1. 课程导入与全景认知

设备维修策略的演进，本质上是在回答同一个问题：在故障发生之前，我们究竟能提前知道多少？事后维修（BM）在故障发生后响应，预防性维修（PM）按时间或运行量定期干预，而预测维护（PdM）则试图依据设备真实健康状态的退化趋势，在"还来得及"的时刻精准介入。三者不是替代关系，而是适用边界不同的组合工具。

一、预测维护的定义与三个层次

预测维护是指通过状态监测数据、工况参数与历史故障记录，评估设备当前健康状态、预测剩余可用寿命（RUL），并据此触发维修决策的维护模式。它包含三个递进层次：

• 状态感知层：回答"现在怎么样"。例如振动烈度、轴承温度、油液颗粒计数、电机电流特征值。
• 健康评估层：回答"偏离正常有多远"。将原始信号转化为健康指标（HI），如振动有效值的趋势斜率、温度残差。
• 预测决策层：回答"还能用多久、什么时候修"。输出RUL估计与置信区间，结合生产计划、备件与停机成本形成维修建议。

只有三层贯通，才构成完整的预测维护闭环。仅有传感器和报警阈值，属于状态维修（CBM）的初级阶段；只有加入退化建模与寿命预测，才真正进入PdM范畴。

二、价值边界：预测维护能做什么、不能做什么

预测维护的价值集中在退化过程可观测、故障模式可建模、干预时机有弹性的设备上。典型适用对象包括：旋转机械（电机、泵、风机、齿轮箱）、轴承与传动链、变压器、压缩机、关键阀门执行机构。这些设备的退化通常以周或月为尺度缓慢发展，给预测留出了决策窗口。

反之，以下情形预测维护价值有限：突发性故障（如电子元件击穿、异物撞击）、退化极快（数小时内失效）、监测成本高于故障损失、非关键冗余设备。此时事后维修或定期更换反而更经济。因此，预测维护的第一项工作不是装传感器，而是做设备关键性与故障模式筛选。

三、三种维修策略的对比

实际体系中，三者通常按设备分级共存：A类关键设备用PdM，B类用PM，C类用BM，形成分层维修策略。

四、预测维护体系构成

一个可运行的预测维护体系由五个部分咬合而成：数据采集层（传感器、边缘采集、工况信号）、数据传输与存储层（网关、时序数据库）、分析与建模层（特征提取、健康评估、RUL模型）、决策与执行层（维修工单、备件、排程）、反馈与迭代层（维修结果回写、模型再训练）。任何一层缺失，体系都会退化为"有数据、没结论"或"有结论、落不了地"。

五、策略设计的基本流程与落地要点

维修策略设计不是"选一种模式"，而是一条可迭代的决策链：

1. 设备分级：按故障后果（安全、环保、生产、成本）与发生频率，将设备划分为A/B/C三类。A类必须做预测维护，C类可事后维修。
2. 故障模式与退化机理分析：对A类设备逐项列出主要故障模式（如轴承外圈剥落、齿轮点蚀、绕组绝缘老化），明确每种模式的退化特征与可观测信号。
3. 监测参数选择：为每种故障模式匹配敏感特征。例如轴承早期剥落优先选高频加速度包络值，不平衡选1倍频振动幅值，绝缘老化选局部放电量与介质损耗因数。
4. 阈值与模型设定：先设报警阈值（如振动烈度超过ISO 10816的C/D区边界），再逐步建立趋势模型与RUL估计。初期可用简单趋势外推，数据积累后再引入退化模型。
5. 维修决策与执行：将预测结果转化为工单，明确维修时机、范围、所需备件与停机窗口，并与生产排程协同。
6. 效果验证与迭代：统计误报率、漏报率、非计划停机次数、维修成本与设备可用率，回写维修记录，修正阈值与模型。

以某化工厂循环水泵为例（示例参数，非实测）：该泵为A类关键设备，主要故障模式为轴承磨损与叶轮结垢。监测方案为驱动端轴承座安装加速度传感器，采样率25.6 kHz，每2小时采集一次；同时记录出口压力与电机电流。健康指标取振动加速度包络值的7天滑动均值。当该指标超过基线值的2.5倍时触发预警，超过4倍时进入维修决策窗口。按此策略，该泵的非计划停机次数由每年约3次降至0～1次，备件库存也因按预测需求采购而下降。这类示例说明：预测维护的收益不来自算法复杂度，而来自"选对故障模式、选对特征、定对阈值、接上维修动作"这条完整链路。

本课程后续将围绕这条链路逐层展开：从数据采集与特征工程，到健康评估与RUL建模，再到维修决策优化与体系落地。本章需要建立的核心认知是——预测维护是一种以状态为依据、以决策为目标的维修策略，它的边界由设备关键性与退化可观测性决定，它的成败取决于体系闭环而非单点技术。