引言：一个厂长的深夜电话

去年秋天，一位在浙江做汽配加工的朋友半夜给我打电话，说车间的加工中心主轴突然抱死，停机一天损失接近二十万。他问我：网上说的预测性维护，到底该怎么落地？是不是买套传感器装上就完事了？我说不是，这事儿得按步骤来，跳过哪一步都可能白花钱。今天这篇就把预测性维护实施步骤掰开揉碎讲一遍，从设备摸底到模型上线，一条路线图说清楚。

第一步：摸清家底，给设备分个三六九等

很多工厂一上来就想"全部设备都监测"，预算立刻爆炸。正确的做法是先做设备资产盘点，按两个维度打分：故障停机的影响程度、故障发生的频率。影响大、频率高的关键设备优先上监测，比如生产线上的主机、单点故障的瓶颈工位。影响小、坏了随手换的泵阀，定期人工巡检就够了。一般经验是，20%的关键设备吃掉了80%的停机损失，先盯住这20%。

第二步：设计数据采集方案

确定了要监测哪些设备，接下来决定"测什么、怎么测"。不同设备故障模式不同，传感器选型差别很大。滚动轴承看振动，电机绕组看温度和电流，往复机械看压力波形。采集频率也有讲究：轴承早期故障的特征频率高，采样率至少要到位，不然信号都采不全。

常见的数据来源有三种：

第三步：搭平台，把数据攒起来

这一步很多人会纠结自建还是用云平台。我的建议是中小工厂直接用成熟的SaaS方案，把精力留给数据治理。真正难的不是软件，是让数据"能用"——传感器点位命名要统一，数据要带时间戳和工况标签（空载还是满载、加工什么料），否则后期的模型会把不同工况的信号混在一起，误报率高得吓人。

第四步：模型训练与验证，别急着上AI

先说句实在话：起步阶段，基于阈值和趋势分析的"传统方法"就能解决60%的问题。轴承振动烈度超ISO 10816标准、温升速率异常，这些规则简单有效。等积累了半年到一年的故障样本，再上机器学习模型才有意义。验证环节要拿历史故障回测，宁可漏报也别误报太多——工人连续被误报警骚扰两周，就会把整个系统打入冷宫，这种项目失败案例我见过不止一次。

第五步：接进维修流程，形成闭环

预警发出来只是开始。工单系统要能接收预警、派单、记录处理结果，处理结果再回流给模型团队做标注。这个闭环转起来，系统才会越用越准。落地时建议先试点3个月，选一两条产线跑通全流程，再逐步推广到全厂。

几个容易踩的坑

• 只买硬件不配人：没有专人响应预警，系统三个月后自动"死亡"
• 跳过设备分级，全厂铺开，预算超支后烂尾
• 数据没有工况标签，模型混淆工况导致误报泛滥
• 考核指标定错：用"报警数量"考核而不是"避免的停机损失"

写在最后

回到开头那位朋友，他后来按这套步骤走了小一年：先盘设备、再上传感器、最后接工单，主轴故障预警提前了11天抓到。预测性维护实施步骤看着繁琐，本质就一句话——先想清楚要解决谁的什么问题，再动手。顺序对了，这事不难。