故障发生后才响应
关键设备突发停机，影响上下游节拍；故障定位、备件准备和人员到场都从故障发生后才开始。
01
多源状态感知
从传感器、PLC/SCADA 到设备台账，统一关联设备与工况。
02
PHM 风险研判
规则、统计分析与模型组合，呈现异常证据和风险等级。
03
运维任务闭环
预警经人工确认后进入点检、工单、备件与复机复盘。
Industry challenges
设备运维的难点，不只是发现故障
从设备异常到恢复生产，往往跨越数据、判断、人员、备件和审批多个环节。单独增加监测点，不能自动形成维护能力。
计划检修难匹配真实状态
统一周期容易造成过度保养，也可能错过个别设备的异常劣化；检修窗口与生产计划相互挤占。
设备数据与维修过程脱节
传感器、PLC/SCADA、设备台账、报警和维修工单分散在不同系统，异常难关联到工况和历史处置。
经验、备件和人员难协同
诊断经验依赖个人，检修发现没有沉淀；备件库存、技师资质与工单计划往往需要人工反复协调。
Overall solution
以设备健康为主线，连接数据与维护业务
在现有工业控制和业务系统之上增加 PHM 分析与协同层，不替代 PLC/SCADA 的实时控制职责；预警先供运维研判，再按权限进入工单和资源调度。
设备感知层
传感器与仪表
PLC / SCADA
CNC、泵、电机、风机
采集振动、温度、电流、压力、流量、转速、运行状态与告警事件。
边缘接入与数据层
工业网关与协议适配
设备台账 / MES
维修与点检历史
统一设备编码、时间戳和数据质量，补充产品、工艺、负载与启停状态等上下文。
PHM 健康分析层
规则与统计基线
异常检测 / 故障诊断
健康评分 / RUL
结合设备机理和数据成熟度输出健康趋势、风险级别、异常证据与检查建议。
维护决策与协同层
EAM / CMMS 工单
库存与采购
资质、排班与审批
把确认后的预警转为分级点检或维修任务，协调备件、人员和检修窗口。
现场执行与反馈层
移动点检与维修
复机验证
设备档案 / 指标看板
回填检查、根因、维修、更换和复机结果，形成可追溯的维护闭环。
贯穿治理OT/IT 分区 · 身份权限 · 数据质量 · 审批审计
维护结果回流故障根因 · 更换记录 · 复机验证 → 更新设备档案与健康基线
Business blueprint
形成“监测—研判—决策—执行—复盘”业务闭环
蓝图同时定义系统动作和岗位责任：算法负责提供证据与建议，设备、生产和维护负责人按授权完成风险判断与现场处置。
01
监测
设备信号与运行事件进入统一设备档案，按设备层级和工况持续观察。
02
研判
规则和模型发现偏离，结合故障知识、报警码与维修历史形成风险说明。
03
决策
按设备关键度、故障影响和置信程度分级；高风险或低置信结果转人工确认。
04
执行
生成点检/维修建议，协同工单、备件、人员资质、排班与必要的审批。
05
复盘
现场回填根因、措施、用料、停机和复机验证结果，更新设备档案与分析基线。
设备与生产
设备工程师确认故障模式；生产人员提供工况、产品和停机影响。
维护与供应链
维护主管接收分级任务，结合人员资质、备件库存和检修窗口安排执行。
管理与安全
管理者审核高风险动作；IT/OT 管理员负责接入边界、权限、留痕和运行保障。
Connected AI modules
从设备健康延伸到企业服务与经营
预测性维护可作为设备数据入口，与知识、服务、分析和客户流程协同。各模块依据数据权限、设备编码和接口条件按需对接。
AI 知识库
把设备手册、点检标准、故障码和历史维修方案变成可检索的维护知识。
协同链路
预警设备与故障特征 → 检索相关依据 → 输出带来源的排查建议
AI 客服
面向设备售后与服务请求，结合产品资料和服务记录辅助受理、补齐故障信息并转交服务人员。
协同链路
客户报障与设备信息 → 知识辅助问诊 → 形成服务工单线索
AI 问数
围绕设备台账、告警和工单数据查询停机、维修、重复故障和备件等运营指标。
协同链路
结构化设备与工单数据 → 自然语言查询 → 指标与趋势分析
精益生产
结合设备健康、停机事件、产线节拍和瓶颈信息，辅助协调检修窗口与生产计划。
协同链路
设备状态与停机记录 → 关联产线计划 → 评估维护窗口和产能影响
AI 数字员工
协助汇总异常证据、生成检查清单、准备工单草稿和复盘报告，并按权限交由人员确认。
协同链路
告警与分析结果 → 任务编排与草稿 → 人工审批和执行反馈
AI CRM
关联客户、设备装机、服务合同和维保记录，帮助服务与客户团队安排保内跟进和设备服务计划。
协同链路
客户与装机档案 → 设备健康/服务事件 → 客户跟进与服务计划
AI 数字孪生
把设备实时状态、空间位置和 PHM 风险映射到虚拟设备模型，帮助运维人员查看现场上下文。
协同链路
设备遥测与健康结果 → 孪生模型映射 → 现场状态可视化与维护定位
AI 采购
把维保计划、备件库存和设备风险纳入采购需求评估，辅助准备关键备件与供应计划。
协同链路
检修计划与备件缺口 → 采购需求评估 → 供应风险与到货跟踪
AI CNC
面向 CNC 主轴、刀具和关键加工设备，结合振动、负载、循环与维修记录辅助安排点检和维护窗口。
协同链路
CNC 工况与维修记录 → 健康趋势识别 → 点检、检修与复机复核
实际协同范围以企业授权和已接入接口为准；建议先统一设备、客户与工单标识，再开放只读分析或人工确认的任务流，避免未经审批的告警直接触发控制动作。
From signals to action
把设备信号变成运维行动
从状态感知到任务复盘，打通数据、判断和现场处置。平台能力可按设备类型、数据基础与管理流程分阶段落地。
01
设备状态监测
汇总振动、温度、电流、压力与设备运行状态，建立关键设备的健康基线，持续观察趋势变化。
02
异常识别与预警
识别偏离正常工况的信号和组合征兆，按设备、产线与风险等级推送告警，减少无效噪声。
03
健康评估与寿命估计
结合运行时长、负载和历史维修记录评估部件健康状态，为检修窗口和备件计划提供参考。
04
维保任务闭环
将告警转为检查建议和维保任务，记录处置过程与结果，让经验持续回流到设备档案。
Assets & failure modes
围绕关键设备与关键部件建模
预测效果取决于设备机理、数据质量和故障样本。先选影响产线、维修成本高或存在安全风险的设备，明确要监测的部件和失效模式。
设备类型典型对象可用信号关注风险
加工与成型设备
CNC、注塑机、冲压设备、压缩机
主轴振动、负载电流、温度、循环时间
轴承磨损、刀具异常、过载、精度漂移
旋转与流体设备
电机、泵、风机、空压机
振动、温升、压力、流量、启停状态
不平衡、轴系偏移、润滑不足、堵塞泄漏
产线与公用工程
输送线、冷却系统、变压器、空调机组
运行时长、能耗、温湿度、告警与停机事件
传动异常、能效劣化、部件老化、异常停机
表中对象与信号为常见示例。实际采集项、采样频率和诊断结论需根据设备规格、现场工况及数据接入条件确定。
How diagnosis works
不止越限报警，而是解释“为什么要关注”
把工况上下文、信号变化和设备知识结合起来，输出可供工程师复核的异常证据与下一步检查方向。诊断结果是决策参考，不代替现场安全判断。
工况对齐
把传感器值与设备启停、产品型号、工艺阶段和负载上下文关联，避免把正常工况切换误判为故障。
趋势与异常检测
结合阈值、变化率、统计特征和时序模型，发现越限、漂移、波动加剧及多信号联动等异常。
故障研判
关联设备结构、报警码、点检标准、维修记录与知识库，整理可能原因、证据和建议检查顺序。
风险与寿命评估
综合异常程度、发展趋势、设备关键度与历史样本，给出风险等级；具备数据条件时再评估部件剩余寿命。
多源数据
实时测点、报警事件、工单、点检与备件记录
机理与模型
设备规则、统计特征、时序分析与故障知识
可执行输出
风险等级、异常证据、检查建议和处置记录
Algorithm selection
算法没有“万能款”，要看数据与故障阶段
规则、统计方法和机器学习可以组合使用。先解决能否稳定发现问题，再逐步提高诊断粒度；只有在有足够退化和寿命标签时，才把 RUL 作为主要目标。
方法常见技术适用问题优势局限与风险数据前提
阈值与专家规则
上下限、变化率、持续时间、报警码组合
保护边界明确、故障机理已知，或需要快速建立首批告警的设备。
上线快、逻辑直观、易解释和审计，可作为安全边界与模型告警的基础。
固定阈值难适应工况差异；单变量规则可能漏掉缓慢漂移或多信号组合异常。
设备规格、正常范围、专家经验及可靠的测点。
统计过程控制
控制图、EWMA、CUSUM、趋势与频谱特征
关注均值偏移、波动增大、渐进劣化等变化，且设备运行工况相对可分组的场景。
对小幅、持续变化较敏感；统计量和控制界限便于工程人员理解。
基线和工况分组很关键；设备切换、季节变化或分布变化会影响告警质量。
连续历史测点、稳定的时间戳，以及设备状态或负载等工况标签。
无监督异常检测
Isolation Forest、聚类、Autoencoder
故障标签少，但正常运行数据较多，希望发现未预先定义的异常组合。
不依赖大量故障标签，可从多变量关系中发现偏离已知正常模式的状态。
发现“不同”不等于定位故障；新工况、脏数据和正常模式混杂可能带来误报，需人工复核。
覆盖代表性正常工况的多变量时序数据、设备状态和数据质量标记。
监督式故障分类
随机森林、XGBoost、1D-CNN、时序分类模型
轴承、齿轮箱、泵等已有较稳定故障分类，并积累了可关联的检修标签。
可针对已知故障类型学习信号特征，输出类别或风险概率，辅助缩小排查范围。
依赖准确且有代表性的故障标签；类别不平衡、设备差异和工况变化会降低泛化能力。
同步的传感器数据、明确的故障类别、故障时间及检修确认结果。
退化建模与 RUL
退化趋势回归、生存分析、序列模型、机理退化模型
轴承、刀具、滤芯等有渐进磨损过程、需要估计剩余使用寿命的部件。
在数据与工况适用时，可将健康趋势转化为寿命区间或风险窗口，支持检修和备件计划。
需要定义失效终点并处理维修更换带来的状态重置；样本不足时寿命估计不稳定，必须呈现不确定性。
长期退化记录、运行工况、失效或更换时间、维修和部件更换记录。
建议的选型顺序
先用工程规则和统计基线建立可解释告警；故障标签较少时，评估无监督异常检测；积累可靠故障类别后，再验证监督分类；具备完整退化和更换记录后，才评估 RUL。关键设备可将机理规则、模型分数和现场确认组合，避免让单一模型直接决定停机。
算法名称仅用于说明常见方法类别。实际模型、阈值、采样频率和部署位置需经数据审查与现场验证后确定。
Use cases & value
从设备预警，落到生产与维护价值
同一算法在不同设备上的价值并不相同。要把异常识别转成点检、备件或排产动作，再用试点前后的运营数据验证。
SCENARIO 01
CNC 主轴与关键运动部件
监测与研判
信号：振动、主轴电流、温度、转速、加工负载与刀具/工艺信息。
跟踪轴承与主轴状态变化，结合工况区分切削负载变化和设备异常；对刀具磨损等场景需结合加工过程数据验证。
维护动作与价值路径
把主轴检查、精度复核和部件更换安排到合适窗口，降低突发停机及异常加工风险。
建议跟踪指标
非计划停机时长、主轴故障间隔、异常加工/报废记录。
SCENARIO 02
电机、泵与风机
监测与研判
信号：振动、电流、温升、压力、流量、启停与负载。
识别不平衡、轴承异常、过载、流量变化等征兆；结合设备结构和现场检查确认根因。
维护动作与价值路径
按设备风险和产线影响安排点检与维修，减少重复巡检和无计划抢修。
建议跟踪指标
设备 MTBF、维修工时、重复故障率、能耗/单位产出。
SCENARIO 03
空压机与冷却公用系统
监测与研判
信号：排气温度、压力、流量、加载率、启停频次、功率和告警。
分析压力与负载趋势、频繁启停和能耗异常，辅助发现泄漏、散热或部件状态问题。
维护动作与价值路径
优先保障影响多条产线的公用设备，并为保养窗口、容量调度和能耗排查提供依据。
建议跟踪指标
公用系统停机、压力稳定性、单位供气/冷量能耗、维修成本。
SCENARIO 04
输送线与连续产线
监测与研判
信号：电机电流、速度、节拍、PLC 报警、工位阻塞与停机事件。
把部件状态和上下游停机事件关联，区分单机故障、物料阻塞与工艺节拍变化。
维护动作与价值路径
按瓶颈工位和停线影响排序维修优先级，减少故障传播造成的整线等待。
建议跟踪指标
产线非计划停机、故障影响工位数、MTTR、计划维修占比。
上述为可验证的价值路径，不代表固定收益承诺。试点应预先约定统计口径、对照周期和排除因素，例如计划停机、产量变化、设备大修及工艺调整。
01
筛选关键设备
结合设备关键度、故障影响、维修成本和数据可得性，选择优先验证的设备与部件。
02
梳理数据条件
盘点传感器、PLC/SCADA、MES、点检记录和维修工单，确认采样频率与数据质量。
03
建立状态基线
按设备型号、工艺阶段和负载区间分析历史数据，形成可解释的正常运行参考。
04
小范围验证
与现场工程师共同复核告警、故障案例和误报漏报，逐步调整阈值与诊断策略。
05
接入日常运维
将预警分级、派单、备件和检修结果纳入现有流程，持续复盘并扩展设备范围。
Solution case walkthrough
多站点加油站设备维护闭环
业务背景与建设目标
针对站点分散、液位传感器与潜油泵等设备巡检半径大、异常发现依赖人工、维修人员和备件协调链条长的场景，规划接入设备状态、告警、台账、维修工单和备件信息。
目标是把异常线索转为可核实、可派工、可追溯的维护流程，并在满足安全制度的前提下减少故障后的临时协调。
闭环涉及
设备监测 · 站点复核 · 维修工单 · 备件库存 · 技师资质 · 现场复机验证
发现异常
站点液位传感器或潜油泵运行数据出现持续偏移/异常波动，平台关联设备档案、告警和运行工况，生成待复核风险提示。
现场确认
站长或维护人员核对仪表读数、设备状态和安全规程；系统展示相关历史维修记录与检查清单，避免模型告警直接触发危险动作。
协同派工
确认需要处理后，创建带设备、故障现象和建议步骤的工单；结合备件库存、技师资质和巡检路线安排处理计划。
复机与复盘
现场记录检查/更换结果并验证信号恢复；同步更新设备档案、工单和备件消耗，供后续告警与维护策略复盘。
建议用于项目验收的指标
异常发现至现场确认时长
紧急维修工单占比
故障平均修复时间
设备可用率与非计划停机
备件缺货等待与紧急采购
本案例依据设备维护方案中的行业场景整理，用于说明业务蓝图，不代表已上线或验收的客户项目；目前没有可公开核验的量化成效。真实客户案例需在获得授权后补充项目周期、基线、验收口径和对照结果。
Solution value
方案价值：从生产连续性到维护成本
价值不由算法分数或告警数量单独决定，而来自更早确认、更合理地安排维护，并把检修结果持续回流。建议先建立基线，再按设备类别、班次与统计周期验证变化。
生产连续性
更早识别关键设备状态变化，为检修争取计划窗口，降低故障扩散和非计划停机风险。
验证指标：设备可用率、非计划停机时长、受影响工位数
维护资源效率
按风险和设备关键度排序任务，把人力优先投入高影响设备，减少无差别巡检与重复排查。
验证指标：抢修工单占比、维修工时、平均响应与修复时间
备件与资产成本
结合设备健康、维修计划和采购周期准备关键备件，评估预防更换与故障后维修的成本差异。
验证指标：紧急采购、缺件等待、库存占用、单台设备维护成本
知识与风险治理
把故障证据、根因、处置步骤和审批记录纳入设备档案，减少经验随人员流动而丢失。
验证指标：重复故障率、预警闭环率、记录完整率与审计覆盖
建议的试点运营指标
非计划停机
统计故障停机时长、次数及其对产线和产能的影响。
平均故障间隔 MTBF
观察设备可靠性趋势，并按设备类别和运行时长统一口径。
平均修复时间 MTTR
跟踪从故障确认到恢复运行的时间，识别诊断、备件或协同瓶颈。
预警处置闭环率
衡量预警是否被确认、派单、检查并回填结果，而不只统计告警数量。
指标口径需与企业现有设备管理制度保持一致。结果受设备状态、数据覆盖、检修策略和生产计划等因素共同影响。
ROI 核算建议
项目净收益估算 = 可归因的停机损失减少 + 可核验的维修/备件净节省 - 项目投入
核算时纳入传感器、集成、平台和持续运维成本；通过可比设备或同设备前后周期对照，并剔除产量、计划停机、设备大修和工艺变化等影响。
Pilot readiness
试点前，先把问题定义清楚
场景定义越具体，越容易判断需要哪些数据、由谁复核，以及怎样衡量改善。
01
目标设备
设备型号、关键部件、设备层级、产线位置及关键度是否明确？
02
目标故障
优先关注哪些失效模式？故障表现、影响范围和可接受的检查提前量是什么？
03
数据来源
传感器和控制器有哪些测点？数据采样、时间戳、设备编码和缺失情况如何？
04
历史证据
能否取得报警、点检、故障、维修、更换件和停机记录，并关联到具体设备？
05
处置责任
谁确认预警、执行检查、安排工单，并回填维修结论与实际故障？
FAQ
关于设备预测性维护
从已有数据开始评估，不需要把所有设备和系统一次性改造到位。
什么是设备预测性维护？也叫预测性设备维护或 AI预测性维护吗？+
是的，这些说法都指基于设备运行状态、工况和维修历史识别异常趋势，并辅助安排点检、检修和备件计划的维护方式。AI预测结果用于运维决策辅助，仍需结合现场检查和安全规程确认。
没有安装振动传感器，也能开始吗？+
可以先评估已有 PLC/SCADA、设备控制器、点检表和维修工单中的可用数据。对缺少关键状态量的设备，再按诊断目标规划补充传感器。
需要积累很多故障数据才能上线吗？+
不一定。初期可从设备台账、专家规则、报警码和状态趋势入手；有代表性的故障与维修记录后，再逐步验证监督式诊断和寿命评估。
系统会自动控制或停机吗？+
页面所述能力用于状态监测和运维决策辅助。是否联动工单、控制系统或停机策略，应由企业结合安全规范、权限和现场验证单独确定。
如何减少误报并验证效果？+
按设备与工况建立基线，结合持续时间、变化趋势和多信号证据分级告警；试点期间由运维人员标注处置结果，并定期复盘误报、漏报和告警闭环情况。
