为真实故障,有多少报警最终转化为已完成的工单,以及试点设备的非计划停机时间与试点前同期相比发生了多大变化。基线要保持客观。如果该设备因无关原因本来就被更频繁地维护,比较结果就会失真。

同时还要衡量团队的时间成本。如果工具产生的报警流需要每条花一小时排查,那么即使它抓到了几个真实故障,整体上也可能是净损失。应记录班组在报警复核上花费的工时,并观察随着模型调优,这些工时是否下降。

不要因为一次准确的预测就宣布成功。一次正确的预警可能只是运气。试点应当运行足够长的时间,覆盖多个运行周期和至少几次维护事件,这样团队才能判断这种模式是否稳定。

本周可以做的事

选择一类关键旋转设备,并且它有清晰、完整记录的故障历史。写下故障模式、现有的传感器、负责处理报警的人员,以及报警出现时他们会采取的行动。然后请两到三家供应商,使用你自己的故障记录而非其演示数据,说明他们会如何处理这一具体设备。从数据要求、误报处理以及与工单系统的集成等方面比较他们的回答。在完成这份一页纸的场景定义之前,不要选择任何工具。

如果你希望用结构化的方式,对候选设备和供应商逐一完成这项检查,可以注册 Duaer 试用,并借助它将场景、数据清单和试点指标并排整理在一起。

如果你希望把这些内容整理成书面计划,请告诉我们你的场景,我们将为你回传一份书面的落地路线。请通过下方表单描述你的设备类型、关注的故障模式以及你已在使用的系统:

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

预测性维护 AI 的价值,取决于三件事:第一个试点足够聚焦,故障历史可以被验证,维护团队准备好对输出采取行动。先选场景,再选供应商。

常见问题

预测性维护 AI 试点应该从哪类设备开始?

通常应从一小批关键旋转设备开始,例如电机、泵、风机或压缩机,并且这些设备已有状态监测数据和被完整记录的故障历史。选择单一设备类别和单一故障模式,确保可以用维修记录验证预测是否正确。

选择预测性维护 AI 供应商时应该问哪些问题?

重点追问困难情形:已标注故障样本很少时工具如何表现,能否针对你的设备调优,如何处理传感器漂移和数据缺失,误报比例及反馈机制如何。同时确认报警能否直接生成维护工单、数据连接器由谁维护、模型和数据能否导出,并核算传感器、网关、存储和再训练等隐性成本。

如何衡量预测性维护试点是否有效?

试点开始前就应约定指标,包括提前预警的天数、报警被证实的比例、报警转化为工单的数量,以及试点设备非计划停机时间相对基线的变化。还应记录班组复核报警的工时。试点需覆盖多个运行周期和若干次维护事件,避免仅凭一次正确预测下结论。