3. 预测维护基础
在设备维护策略的演进过程中，纠正维护、预防维护和预测维护代表了三种不同的决策逻辑。纠正维护是“坏了再修”，预防维护是“按计划修”，而预测维护则是“按需修”。理解三者的本质差异，是构建CMMS与预测维护数据集成方案的前提。
一、预测维护的定义与核心逻辑
预测维护（Predictive Maintenance，PdM）是一种基于设备实际健康状态和退化趋势，动态决定维护时机的维护策略。它通过传感器采集振动、温度、电流、油液、声发射等状态数据，结合特征提取、健康评估和剩余寿命预测算法，在故障发生前识别早期征兆，并给出“何时维护、维护什么”的量化建议。
其核心逻辑可以概括为三个问题：
- 当前健康状态如何？——通过健康指标（HI）或异常分数描述设备偏离正常状态的程度。
- 还能正常运行多久？——通过剩余使用寿命（RUL）预测，估计从当前时刻到功能失效的时间窗口。
- 应该采取什么动作？——结合维护成本、生产计划和备件可用性，输出最优维护决策。
二、三种维护策略的对比
纠正维护、预防维护和预测维护在触发条件、数据依赖、成本和适用场景上存在显著差异。下表从多个维度进行对比：
| 对比维度 | 纠正维护（CM） | 预防维护（PM） | 预测维护（PdM） |
|---|---|---|---|
| 触发条件 | 故障发生后 | 固定时间/运行小时 | 健康状态或RUL阈值 |
| 数据依赖 | 故障记录 | 日历、运行统计 | 传感器、特征、模型 |
| 停机特性 | 非计划停机 | 计划停机 | 计划窗口内停机 |
| 维护成本 | 高（连锁损坏） | 中（过度维护） | 低（按需维护） |
| 适用对象 | 低价值、非关键设备 | 关键但退化规律稳定 | 关键、高价值、退化可测 |
| 典型工具 | 工单系统 | CMMS计划模块 | PHM平台+CMMS集成 |
需要强调的是，三种策略并非互相替代，而是互补共存。对于非关键、低成本的易损件，纠正维护仍然经济；对于退化规律明确且停机成本高的设备，预测维护收益最大。CMMS需要同时支持三种工单来源，并在数据模型中区分触发类型。
三、PHM体系与关键使能技术
预测维护的工程化落地依赖PHM（Prognostics and Health Management，故障预测与健康管理）体系。PHM不是单一算法，而是一套从数据采集到维护决策的闭环系统。其典型分层结构如下：
从图中可以看出，PHM体系自下而上分为四层：数据采集层负责获取设备状态与工况信息；特征与健康评估层将原始信号转化为可解释的健康指标；预测与诊断层完成故障定位和剩余寿命估计；维护决策与执行层将预测结果转化为工单、备件计划和维护窗口。右侧的红色虚线表示闭环反馈——维护执行结果和实际失效数据需要回流到模型，用于持续校准和迭代。
四、典型应用场景与数据流
以某化工厂离心泵为例，说明预测维护的完整数据流：
- 泵轴承座安装振动加速度传感器，以25.6 kHz采样，边缘网关每10分钟上传一次特征值。
- PHM平台计算振动有效值、峭度、包络谱特征，并与基线模型比对，生成健康指标HI。
- 当HI超过预警阈值时，RUL模型输出剩余寿命估计，例如“剩余约320小时，置信区间±40小时”。
- 决策模块结合生产排程，建议在下次计划停机窗口（约200小时后）更换轴承。
- 系统通过API向CMMS推送预测工单，包含设备编号、故障模式、建议动作和优先级。
- CMMS生成工单并分配资源，维修完成后回写实际更换时间和失效原因，用于模型再训练。
# 预测工单推送示例（JSON）
{
"equipment_id": "PUMP-CW-001",
"source": "PHM",
"fault_mode": "bearing_outer_race",
"health_index": 0.72,
"rul_hours": 320,
"confidence": 0.85,
"recommended_action": "replace_bearing",
"priority": "high",
"suggested_window": "2025-06-15T02:00/2025-06-15T06:00"
}五、常见误区与复盘要点
复盘时应重点关注：预测工单的准确率与误报率、提前期是否足够安排维护、CMMS回写数据是否完整、模型是否随设备大修或工况变化而更新。只有将PHM的预测能力与CMMS的执行能力打通，预测维护才能从技术演示走向规模化落地。