3. 核心概念
在预测性维护项目实施中，最容易出现的沟通障碍并不是算法或传感器本身，而是概念混用。很多团队把“定期换油”称为预测性维护，把“振动超标报警”称为主动维护，把“上系统”直接等同于PHM。概念一旦模糊，验收指标就会失焦：到底考核的是减少非计划停机、降低备件消耗，还是提升剩余寿命预测精度？因此，本节先把四类维护策略的边界讲清，再给出PHM体系的整体结构。
一、四类维护策略的本质差异
维护策略的划分，核心看两个维度：维护动作由什么触发，以及是否对设备未来状态做出判断。据此可以区分预防性维护、状态维护、预测性维护和主动维护。
- 预防性维护（Preventive Maintenance，PM）：按时间或运行量触发，例如每运行2000小时更换轴承、每季度校准传感器。它不依赖设备当前实际健康状态，优点是计划性强、易管理，缺点是可能“过度维护”或“维护不足”。
- 状态维护（Condition-Based Maintenance，CBM）：按监测参数是否越限触发，例如振动烈度超过4.5 mm/s、油液水分超过500 ppm时安排检修。它已经“看状态”，但通常只回答“现在是否异常”，不回答“还能用多久”。
- 预测性维护（Predictive Maintenance，PdM）：基于状态数据与模型，预测故障发生时间或剩余使用寿命（RUL），并据此在故障前、且尽量接近故障前安排维护。它回答的是“什么时候会坏、还能撑多久”。
- 主动维护（Proactive Maintenance）：重点不在“何时修”，而在“消除故障根因”。例如治理油液污染、纠正不对中、消除共振、控制温度与湿度，从源头降低故障发生率。它常与预测性维护配合，但目标不同。
一句话区分：预防性维护看日历，状态维护看阈值，预测性维护看剩余寿命，主动维护看根因。
二、PHM体系：从“监测”到“管理”的闭环
PHM（Prognostics and Health Management，故障预测与健康管理）不是单一算法，而是一套覆盖数据、模型、决策与业务的体系。它通常包含七个层次：数据采集层、数据处理层、状态监测层、健康评估层、故障预测层、决策支持层和业务管理层。前四层回答“现在怎么样”，第五层回答“未来会怎样”，后两层回答“该怎么办、谁来执行”。
在项目实施中，PHM的落地难点往往不在预测算法，而在健康评估与决策支持的衔接。如果系统只输出“轴承RUL为37天”，却没有对应的备件库存、检修窗口和工单流程，预测结果就无法转化为维护收益。因此，PHM体系必须与EAM、MES、备件系统打通，形成“监测—评估—预测—决策—执行—反馈”的闭环。
三、方法流程：从阈值报警走向RUL预测
一个典型的预测性维护实施流程可以概括为六步：
- 确定关键设备与故障模式：优先选择非计划停机损失大、故障频发的设备，明确要预测的故障模式，如轴承内圈故障、齿轮断齿、电机绝缘老化。
- 布置测点与采集数据：根据故障机理选择振动、温度、电流、油液等信号，确定采样率与采集周期。
- 特征工程与健康指标构建：提取时域、频域、时频域特征，构建可反映退化趋势的健康指标（HI）。
- 建立退化模型或预测模型：可采用物理模型、统计模型或机器学习模型，输出RUL或故障概率。
- 设定预警阈值与维护策略：区分注意、警告、严重三级阈值，并与检修窗口、备件库存联动。
- 闭环验证与迭代：记录实际故障时间与预测偏差，持续修正模型与阈值。
# 示例：健康指标与RUL预测参数配置
health_indicator:
name: bearing_degradation_index
features: [rms, kurtosis, envelope_spectrum_peak]
normalization: z-score
window: 24h
rul_model:
type: similarity_based
training_units: 18
validation_units: 6
output: remaining_useful_life_days
confidence_interval: 0.9
alarm_levels:
attention: 0.6
warning: 0.8
critical: 0.95四、案例场景：某化工厂循环水泵机组
某化工厂循环水泵机组原先执行预防性维护：每3个月更换一次轴承，每年大修一次。实际运行中，轴承平均寿命约5个月，导致部分轴承在更换前已出现早期磨损，而部分更换下来的轴承仍可继续使用，备件浪费明显。
项目组引入PHM体系后，在泵组驱动端与非驱动端布置振动加速度传感器，采集高频振动信号，构建包络谱峰值与均方根值组合的健康指标。系统运行4个月后，健康指标持续上升，RUL预测结果显示剩余寿命约21天。维护团队结合生产排程，在第17天安排了计划检修，更换轴承并检查发现润滑脂已劣化。检修后，团队进一步治理了润滑油污染问题，将轴承平均寿命延长至7个月。
案例启示：预测性维护解决“何时修”，主动维护解决“为何坏”。两者结合，才能既减少非计划停机，又降低故障复发率。
五、常见误区与复盘
| 误区 | 表现 | 纠正方式 |
|---|---|---|
| 把阈值报警当预测性维护 | 振动超标才报警，仍属状态维护 | 增加退化趋势建模与RUL输出 |
| 只上传感器，不改流程 | 预测结果无人处理，工单不联动 | 打通EAM/MES，明确责任人 |
| 忽视主动维护 | 反复预测、反复更换，根因未除 | 增加油液、对中、共振治理 |
| 用准确率单一指标验收 | 忽略误报成本与漏报风险 | 综合考核提前期、误报率、停机减少 |
验收提醒：预测性维护项目的验收不应只看“模型准确率”，而应看业务指标：非计划停机时间下降多少、备件消耗降低多少、维护提前期是否足够安排检修。PHM体系的价值，最终体现在决策闭环上，而不是算法指标上。
理解四类维护策略的边界与PHM体系的层次，是后续制定实施路线、选择技术方案和设计验收指标的基础。只有把“看日历、看阈值、看寿命、看根因”四件事分清，才能让预测性维护项目真正落地并产生可衡量的收益。