只读
预测性维护
预测性维护（PdM）的核心是对未来的推演。如果说基于状态的维护（CBM）像是一个心率报警手环——发现心率 120 就告诉你“现在很危险，快停下”；那么 PdM 则像天气预报——现在虽然晴空万里，但算法告诉你“明早 8 点有暴雨，请带伞”。
维修策略由标准作业和维护规则构成。在 PdM 中，维护规则不再是当前的静态阈值，而是对未来失效时间的动态预测。
核心产出：剩余使用寿命 (RUL)
PdM 不仅输出报警，更重要的是输出一个倒计时数字：剩余使用寿命 (RUL, Remaining Useful Life)。它科学预测了设备距离彻底功能失效（F点）还有多久。
RUL 的核心业务价值是以时间换空间：
- 备件准备：如果提前预测到故障，即使采购周期较长也来得及从容备料，无需花费高昂的加急运费。
- 排程柔性：能够将停机时间安排在生产空窗期（如周末或原本计划的大修期），避免无计划停机带来的巨额生产损失。
CBM 与 PdM 的对比
两者最容易混淆，但核心区别在于：CBM 关注当下，PdM 关注未来。
| 维度 | 基于状态 (CBM) | 预测性维护 (PdM) |
|---|---|---|
| 触发依据 | 阈值 (Threshold) | 趋势 (Trend) / 模型 |
| 逻辑追问 | “现在异常吗？” | “未来何时异常？” |
| 提前量 | 短（受限于 [[P-F曲线 | P-F 间隔]]） |
| 准确度 | 近乎 100%（事实已发生） | < 100%（概率预测，会有误报） |
| 实施成本 | 中（传感器 + 规则集） | 高（传感器 + 算法 + 算力） |
算法层级与 AI 的必然性
PdM 通常依赖三个层级的数据深度：
- 简单趋势外推：基于历史斜率线性延长（如轮胎磨损），普通报表即可实现。
- 多参数关联：温度未超、振动未超，但“在低负载下出现了异常的高温”。单一阈值无法发现，模型能识别这种非线性的前兆。
- 机器学习与 AI 预测：通过投喂大量历史故障样本，让 AI 寻找人类无法理解的波形微小变异与最终失效之间的联系。
在复杂的工程场景中，传统阈值容易遇到瓶颈，使得 AI 变得不可或缺。传统阈值难以应对多点联合判断（需要振动、压力、电流微变综合推断），也难以应对千机千面（同型号设备由于负荷与安装差异，需要独立指纹模型）。
先做实基础，再上模型
许多企业在实施 PdM 时常常走弯路：测点还没验收、告警还是通过群聊转发、基础的工单流程尚未闭环，就盲目招标算法平台。结果模型给出了健康评分，但停机依然发生，因为连基本的故障模式和测点都没对应上。
提醒
连测点都在护罩上、告警还不能自动开预检工单的，先别上模型。基础数据不准，AI 投喂的只能是“垃圾”，模型也必然失效。
适用与局限
PdM 并非包治百病，实施成本高昂。它主要适用于极其昂贵、关键且故障模式复杂的核心设备（如汽轮机、大型压缩机）。对于随机发生的电子失效、数据极少的孤品设备，或者可以通过增加简单冗余就能解决问题的资产，投入高昂算力并不划算。初期落地时，应将 PdM 定位为辅助决策工具：系统预警后触发检查工单，由专家现场确认以建立人机信任。预测只是维修策略的选择里的一项，是否采用取决于成本、风险与性能的综合评估。