Duaer

指南

预测性维护定义是什么?2027年先做阶段自检

本文整理自 Duaer 文档站,解释预测性维护的定义与核心要素,区分事后维修、定期预防和预测性维护,并给出判断企业所处阶段的五个问题、常见误解与试点建议。

预测性维护到底是什么

预测性维护(Predictive Maintenance,常简称 PdM)是指通过采集设备运行状态数据,用统计方法或机器学习模型判断部件何时可能出现劣化或失效,并据此在故障发生之前安排维修。它的核心不是「预测得多准」,而是把维修动作从「按日历换件」或「坏了再修」,挪到「状态已经变化、故障尚未发生」的时点。

常见的维护方式可以放在一起对照:事后维修(坏了再修)、定期预防(按固定周期更换零件)、预测性维护(根据设备实际状态决定何时干预)。定期预防容易造成过度维护,零件还能用却被提前换掉;事后维修则会带来非计划停机和连锁损失。预测性维护试图在两者之间找到更经济的干预时点。

一套完整的预测性维护通常包含四个要素:感知(传感器或已有的采集点,如振动、温度、电流、压力、油液)、数据(连续、带时间戳、可回溯)、判断(阈值规则或模型)、行动(工单、备件与人员调度)。缺少任何一环,它都只是一块监控看板,而不是一套维护机制。

怎么判断一家企业处在哪个阶段

判断阶段不必依赖宣传口径,可以从五个问题入手:

1. 关键设备有没有连续的状态数据?只有人工点检记录,一般处于前期。

2. 数据能不能和故障记录对上?如果能说清过去一年某台设备哪次停机、停机前数据发生了什么变化,说明已经具备可用的标签基础。

3. 维修工单和设备档案是否打通?预警发出后还要靠微信或口头通知,流程断点就在这里。

4. 有没有人对预警负责?预警级别是否对应明确的响应时限。

5. 有没有复盘机制?误报和漏报是否被记录,并回馈给阈值规则或模型。

如果前三条都不满足,通常处于「人工点检」或「规则监测」阶段,适合先把数据和工单打通,而不是急着上复杂模型。五条都具备,才谈得上真正的预测性闭环。

三个常见误解

误解一:装了传感器就等于做了预测性维护。传感器只负责采集,没有标签、没有阈值、没有处置流程,数据就只是一条曲线。很多企业的振动监测大屏做得很漂亮,却没有人知道看到哪条线该停机检修。

误解二:模型在历史数据上准确,就一定有用。维护需要提前量。如果模型只能在故障前几分钟报警,而备件调度需要数天,这个模型对业务几乎没有价值。评估时要同时看「平均提前多久预警」和「每月误报多少次」,两者缺一不可。

误解三:所有设备都适合预测。故障模式清晰、停机代价高、数据稳定的设备才值得优先投入。一个便宜、可以快速更换的零件,定期更换可能比建模更划算。预测性维护是一项需要算账的投资选择,不是对所有资产都适用的通用能力。

怎么做才算对

按阶段推进,比一步到位更可靠。第一步,梳理设备清单,按停机代价和故障频率排序;第二步,为一两台关键设备补齐数据采集,并把历史故障逐条记录下来;第三步,用简单阈值规则跑通「预警—工单—处置」的闭环;第四步,在数据积累足够之后,再引入机器学习模型。

选第一个试点时,建议挑「故障模式已知、数据基本齐全、停机代价可量化」的设备,而不是最新、最贵的设备。这部分的具体排序方法,可以参考《2027年预测性维护AI:如何选择第一个试点》(https://doc.duaer.com/zh/guides/predictive-maintenance-ai-2027-first-pilot/)。当你把第一台设备的数据、故障记录和工单流程串起来之后,也可以直接在 Duaer(https://www.duaer.com)里把这套「数据—判断—工单」的流程跑起来,先用一台设备验证闭环,再决定是否扩展到更多产线。

衡量与复盘

衡量指标不要只看模型指标。建议同时跟踪四项:预警提前量、误报率、因预警而避免的非计划停机次数、从预警到完成处置的实际响应时长。每季度复盘一次,把误报与漏报的典型案例整理成新的标签和规则,让系统越用越贴近真实的设备状态。

本周可做的一件事

找出你们过去一年里停机代价最高的一台设备,把其中三次以上的停机记录列出来,逐条核对:停机前一周,有没有可以看到的数据变化?如果有,这就是你的第一条规则;如果没有,说明当前的首要任务是补采集,而不是选模型。

如果你希望把这套流程真正跑起来,可以到 https://www.duaer.com 注册试用,先用一台设备验证从数据到工单的完整闭环。

预测性维护的定义并不复杂,难的是落到具体设备和具体流程上。如果你的企业正在考虑从哪台设备开始,我们可以免费给你一份这个场景的落地路线。

https://api.duaer.com/form/1fea7709-3f8a-47f7-b4e3-eb5fb90e3213

常见问题

预测性维护和定期预防维护有什么区别?

定期预防是按固定周期更换或保养零件,不论设备实际状态如何;预测性维护则根据传感器数据和判断规则,判断设备何时出现劣化迹象再安排干预。前者容易过度维护,后者的目标是在故障发生前、又不过早更换的时点行动。

企业没有完整的传感器和数据系统,能先做预测性维护吗?

可以先从人工点检记录和历史故障台账入手,梳理哪些故障有规律可循,再为一两台关键设备补齐数据采集,用简单阈值规则跑通预警、工单和处置的闭环。数据基础不足时,不建议急于引入复杂的机器学习模型。

第一台预测性维护试点设备应该怎么选?

优先选择故障模式已知、历史数据基本齐全、停机代价可以量化的设备,而不是最新或最昂贵的设备。可以先列出过去一年停机代价最高的设备,逐条核对停机前是否存在可见的数据变化,据此判断是先做规则还是先补采集。