1. 课程导入

在传统制造现场，设备维护往往遵循“坏了再修”或“定期保养”的逻辑。前者导致非计划停机频发，后者则可能造成过度维护、备件浪费与人为引入故障。智慧工厂预测维护（Predictive Maintenance，PdM）试图改变这一局面：它通过传感、数据采集、特征提取、健康评估与剩余寿命预测，在设备真正失效之前给出维护决策建议，把维护从“被动响应”转变为“主动预判”。

一、核心原理：从“状态”到“决策”的闭环

预测维护不是单一算法，而是一条完整的数据价值链。它通常包含五个关键环节：数据采集、特征工程、健康评估、寿命预测与维护决策。数据采集层由振动、温度、电流、声发射、油液、压力等传感器构成；特征工程从时域、频域和时频域提取均值、峭度、包络谱、小波能量等指标；健康评估建立基线并计算健康指数（HI）；寿命预测则利用退化模型或机器学习模型估计剩余寿命；最后结合备件、排产与成本约束生成维护工单。

理解这条链路的关键在于：预测维护的精度不仅取决于模型，更取决于数据质量与工况标注。如果传感器安装位置不当、采样率不足或工况标签缺失，再先进的算法也难以给出可靠结论。

二、学习目标：学完本课程你能做什么

本课程面向智慧工厂场景，目标是让学习者具备“从数据到决策”的完整预测维护能力。具体包括：

• 概念层：理解预测维护与预防维护、事后维修、状态维护的区别与适用边界。
• 数据层：掌握振动、温度、电流等典型信号的采集要点与预处理方法。
• 算法层：能够使用统计指标、机器学习与深度学习方法进行健康评估与 RUL 预测。
• 系统层：了解工业物联网、边缘计算、云平台与 MES/ERP 的集成方式。
• 业务层：能够评估预测维护项目的投入产出，设计可落地的运维流程。

三、整体课程框架：30章的学习地图

课程按照“基础—数据—算法—系统—案例—复盘”的逻辑展开，共30章。下表给出模块划分与核心内容，便于你建立全局认知。

四、行业价值与典型场景

预测维护的价值可以用三个数字概括：减少非计划停机、降低维护成本、延长设备寿命。在智慧工厂中，它通常优先应用于旋转机械、关键动力设备与连续生产线上。例如：

• 电机与轴承：通过振动包络谱识别早期轴承缺陷，提前数周预警。
• 泵与风机：监测流量、压力与电流，判断叶轮磨损或汽蚀风险。
• 空压机与制冷机组：结合温度与压力趋势，预测阀件与滤芯寿命。
• 数控机床主轴：利用电流与振动信号评估主轴健康状态。

五、常见误区与复盘要点

初学者最容易陷入以下误区，建议在学习过程中反复对照：

1. 只关注算法，忽视数据质量。没有可靠的数据采集与工况标注，模型只是“垃圾进、垃圾出”。
2. 把预测维护当成一次性项目。模型会随设备老化、工况变化而漂移，需要持续监控与再训练。
3. 忽略业务闭环。预测结果如果不能转化为工单、备件与排产动作，就无法产生实际价值。
4. 盲目追求高精度。在维护场景中，召回率与误报成本往往比单纯准确率更重要。

# 预测维护项目启动前的自检清单
1. 关键设备清单是否明确？        [ ] 是  [ ] 否
2. 传感器安装位置与采样率是否合理？[ ] 是  [ ] 否
3. 历史故障记录与工况标签是否完整？[ ] 是  [ ] 否
4. 维护流程与责任人是否清晰？    [ ] 是  [ ] 否
5. 投入产出评估指标是否定义？    [ ] 是  [ ] 否