面向中型工厂的物联网与 AI 预测性维护：从停机代价最高的设备开始

在许多中型工厂里，设备维护仍然只有两种方式：坏了再修，或者按固定周期更换零件而不看实际状况。前一种方式会导致生产突然中断、订单延误。后一种更稳妥，但常常把仍然可用的零件扔掉，而且依然无法防止在两次保养之间发生的故障。

预测性维护提供了一条中间道路：通过传感器持续监测设备状态，再利用数据分析和 AI 估计零部件何时可能出现问题。这项技术过去被视为拥有自有数据团队的大企业的专利。如今，无线传感器更便宜，物联网网关更容易安装，数据处理既可以在边缘设备上进行，也可以在云端完成。2026 年的行业报告显示，预测性维护正从试点走向常规部署，中型工厂也不例外。另一个推动因素是资深技师退休带来的维护经验流失。本文介绍如何务实地起步，而不必启动高风险的大型项目。

要点概览

• 从停机代价最高的一两台设备开始，而不是覆盖整个工厂
• 振动、温度、电流和压力传感器足以应对许多常见故障类型
• AI 模型需要故障与维护历史数据，因此工单记录必须从一开始就规范
• 系统告警必须转化为 ERP 或 CMMS 中的工单，而不只是通知
• 从避免的停机时间、节省的备件和减少的加班来计算收益
• 让经验丰富的技师持续参与，他们的经验能让模型更快变得准确

三种维护方式

事后维修是指设备坏了之后再修。由于没有例行工作，看起来成本很低，但隐性损失巨大：生产停止、材料浪费、交货延误，备件只能紧急高价采购。

预防性维护或定期保养是指在运行一定小时数或天数后更换机油、轴承或皮带。这种方式要好得多，也是每家工厂都应具备的基础。它的不足在于，计划是按平均值制定的，而每台设备的状况会因负荷、环境和操作水平而不同。

预测性维护关注的是实际状况。如果轴承振动开始偏离正常模式，系统会在故障前几天甚至几周发出预警。技师可以在生产间隙安排更换。这种方式并不取代预防性维护，而是对关键设备的补充。资产管理和定期保养的基础知识见用 ERP 管理资产与设备维护。

选择第一台设备

常见的错误是想一次给所有设备都装上传感器。结果是成本高、数据堆积、团队应接不暇。更好的做法是挑选符合以下条件的一两台设备：

• 这台设备一停，整条生产线都会停
• 曾经发生过故障，而且停机和维修成本让人印象深刻
• 备件交货期长或价格昂贵
• 其故障可以通过振动、发热或电流等物理状态检测出来
• 有了解这台设备并愿意参与的技师

例如主空压机、循环泵、输送带驱动电机、注塑机或挤出机。这类设备通常有旋转部件，其故障模式已被充分了解。

所需的传感器与数据

在许多情况下，几种传感器就已足够：

• 振动传感器，用于检测轴承磨损、轴不对中或部件松动
• 温度传感器，用于检测摩擦过大、润滑不足或过载
• 电流传感器，用于观察电机负载的变化
• 压力和流量传感器，用于泵和液压系统
• 运行小时和循环计数器，用于了解实际使用量

电池供电的无线传感器让安装无需重新布线。数据先发送到网关，再转发到本地服务器或云端。对于网络连接不稳定的工厂，可以在边缘设备上进行初步处理，即使断网也能照常发出告警。选择设备的实际考量见务实的物联网与传感器应用。

来自运营系统的数据

仅有传感器数据还不够。模型需要了解上下文：正在生产什么产品、设备运行速度多少、零部件上次何时更换、曾经发生过哪些故障。这些数据通常存放在 ERP、生产系统或技师的笔记本中。如果维护记录仍在纸上，就应开始以数字方式记录故障类型和更换的零件。没有故障标签，AI 只能发现异常，还无法说出问题是什么。

AI 在预测性维护中如何工作

分析可以分为几个层级，从最简单到最先进。

阈值告警

第一层是阈值告警：当轴承温度超过 80 度或振动超过某一数值时发出警报。这种方式简单、透明，往往已经能带来很大收益。行业的设备振动标准也可以作为初始参考。

异常检测

第二层是异常检测。模型学习设备在不同工况下的正常模式，然后标记偏离的行为。这种方式的好处是不需要大量故障样本，只需要设备健康时的数据。

剩余寿命预测

第三层是预测零部件的剩余使用寿命，即估计还有多少天需要更换。这需要足够的故障历史数据，因此通常要在系统运行一段时间后才现实可行。

中型工厂应先从阈值告警和异常检测入手。两者见效快，也有助于建立团队的信任。AI 项目开始前的数据准备见启动 AI 项目前的企业数据准备。

从告警到行动

许多预测性维护项目失败，并不是因为模型错了，而是因为告警无人跟进。没人打开的仪表盘通知毫无价值。良好的流程如下：

• 系统检测到异常状态并评估其严重程度
• 对于中等严重程度，系统在 ERP 或 CMMS 中自动创建维护工单
• 维护主管将工作安排在最近的生产间隙
• 系统检查备件库存，不足时生成采购申请
• 技师记录实际发现，例如轴承确实磨损，或者只是传感器松动
• 这些记录成为改进模型的反馈

技师的反馈非常重要。每一次误报和每一次漏报都应记录下来，这样准确率才能逐步提高。

塑料包装厂的例子

东爪哇的一家包装厂在主挤出机电机上安装了振动和温度传感器。第二个月，系统发现某一频率的振动在缓慢上升。系统创建了工单，技师在换班时检查，发现轴承开始磨损。更换工作在计划内的两个小时内完成，而不是在大订单生产中途突然停机。仅这样一次事件，往往就足以收回这台设备的传感器成本。

诚实地计算收益

许多供应商承诺高比例的节省。在你自己的工厂得到验证之前，应把这些数字当作营销说法。更诚实的做法是用自己的数据计算：

• 所选设备每年的平均非计划停机小时数，乘以每小时的产值
• 紧急维修成本，包括加班和备件加急运费
• 因定期保养而过早更换的零部件
• 系统成本：传感器、网关、软件、集成以及团队投入的时间

在六到十二个月内对比实施前后的数据。如果收益明确，再按相同的优先级扩展到下一台设备。

准备维护团队与流程

技术只是工作的一半，另一半是人员和流程。明确由谁接收告警、由谁决定采取什么措施，以及每个严重级别的响应时限。培训技师看懂简单的振动和温度曲线，让他们理解告警背后的原因，而不只是执行系统发出的指令。每周安排一次简短会议，回顾出现的告警、采取的措施以及现场的发现。还要把资深技师的经验，例如故障发生前通常出现的声音或征兆，记录到数字化维护档案中。这些经验对于培训新技师以及改进分析规则和模型都很有价值。

需要避免的常见错误

• 在一台设备上验证价值之前就给所有设备装传感器
• 不记录故障历史，导致模型无法学习
• 告警只出现在仪表盘上，从不转化为工单
• 误报太多，技师不再信任系统
• 因为有了预测系统就忽视基础的预防性维护
• 没有从一开始就让技师参与，而他们最了解设备的症状
• 选择封闭平台，数据难以导出到其他系统

常见问题

起步需要多少成本？

这取决于设备数量、传感器类型和集成范围。在一两台设备上做试点，成本通常远低于关键设备一次停产造成的损失。先算出每小时停机的损失，就能得到合理的投资上限。

老设备可以监测吗？

可以。振动和温度传感器安装在设备外部，不需要现代化的控制系统。老设备更容易出故障，往往收益最大。

需要数据科学家吗？

初期不需要。许多平台提供内置分析功能。需要的是一位了解设备和工艺的人员，以及一个能把数据集成到维护系统的合作伙伴。

网络安全怎么办？

将传感器网络与办公网络隔离，限制设备访问权限，并确保网关定期安装安全更新。

结论

预测性维护已不再是只适合大型工厂的技术。从停机代价最高的设备开始，使用简单的传感器，规范记录维护历史，并把告警与工单打通，中型工厂就能切实减少停产。成功的关键不在于最先进的算法，而在于数据纪律、技师的参与以及清晰的跟进流程。