预测性维护先选关键设备和部件，采集振动、温度、电流、压力等运行数据，建立正常工况基线，再用模型识别异常和剩余寿命，最后接入维修工单形成闭环。
先说定义：预测性维护是根据设备状态数据判断健康趋势和维修窗口，在故障发生前安排维护，而不是等到停机后再抢修。
先选对设备和部件
不是所有设备都值得一开始就做预测性维护。优先选择故障影响大、维修成本高、已有测点或容易加装传感器的关键设备，例如风机、泵、压缩机、电机和减速机。再明确要预测的部件和故障模式，避免目标过于宽泛。
采集数据并建立基线
常见数据包括振动、温度、电流、压力、转速和启停状态。先收集一段正常运行数据，建立不同工况下的基线；否则同样的振动值，在高负载和低负载下含义可能完全不同。数据质量、时间同步和测点位置会直接影响后续效果。
模型、告警与工单闭环
模型输出异常分数、健康评分或剩余寿命区间后，要和维修流程接起来：谁确认告警、谁安排检修、备件是否到位、维修后如何复核。没有闭环的预测结果，很容易变成“看板上的数字”，无法真正减少非计划停机。
| 步骤 | 关键动作 | 主要产出 |
|---|---|---|
| 设备选择 | 按故障影响、维修成本和测点条件筛选 | 关键设备与部件清单 |
| 数据采集 | 部署传感器或读取既有系统数据 | 振动、温度、电流等时序数据 |
| 基线建立 | 按工况建立正常范围 | 工况基线与数据质量报告 |
| 模型分析 | 异常检测、故障分类、寿命预测 | 健康评分、告警与维修建议 |
| 闭环验证 | 工单、检修、复核、持续标注 | 维修记录与模型迭代样本 |
相关问题
所有设备都适合预测性维护吗？
不是。故障机理不清、数据采不到或维修价值低的设备，优先做定期保养或状态点检更划算。
需要新增传感器吗？
如果既有系统已有振动、温度、电流等数据，可优先复用；没有可用测点时，再根据部件和故障模式评估加装方案。
预测准确率怎么保证？
需要持续积累正常运行、异常和维修标签数据，并通过现场复核不断修正。建议先以告警命中率和误报率为验收口径，而不是只看模型指标。