设备预测性维护AI定制：振动数据到停机预警

工厂设备预测性维护项目最常见的困难不是算法，而是故障样本太少。多数车间一年内轴承、主轴真正损坏的案例屈指可数，直接训练分类模型往往不可行。我们在离散加工车间的落地经验是，与其追求一步到位的寿命预测，不如分阶段推进。要点一：先做状态监测，再做预测。首期只部署振动与温度采集，积累两到三个月正常运行数据，建立设备健康基线，用偏离度做异常提醒。这一阶段不追求预测剩余寿命，只回答这台设备是否和平时不一样。要点二：特征工程优先于模型复杂度。对滚动轴承，包络谱中的特征频率、峭度、RMS趋势比深度模型更可解释，现场维修工也更容易信任。等故障案例积累到十几例以上，再考虑引入机器学习模型细化分级。落地时还要注意采样频率与传感器安装位置：轴承故障特征常在数kHz频段，采样率不足会漏掉早期征兆；传感器应尽量靠近轴承座，避免通过薄壁罩壳间接测量。此外，预警信息需对接维修工单系统，明确响应人与处置时限，否则预警再多也只是停留在报表里。