AI 术语表 · 基础 · 经典机器学习、推荐与搜索 · 制造
预测性维护
预测性维护是用 AI 分析安装在设备上的传感器数据，在故障发生前提前发现征兆，并在真正需要的时候进行维护的方法。
关于这个术语
通俗解释 这就像不是等汽车彻底抛锚后再修，也不是按里程一律更换零件，而是根据发动机声音和仪表盘信号，觉得“快要出问题了”时再去修理厂。不同之处在于，AI 能以数字形式读出人耳听不到的细微变化。
工作原理
在电机、泵、轴承等设备上安装测量振动、温度、电流、压力等的传感器，持续收集数据。AI 模型先学习正常状态下的模式，然后找出偏离该模式的异常征兆，或估算零件还能坚持多久（剩余寿命）。一旦出现危险信号，就向负责人发送警报并安排维护计划。实际的维护结果会再记录下来，用于改进模型。
为什么重要
工厂设备突然停机会导致整条生产线停摆，损失很大。但如果按固定周期一律更换零件，又会扔掉仍然完好的零件。预测性维护帮助在两者之间做到“只在需要时”维护。因此，它作为同时减少突发停机和不必要维护的方法而受到关注。
三种维护方式
事后维修坏了再修
- 有突发停机风险
- 前期准备少
预防性维护按固定周期
- 降低停机风险
- 完好零件也会被更换
预测性维护根据征兆按需进行
- 同时减少停机和浪费
- 需要传感器·数据·模型
공통 都是为了让设备不停机、长期运行的方法
注意事项
故障很少发生，因此用于训练的故障数据往往不足。所以常见做法是先从捕捉“与平时不同”的异常检测入手，而不是直接预测故障。警报过于频繁会让现场人员忽视它，因此减少误报，并同时向维护人员展示判断依据非常重要。在发电厂、化工厂等与安全直接相关的设施中，不能仅凭 AI 的判断推迟维护，必须保留法定检查和人工最终确认。
示例
某工厂在每台输送带电机上安装振动传感器，当预测模型检测到与平时不同的振动模式时，就在维护团队的屏幕上弹出“疑似轴承异常”警报。维护团队在下一次计划停机时更换该轴承，并记录实际是否存在磨损，用于改进模型。