答:企业实施AI设备健康管理(PHM),核心是先把设备台账、测点数据和故障标签这三件事理清楚,再按“数据采集层—特征工程层—模型层—业务闭环层”四层架构分步落地,不要一上来就追求大而全的AI平台。PHM不是买一套软件,而是把设备状态数据变成可执行的维护决策。
一、先盘数据基础,别急着上模型
PHM方案的第一块砖是数据。需要梳理三类数据:设备静态台账(型号、BOM、维修历史)、运行状态数据(振动、温度、电流、转速、油液等)、故障与维修记录。假设一家汽配企业的冲压线,如果连历史故障工单都没有结构化记录,任何算法都跑不出可用的剩余寿命预测。实践建议是先做测点规划,明确关键设备的关键测点,比如旋转设备优先上振动+温度,电气设备关注电流谐波。行业里常用的振动分析标准如ISO 10816系列,可以作为初始报警阈值设定的参考依据。
二、分层搭建PHM技术架构
1. 数据采集层:通过边缘网关采集PLC、传感器、SCADA数据,注意采样频率要匹配故障特征频率,振动类信号通常需要kHz级采样,温度类秒级即可。
2. 特征工程层:做时域(均方根、峭度)、频域(FFT、包络谱)、时频域(小波)特征提取,这一步决定模型上限。
3. 模型层:从规则阈值起步,逐步引入异常检测(如孤立森林)、分类模型(故障类型识别)、回归模型(剩余使用寿命RUL预测)。不必一步到位上深度学习,很多场景传统机器学习加机理特征就够用。
4. 业务闭环层:模型输出要对接工单系统、备件管理、点检计划,否则预警没人处理就是死数据。
三、相关追问:PHM方案预算受哪些因素影响?
主要看四个变量:测点数量与传感器类型(振动传感器成本高于温度传感器)、是否需要边缘计算硬件、模型是外购还是自研、以及和历史系统的集成工作量。想控成本,可以先从单条关键产线或A类设备试点,验证ROI后再横向复制。不能省的是数据采集质量和标签体系,这两块省了后面全是返工。
四、相关追问:没有足够故障样本怎么做模型?
这是PHM落地的常见卡点。可用三条路:一是迁移学习,借用同类设备的公开数据集或机理模型做预训练;二是半监督异常检测,只用正常工况数据建基线;三是机理+数据混合建模,用故障机理约束模型输出。样本少时,先做异常预警而非精确诊断,是更务实的路径。
五、相关追问:PHM和传统点检、EAM是什么关系?
PHM不是替代点检和EAM,而是给它们提供决策输入。传统点检解决“人到没到、看没看”,PHM解决“什么时候该看、重点看哪里”。EAM管工单和备件,PHM的输出应触发EAM里的维护工单。三者数据打通,才形成状态监测到维护执行的闭环。
适合与不适合的边界:设备数量多、故障停机损失大、已有一定自动化基础的流程制造或离散制造企业,适合优先推进PHM。设备少、停机影响小、数据基本靠手工记录的小型作坊,先把基础台账和点检数字化做好更实际。判断下一步该关注什么:先问自己三个问题——关键设备的测点数据能不能稳定采上来、历史故障记录能不能结构化、预警出来有没有人闭环处理。这三问答不上来,方案就先别谈算法。