INLI IMPLEMENTATION GUIDE

设备预测性维护怎么试点？从传感器到维修闭环的实施指南

预测性维护的起点不是训练模型，而是选择值得试点的设备、定义什么算故障，并建立从告警到检查、维修和结果反馈的闭环。

作者：INLI 引量科技 · 工业 AI 与数字化团队复核：INLI 工业 AI 项目复核组适合：设备经理、维修工程师、工厂 IT 与 IoT 项目负责人约 8 分钟更新于 2026-08-30

本文遵循 INLI 的编辑、复核与更正政策；如内容影响生产、质量、采购或报价决定，请由相关专业人员复核。

直接回答

应该怎么做？

优先选择停机会影响交付、已有维护记录且能稳定采集状态数据的设备。先运行规则阈值或统计基线，再比较 AI 模型；验收同时观察有效预警、漏报、误报、提前量和维修人员实际采用情况。

HOW TO

并非设备越重要越适合。如果从未记录故障、工况变化大或传感器无法稳定安装，首个试点很难形成可验证结果。

温度或振动偏离历史范围不一定代表故障，也可能来自换型、负载或环境变化。模型输入必须包含必要工况，告警需要由维修记录验证。

预测维护数据的价值不仅在采样值，还在时间、设备、工况和维护上下文。多个系统时间不一致，会让告警与故障无法正确对应。

只生成告警看板不会自动减少停机。每条告警都应分配给人员，记录检查结论、处理动作和后续复测，并将结果用于调整规则或模型。

指标应在试点开始前约定，并使用相同样本、时间范围和业务口径复测。

没有历史故障数据能做预测性维护吗？

可以先做状态监测、规则阈值和数据质量建设，但很难直接验证故障预测能力。应在运行中积累经过确认的事件与维修结果。

传感器越多越好吗？

不是。测点应对应故障机理和可执行维护动作。过多无关数据会增加安装、维护和解释成本。

告警提前量越长越好吗？

不一定。提前量需要足以安排检查或维护，同时不能因为过早而产生大量无效告警，应按故障模式评估。

AI 告警可以自动停机吗？

首个试点不建议。自动停机属于高影响动作，需要独立安全逻辑、明确权限、充分验证和人工或规则确认。

以下资料用于提供通用实施、安全与风险管理框架，不代表相关机构对 INLI、本文或具体方案的认可与背书。

工业和信息化部：《智能制造典型场景参考指引（2024年版）》
从工厂建设、计划调度、生产作业等重点环节描述智能制造典型场景。
NIST SP 800-82 Rev.3：Guide to Operational Technology Security
针对 OT 系统的性能、可靠性和安全要求提供风险与控制建议。
NIST：AI Risk Management Framework
用于在 AI 的设计、开发、使用和评估过程中管理可靠性、安全、透明与问责风险。