预测性维护AI减少工厂非计划停机40%

在弱电圈子里混了这么多年，我发现一个规律：甲方最痛的不是设备坏了修不好，而是设备说坏就坏，一点征兆没有。非计划停机带来的损失，很多时候比修设备的钱多得多。

生产停了，每分钟都在烧钱

化工行业尤其明显。一条连续生产线，一停就是几百万的损失。传统的维护策略无非两种：坏了再修（被动维护），或者定期保养（预防性维护）。但前者代价太高，后者又存在大量"过度维护"——好好的设备拆开来换个轴承，反而装回去出问题。

去年我们给一家化工厂做了预测性维护系统，选的关键设备是离心泵机组。化工厂的泵站，尤其是循环水泵和给料泵，一旦坏了生产就得停。

传感器方案

我们给每台关键泵装了三个传感器：

1. 振动传感器（加速度计）： 采集轴承和壳体振动，频率范围到10kHz

2. 温度传感器（贴片式PT100）： 监测轴承座温度和泵体温度

3. 电流互感器： 监测电机电流变化

所有传感器信号进边缘计算网关，而不是直接上云。这样做有两个好处：一是延迟低（推理在本地完成，毫秒级响应），二是数据量可控（不需要把原始波形全传上去，占带宽）。

模型怎么训练的

训练数据来自这台泵过去两年的历史数据，包括6次故障和对应的传感器波形。我们从时域和频域提取了128个特征，用XGBoost做了分类模型。

实际效果

系统上线运行8个月的数据：

• 提前72小时预警成功： 4次真正的故障全部提前预警，准确率92%
• 非计划停机减少： 同比降低40%
• 误报率： 控制在每月3次以内
• 维修策略从"定期大修"转向"状态检修"： 检修频次从每季度一次延长到每半年一次

实施中的教训

模型不能脱离业务理解。最早我们纯看数据，模型说某台泵"异常概率87%"，结果维护团队过去一看啥事没有。后来发现是工艺参数调整引起的正常工况变化。解决方案是把工艺参数（流量、压力、转速）也作为模型输入，和振动数据一起分析。

做预测性维护这件事，技术和设备都不贵，真正难的是把设备机理和AI模型结合起来。懂设备的老工程师+懂AI的算法工程师坐在一起聊，才能做出真正有用的系统。