工厂准备做 AI 预测性维护时，常见问题不是“有没有算法”，而是“先选哪类设备、先解决哪种风险”。旋转设备、机床主轴、机器人、流程装置、锂电装备和工厂级资产都可能成为对象，但它们的数据条件、故障后果和可执行动作并不相同。
判断一个场景是否值得优先启动，关键不在设备是否昂贵或技术是否新，而在于故障影响、异常征兆、数据连续性和检修闭环能否同时成立。
预测性维护不是一个模型，而是一条决策闭环
预测性维护通常把设备状态监测、历史记录和分析方法结合起来，识别健康状态变化、异常风险或剩余寿命线索，再把判断转化为巡检、检修、备件和生产安排。它的完整链路包括：
- 采集：振动、温度、电流、压力、流量等状态信号，以及工况、负载、停机和质量事件。
- 分析：通过趋势、异常、故障模式和因果关系寻找风险线索；剩余寿命评估只适用于数据与失效规律足够清楚的场景。
- 决策：明确需要复核什么、何时安排检修、是否准备备件，以及生产计划如何配合。
- 验证：把现场检查、维修结果和后续运行状态回填，检验判断是否可靠。
缺少最后两步，系统即使给出预警，也可能停留在“看见异常”，无法形成可执行的维护安排。
先用四个条件筛选设备
- 故障影响足够明确：停机会影响安全、质量、交付或关键产能，维护优先级才容易形成共识。
- 异常有可观测征兆：故障前存在可测量的状态变化，或巡点检能够持续捕捉早期迹象。
- 数据能够连续关联：信号、工况、故障、维修和更换记录能回到同一台设备或部件，而不是散落在不同表格中。
- 发现后可以行动并验证：企业有明确的复核方法、检修窗口、备件条件和责任人，处理结果也能回填。
四项中若有明显短板，优先任务通常不是训练更复杂的模型，而是补齐设备对象、检查标准、数据采集或维修闭环。
六类高价值场景，各自适合解决什么问题
1. 旋转设备：从早期征兆判断故障风险
风机、泵、压缩机和电机运行连续，轴承、润滑、对中和不平衡等问题常会在振动、温度、电流或噪声中留下变化。若企业已经有稳定的点检和状态数据，这类设备通常适合从异常趋势、故障模式和维护窗口评估切入。
2. 机床主轴与刀具：把设备健康和加工质量放在一起看
主轴、刀具和进给系统的状态会同时影响停机时间、刀具消耗和加工质量。评估时不能只看单个传感器，还要结合负载、转速、刀具使用、换刀记录和质量事件，避免把工况变化误判为设备异常。
3. 机器人与自动化线体：识别关节和关键工位的渐进变化
工业机器人、减速器、伺服系统、AGV/AMR 和输送线具有重复运行特征，便于比较周期、负载和动作偏差。但线体设备相互影响明显，应先找出影响整线节拍的关键工位，再确定监测对象和维护优先级。
4. 流程与能源设备：在安全、能效和连续运行之间平衡
锅炉、汽轮机、压缩机、换热器、反应器、管道和阀门往往连续运行，退化过程可能缓慢且与工艺条件强相关。这类场景需要把设备状态与工况一起分析，并由工艺、安全和设备专业人员共同复核；AI 判断不能替代安全联锁、法定检验和现场操作规程。
5. 锂电装备与电池：围绕状态、安全和寿命管理
涂布、辊压、卷绕等生产装备，以及电池 PACK、BMS、车端或储能系统，都涉及多维状态和一致性问题。可以围绕设备异常、质量事件、电池健康状态和寿命线索开展分析，但数据口径、模型适用范围和安全边界必须单独验证。
6. 工厂级资产：从单机预警走向检修策略排序
当企业希望跨设备、跨产线或跨工厂安排检修资源时，重点会从单一故障预测转向资产关键度、风险、备件、人员、预算和生产窗口的综合排序。它依赖统一的设备台账、故障分类和维护记录，适合作为单机场景跑通后的下一阶段，而不是没有基础数据时直接起步。
AI老师傅在这条路径中承担什么角色
AI老师傅当前可通过设备台账、智能巡点检、故障维修、设备手册、知识卡、设备专属 AI 问答和智能总结，帮助企业把设备对象、现场检查、故障处理和经验资料持续关联起来。AI 建议用于辅助判断，关键维修结论仍需结合现场、手册和专业人员复核。
实时传感器接入、时序建模、剩余寿命预测和外部系统深度联动，需要根据设备、数据接口、历史样本和项目范围单独评估，不能把概念图中的完整能力默认视为已经在所有场景标准化落地。
落地时，从一个可验证的设备组开始
企业可以先选一组停机影响明确、记录相对完整、故障模式可复核的设备，确定一个要解决的问题，例如轴承早期异常、刀具寿命窗口或关键工位重复故障。随后盘点可用信号和历史记录，约定预警后的复核动作、检修责任和结果回填方式。
适合先做预测性维护的，不一定是全厂最复杂的设备，而是风险值得管、异常看得见、数据接得上、发现后能行动的设备。先把一个场景的判断与检修闭环做实，再扩展到更多设备和工厂级策略，预测性维护才会从概念变成可持续的管理能力。
分享给需要的同事
长按保存海报并发送；对方在微信中长按识别二维码，即可阅读全文。