3. 设备维护模式演进

在智慧工厂中，设备维护并不是“坏了再修”这么简单。随着传感技术、工业网络、数据分析与人工智能的发展，设备维护模式经历了从事后维护、预防性维护、预测性维护到主动性维护的演进。四种模式并非简单替代关系，而是在不同设备价值、故障后果、数据基础与运维能力下形成的组合策略。理解它们的区别与适用场景，是制定预测维护方案的前提。

一、四种维护模式的核心原理

事后维护（Reactive Maintenance）是最传统的模式：设备运行到故障发生后再停机维修。它的优点是前期投入低、管理简单；缺点是停机不可控、故障可能引发安全与质量事故，且紧急维修成本通常远高于计划维修。适用于非关键、冗余配置、故障后果轻微且更换成本低的设备，例如普通照明、部分辅助风机、非关键输送辊等。

预防性维护（Preventive Maintenance）以时间或运行量为基础，按固定周期执行保养、更换与点检。例如每运行2000小时更换润滑油，每季度检查皮带张力。它把故障从“随机发生”变为“计划停机”，但问题是：周期定得过短会造成过度维护，定得过长又可能漏掉早期劣化。适用于劣化规律相对稳定、停机窗口容易安排、故障后果中等的设备，如空压机、水泵、常规电机。

预测性维护（Predictive Maintenance）基于设备状态数据判断劣化趋势，在故障发生前、但又不早于必要时间点进行维护。典型输入包括振动、温度、电流、油液颗粒、声发射等；典型方法包括阈值报警、趋势外推、特征工程与机器学习模型。它解决的是“按需维护”问题，能减少非计划停机与过度维护。适用于关键旋转设备、流程瓶颈设备、故障代价高的设备，如主风机、压缩机、精密主轴、大型减速机。

主动性维护（Proactive Maintenance）更进一步：不只预测“何时会坏”，而是主动消除导致劣化的根因，控制设备处于更优运行环境。例如通过油液洁净度管理、对中校正、动平衡、热管理、电压谐波治理、润滑策略优化，从源头降低故障发生率。它常与预测性维护形成闭环：预测发现异常，主动性维护消除根因，再通过数据验证效果。适用于高可用、高安全、高成本设备，以及希望持续提升OEE与能效的核心产线。

二、方法流程：从数据到维护决策

预测性维护与主动性维护的落地，通常遵循一条可复用的流程：

1. 设备分级：按安全、环保、质量、交付、成本影响划分关键度，确定维护模式组合。
2. 测点设计：为关键设备部署振动、温度、电流、压力、流量、油液等传感器，明确采样频率与安装位置。
3. 基线建立：采集正常工况数据，建立健康基线、报警阈值与趋势模型。
4. 特征与模型：提取时域、频域、包络等特征，使用阈值、趋势外推或机器学习模型判断劣化阶段。
5. 维护决策：结合备件、排产、人员与停机窗口，生成工单与优先级。
6. 执行与验证：维修后回采数据，验证故障是否消除、根因是否控制，并更新模型。

设备分级示例（关键度评分）：
安全影响 0-5
停机损失 0-5
维修成本 0-5
质量影响 0-5
总分 ≥ 16：主动性维护 + 预测性维护
总分 10-15：预防性维护 + 重点测点预测
总分 ≤ 9：事后维护或定期点检

三、案例场景：同一产线中的组合应用

某汽车零部件工厂的冲压产线包含多类设备。对于液压站，油液颗粒度与温度是核心指标，工厂采用主动性维护：定期过滤、控制油温、监测水分与黏度，从源头减少阀卡滞与泵磨损。对于主电机与飞轮轴承，采用预测性维护：振动加速度包络趋势上升时提前安排更换，避免突发抱轴。对于普通冷却水泵，采用预防性维护：按运行小时更换密封与轴承。对于非关键照明与部分排风扇，采用事后维护。四类模式并存，整体维护成本下降，非计划停机显著减少。

四、常见误区与复盘

• 误区一：预测性维护一定优于预防性维护。若设备非关键、故障后果轻，投入传感器与模型可能不划算，预防性维护甚至事后维护更经济。
• 误区二：有数据就能预测。缺少正常基线、工况标签与故障样本，模型容易误报漏报。数据质量与标注比算法更重要。
• 误区三：预测到问题却无法执行。没有备件、没有停机窗口、没有维修能力，预测结果无法转化为收益。
• 误区四：忽视根因。只换件不治因，同类故障会反复发生。主动性维护强调对中、平衡、润滑、洁净度、热与电环境的系统治理。

总结来看，事后维护解决“坏了怎么办”，预防性维护解决“按计划避免坏”，预测性维护解决“在合适的时间修”，主动性维护解决“让设备不容易坏”。智慧工厂的预测维护体系，应以设备分级为基础，以状态数据为纽带，以工单闭环为抓手，把四种模式组合成可执行、可验证、可优化的维护策略。