答:AI设备健康管理(PHM)做不成的头号原因,是把算法当成了主角——PHM的本质是"数据质量+失效机理+维护流程"三件事的闭环,算法只是其中一环,很多工厂一上来就买模型、搭大屏,却没人回答"这台设备坏了会怎样、我拿到预警后让谁去做什么"。
先说一个典型场景。某电子厂的SMT产线,贴片机主轴、回流焊风机这些关键设备装了振动和温度传感器,数据也接进了平台,但半年过去,报警要么频繁误报被现场关掉,要么真出问题时没报出来,设备部最后还是靠老师傅听声音、按周期换件。这就是典型的"有数据、没健康管理"。
业内常见的误区,大致集中在这么几个地方。
一、把PHM当成纯算法项目,跳过失效机理梳理
不少企业默认"数据喂够了模型自己会学",但工业设备的故障样本天然稀疏,轴承早期磨损、丝杠润滑劣化这类渐进故障,几个月才出现一次。纯数据驱动模型在样本不足时很难收敛。可行的做法是先做FMEA(失效模式与影响分析),明确每台关键设备的失效模式、可观测的物理量(振动烈度、温度趋势、电流谐波、油液颗粒度)和对应的预警阈值区间,再用算法去拟合退化曲线。机理定方向,数据做修正,顺序反了就容易白花钱。
二、传感器装了,但测点选错、采样率不够
PHM的输入质量决定上限。业内常见的问题是振动测点贴在机架而不是轴承座附近,或者采样率只够看趋势、抓不到早期冲击脉冲。轴承早期故障的特征频率往往在几千赫兹以上,按ISO 10816做整机振动烈度评估是一套逻辑,做早期故障诊断又是另一套采样要求,两者不能混用。选型阶段就该按失效模式倒推测点位置、频响范围和采样策略。
三、只做监测不做闭环,预警没有对应工单
这是最普遍的一条。平台天天出健康度评分,但维护计划、备件库存、停机窗口还是老流程,预警落不了地,现场自然不信任。PHM要真正生效,预警必须能自动生成工单、关联备件、排进检修窗口,并且把"预警后实际处置结果"回写进模型做标注。没有这个闭环,模型永远得不到反馈,准确率也上不去。
四、追求一次上线就全覆盖,忽略分级推进
把全厂几千台设备一次性纳入PHM,数据治理和标注成本会直接压垮项目。更稳的路径是按"故障后果严重度×维修成本"筛出A类关键设备先做,跑通十几个典型失效模式,再横向复制。ROI通常也是从这几台设备上先体现出来的。
相关追问一:PHM和传统定期维护、状态监测有什么区别?
定期维护按时间换件,状态监测看实时参数是否超限,PHM则要在故障发生前给出剩余使用寿命(RUL)估计和维修决策建议。三者是递进关系,不是替代关系,多数工厂的合理状态是"定期维护打底+关键设备上PHM"。
相关追问二:没有足够故障数据,模型怎么训?
两条路:一是迁移学习,用同型号设备、同类工况的公开数据集或集团内其他产线数据做预训练;二是仿真与加速寿命试验补充退化样本。同时把阈值规则模型作为冷启动方案,先跑起来积累标注数据,再逐步替换成学习型模型。
相关追问三:PHM项目怎么衡量是否值得做?
看三个因子:设备非计划停机造成的单次损失、该失效模式的历史发生频次、以及预警提前量能覆盖的检修窗口长度。三者相乘才是可挽回的损失量级,再对照传感器、平台和人力投入去判断优先级,而不是笼统看"设备总值"。
适合与不适合的边界:设备数量少、故障后果轻、以人工经验维护为主的小型车间,先做好点检和备件管理更划算,不必上PHM;流程工业连续生产、单点停机损失大、设备价值高且失效模式可观测的场景,PHM的投入产出比才立得住。判断的落脚点不是技术先不先进,而是你的失效模式能不能被传感器看见、预警出来之后有没有人按流程接住。