设备预测性维护AI定制：振动监测与故障预警

设备预测性维护是制造业AI定制中需求最集中、也最容易做虚的方向。结合几个已落地项目看，成败关键不在算法多复杂，而在监测点选得准不准、报警能不能指导实际动作。实施中有两点经验值得注意：一、测点与采样先行。旋转类设备优先在轴承座水平、垂直方向布置加速度传感器，采样频率按故障特征频率的3~5倍配置；风机、泵类重点采集包络谱，齿轮箱则关注啮合频率边带。测点选错，后续模型再精细也补不回来。二、报警必须绑定动作。AI输出不应只是健康或异常的标签，而要落到具体处置：例如轴承内圈特征频率能量连续三个班次上升超过基线40%，系统自动生成工单并推荐备件型号；仅达到注意级则只记录趋势，不打扰现场。报警分级与维护流程打通后，现场的误报容忍度会明显提高。冷启动阶段建议先用3~6个月积累正常工况数据建立基线，再逐步放开预警权限，避免一上线就频繁误报消耗信任。项目验收也不宜只看准确率，应约定提前预警天数、避免非计划停机次数这类可核查指标，让AI定制的价值在运维台账里看得见。