mfg-predictive-maintenance

预测性维护

框架

IRON LAW: Predictive > Preventive > Reactive (but each has its place)

Reactive (fix after failure): cheapest per-event, most expensive in downtime
Preventive (fix on schedule): prevents some failures, causes unnecessary maintenance
Predictive (fix based on condition): lowest total cost, requires sensor investment

Not ALL equipment justifies predictive maintenance. Apply to equipment where
unplanned downtime cost >> sensor investment cost.

维护策略对比

策略	维护时机	优势	劣势	最适用场景
故障后维护	故障发生后	前期成本为零	停机时间最长，有安全风险	非关键、易于更换的设备
预防性维护	按计划（时间／周期）	可预测、简单	过度维护（更换仍能正常工作的部件）	磨损规律已知的设备
预测性维护	根据状态数据	最大限度减少停机时间和维护成本	需要传感器、数据基础设施和模型	关键、昂贵且故障会产生连锁影响的设备

P-F 曲线（潜在故障 → 功能故障）

Condition
  │
  │  ●─── P (Potential failure detected by sensor)
  │     ╲
  │      ╲  ← P-F Interval (time to act)
  │       ╲
  │        ● F (Functional failure — equipment stops)
  │
  └──────────────────── Time

The P-F interval is your window of opportunity. Detect at P, schedule
repair before F. The longer the P-F interval, the more planning time.

传感器数据类型

数据类型	检测内容	设备
振动	轴承磨损、不平衡、错位	旋转机械（电机、泵、涡轮机）
温度	过热、摩擦、电气故障	电机、变压器、轴承
电流／功率	负载变化、电气性能退化	电动机、驱动器
声学	泄漏、气蚀、微裂纹	压力系统、管道、阀门
油液分析	磨损颗粒、污染	齿轮箱、液压系统

RUL（剩余使用寿命）机器学习模型

方法	技术	所需数据
统计方法	Weibull 分布、指数退化	历史故障时间
传统机器学习	基于传感器特征的 Random Forest、Gradient Boosting	带标签的从运行到故障数据集
深度学习	基于原始传感器时间序列的 LSTM、1D-CNN	大量传感器数据
异常检测	Isolation Forest、Autoencoder	仅需正常运行数据（无需故障标签）

实施步骤

阶段 1：选择设备（关键性分析）

• 哪些设备的停机成本最高？
• 哪些设备故障会产生连锁影响？
• 优先级：高成本 × 高频率

阶段 2：安装传感器

• 根据故障模式匹配传感器类型（见上表）
• 建立数据管道：传感器 → 边缘端／云端 → 存储

阶段 3：建立基线

• 收集 3-6 个月的正常运行数据
• 建立“健康”模式

阶段 4：开发模型

• 从简单方法开始：基于阈值的警报（振动 > X = 警告）
• 随着数据积累，逐步采用机器学习模型
• 如果故障示例很少或没有，则使用异常检测

阶段 5：投入运营

• 将警报集成到维护工作流（CMMS）中
• 为每个警报级别制定响应流程
• 衡量指标：非计划停机时间减少量、维护成本节省额

ROI 计算

Annual Savings = (Unplanned downtime hours reduced × Downtime cost/hour)
               + (Preventive maintenance events avoided × Cost per event)
               - (Sensor + infrastructure + model development cost)

输出格式

# Predictive Maintenance Plan: {Equipment/Line}

## Equipment Criticality
| Equipment | Downtime Cost/hr | Failure Frequency | Cascading? | Priority |
|-----------|-----------------|-------------------|-----------|---------|
| {name} | ${X} | {X/year} | Y/N | H/M/L |

## Sensor Plan
| Equipment | Failure Mode | Sensor Type | P-F Interval |
|-----------|-------------|-------------|-------------|
| {name} | {mode} | {sensor} | {est. hours/days} |

## Projected ROI
| Metric | Before | After | Savings |
|--------|--------|-------|---------|
| Unplanned downtime | {hrs/year} | {hrs/year} | ${X}/year |
| Maintenance cost | ${X}/year | ${X}/year | ${X}/year |
| Sensor investment | — | ${X} one-time | Payback: {months} |

注意事项

• 从振动监测开始：这是最成熟、最容易理解的预测技术。仅通过振动分析，就能预测 80% 的旋转设备故障。
• 数据质量 > 模型复杂度：对干净的传感器数据使用简单的阈值警报，效果胜过对嘈杂、不完整数据使用复杂的机器学习模型。先解决数据质量问题。
• 误报会阻碍采用：如果模型频繁误报，维护团队就会忽略它。即使初期会漏检一些情况，也要调整模型以提高精确率（减少误报）。
• 文化转变比技术更难：从“运行至故障”的文化转变，需要管理层支持和维护团队培训。仅靠技术无法改变行为。

参考资料

• 按设备类型选择传感器的指南，请参阅 references/sensor-guide.md
• 基于 LSTM 的 RUL 模型教程，请参阅 references/rul-tutorial.md