预测性维护

预测性维护云平台选型：自建还是买SaaS？上个月参加一个工业互联网的沙龙，饭桌上两个做设备的老板吵起来了。一个说自己花八十万自建了预测性维护云平台，另一个说自己一年十九万九买了SaaS，效果差不多。两个人都觉得对方是冤大头。

皮带输送机的AI巡检：从人工点检到机器听诊去年8月我在一家火电厂蹲点，跟检修班的王师傅巡了一趟输煤栈桥。三千多米长的皮带，他走到一半突然停下来说："三号滚筒不对，轴承有点沙沙声，半个月内得换。"我拿手机录音听了一分钟，什么也没听出来。

〖深度〗物流系统的“自愈”能力：从被动告警到无人干预的闭环工程绝大多数物流系统的运维逻辑，至今仍停留在“检测 → 告警 → 人工介入 → 修复”的链条上。系统发现异常，推送一条消息给值班人员，然后等待有人打开电脑、定位问题、手动执行恢复操作。

预测性维护数据的 ownership 之争：设备部还是IT部？先讲个真事。今年3月，我在浙江一家做注塑机的工厂驻场，他们上预测性维护平台已经半年，卡在了一个听起来特别离谱的问题上：设备数据归谁管？

三环上的骑士

【工业篇08】面向振动分析的轴承故障预测效能评估：以预警提前量与误报率为核心的新评估范式目录一、场景介绍：为什么轴承振动预测必须单独建一套效能话语1.1 基准实验场景：PRONOSTIA 数据集到底长什么样

空气压缩机的预测性维护：被忽视的能耗大户说实话，很多工厂对空压机的重视程度和它的能耗占比完全不成正比。一般工业企业的空压机系统占总用电量的20%-35%，在纺织、电子、食品这些用气密集型行业里，甚至能到40%以上。

变频器驱动的电机故障诊断：为什么标准方法失效了2025年11月，我去东莞一家做精密注塑机的厂里支援诊断项目。他们车间四十多台电机全部变频器驱动，想上电流特征分析（MCSA）做在线监测。我一到现场就先采了一组电流信号，回来做频谱分析——然后对着屏幕沉默了半分钟。

我在钢铁厂做预测性维护：高温、粉尘、强电磁的环境生存指南2024年7月，我们在唐山一家钢厂做轧机监测项目的第一个月，加速度传感器坏了三个。不是数据质量问题，是物理意义上的坏——普通IEPE传感器标称耐温125°C，而轧机轴承座附近的环境温度，夏天实测62°C，加上设备本体传导的热，传感器内部电子件直接老化失效。

预测性维护中的时间序列异常检测：从3sigma到Transformer上个月整理公司代码库，翻出来一个2019年写的监控脚本，就十几行：读PLC采集的温度序列，算均值和标准差，超3sigma就报警。让我有点感慨的是，这个脚本至今还在一家建材厂的窑炉车间里跑着，没出过大问题。

预测性维护中的迁移学习：把A产线的模型搬到B产线每个做预测性维护的团队，早晚都会撞上同一堵墙：新产线没有数据。我自己的经历是这样的。前年我们在一条包装产线上做轴承故障检测，数据攒了八个月，模型调到准确率不错，老板很高兴，大手一挥："厂里还有六条产线，都推过去！"然后现实就给了我一巴掌——那六条产线要么是不同厂家的设备，要么转速、载荷不一样，传感器装的位置也不同。新产线的数据积累得从零开始，等八个月，黄花菜都凉了。

PreMaint EES 设备智能诊断：AI如何解密设备故障信号制造工厂内泵、风机、压缩机等设备，经常出现“设备还在转，故障已经潜伏”的带病运行状态。过去，企业依靠人工巡检、简单阈值告警监控设备，解决的是设备是否超限报警的问题。随着物联网普及，监测数据不断上线，各类波形、频谱数据也海量涌现，工程师却负担加重：出现异常后，需要手动调取频谱图纸、对照故障机理，依靠个人经验去分辨设备故障类型，判读效率低，还容易出现漏判、误判。

预测性维护系统部署实录：一家水泥厂的半年改造手记说好了要按时间线记录，那就老老实实按时间线写。这家水泥厂在安徽宣城，年产能180万吨，主要设备是回转窑、辊压机、球磨机、斗提机和煤立磨。2024年初找到我们的时候，老板原话是"被非计划停机搞怕了，去年一年烧了400多万"。这个背景很重要——后面的很多决策都是基于这个痛点做的。

预测性维护中的模型可解释性：SHAP值让黑盒不再黑去年Q3我们接了一个风电客户的活——金风1.5MW机组的齿轮箱故障预测。模型在测试集上准确率堆到96%，召回率也有91%。我拿着这个数字信心满满去做汇报，结果被运维总监一句话问住了。

旋转设备故障诊断：轴承、齿轮箱、电机三类问题怎么分层建模旋转机械的故障诊断是预测性维护里最"经典"的活——也是最容易让新手翻车的活。2024年那会儿，我带团队给一家煤化工企业做旋转设备在线监测。第一版方案贪大求全，想用一套LSTM搞定所有设备。结果上线一个月，效果惨不忍睹——离心泵的轴承故障完全识别不出来。

预测性维护项目从0到1：立项、POC到规模化推广2023年底我第一次独立牵头一个预测性维护项目，立项书写满"降本增效、数字化转型"，结果评审会被财务总监一句话问死："省了多少钱？第几年回本？"

预测性维护中的时序数据存储方案：TDengine vs InfluxDB去年Q3我们接了唐山一家钢铁厂的项目，8000多个测点，振动传感器采样率25.6kHz，温度和压力信号1Hz轮询。客户IT部门一开始大手一挥："都存到我们现有的MySQL里。"我当时就笑了。说实话，这种数据量往MySQL里塞，不出一个礼拜磁盘就得炸。

深度学习在剩余寿命预测（RUL）中的应用综述2024年5月的时候，我在给一家做空压机的厂商做售后预测系统，销售总监提了个需求："能不能告诉客户，这台机器还能转多久？"

告别手工调参！TimechoAI时序大模型实战：打通TimechoDB存储到智能时序分析全链路在新型工业化推进过程中，工业、能源、轨道交通、金融、车联网等行业每时每刻都在产生海量时序数据：列车运行的振动温度测点、核电站设备状态、电网千万级终端用电数据、车企几十万台车联网车况、期货Tick行情、钢厂产线传感器指标等。以TimechoDB工业时序数据库为底座，已经服务中车四方、中国核电、国家电网、长安汽车、宝武钢铁、冠通期货等大量标杆客户，能够轻松承载数十亿测点规模的数据写入与存储需求，实现90%以上存储压缩，秒级分布式扩容，适配乱序写入、工业协议接入等真实生产场景。

轨道交通预测性维护：走行部与弓网系统监测，从青岛动车检修厂的现场说起2024年Q2，我去了趟青岛，去拜访一家专门做动车组高级修（也就是大家说的"四修五修"）的检修公司。在他们的检修车间里，我第一次看到那种"红房子"里的复杂——一辆八编组的动车被大卸八块，工人在转向架下面钻进钻出。

数字孪生+预测性维护：1+1＞2的组合拳去年9月，我们在内蒙古赤峰一个风电场做了个有意思的项目。50台2.5MW风机，之前单独跑了两年预测性维护系统，齿轮箱故障预警准确率卡在76%左右上不去。老板不死心，问能不能上数字孪生搞一把"降维打击"。