很多工厂上设备预测性运维项目，砸了大几十万上百万，最后要么误报满天飞，要么系统落灰没人用。问题出在哪？大多不是技术不够先进，是基础工作没做对。本文从现场工程落地的角度，聊聊这些年做项目踩过的坑，给有基础的工程师们一些可落地的参考。
别盯着传感器瞎堆：你得先算健康基准
南方某二线水泥厂，去年上辊压机预测性运维，上来就堆了16个传感器，振动、温度、油液颗粒度全安排上，结果上线第一个月，报了八次紧急故障，去现场查，五次都是满负荷生产时的正常波动，三次是传感器接线松了。误报率超过六成。
GB/T 40572-2021《机械设备预测性维护通用要求》里写得明明白白，预测性运维的第一步，就是建立设备健康基准线。很多人直接跳过这一步，上来就装传感器搞模型。能不出问题吗？
不同设备，不同工况，健康状态的参数差得远了。辊压机空载时的振动有效值不到2mm/s，满负荷生产时能到8mm/s，你给整个工厂所有辊压机都设一个5mm/s的报警阈值，那不就是乱报吗？
说实话，我做项目的习惯，拿到一台设备，先跟运维班跑一个月，不同载荷、不同生产班次下都采够数据，把基准线按工况分档做出来，再谈报警和预测。这一步省不了。省了，后面全是坑。
特征提取才是核心：别把原始数据直接喂模型
现在流行AI搞预测，很多团队图省事，把传感器采来的原始数据一股脑扔给大模型，说端到端自动出结果。好看是好看，能用吗？
前年我们接了某主机厂冲压车间的冲床运维改造项目，甲方一开始找了某互联网AI团队，做了三个月，模型准确率说有92%，上线一跑，模具磨损和轴承裂纹都分不清楚，误报比原来的定时检测还多。问题出在哪？原始数据里90%都是无用的噪声。冲床每次冲压下料的冲击信号，振幅是轴承早期故障信号的十几倍，直接把故障特征盖得严严实实。你让模型学什么？学噪声吗？
按照ISO 10816-3:2009机械振动评价标准，旋转设备的故障识别，核心就是从原始信号里提取对应故障的特征。滚动体故障有对应的特征频率，齿轮啮合故障出现在啮合频率的边频带，不对原始信号做时域、频域的特征提取，直接用原始数据训练，再大的模型也白搭。
我见过太多项目，把钱都花在买高端传感器和算力上，舍不得花一周时间做特征工程，最后结果烂得一塌糊涂。不过话说回来，特征提取也不是越复杂越好。我们现场用，就挑那七八个和故障强相关的特征，够了。搞几十个特征进去，过拟合了，换一台同型号设备都不准。啥用没有。
落地的最后一公里：得贴合现场人员的使用习惯
我见过最多的情况，就是实验室里准确率95%以上，上线之后没人用，最后变成了给老板汇报的样板工程。为啥？根本不考虑现场运维师傅的需求啊。
你给师傅一个屏幕，上面画了十几条花里胡哨的曲线，最后出一个“健康得分68分”，师傅要这个干嘛？师傅要知道的是，哪坏了？什么时候换？要带什么备件？要不要停线？
去年我做一个钢铁厂连铸机的运维项目，一开始我们也做抽象的健康得分，后来跟运维班长蹲现场聊了三天，直接改了整个输出逻辑。现在系统报警直接弹：“连铸机二号扇形段滚动轴承，滚道早期损伤，剩余寿命约18天，建议下月定修时更换，备件型号FAG 526782，当前仓库有库存”。就这一句话，师傅不用看曲线，不用算概率，直接安排工作，多简单。对吧？
很多做预测性运维的，天天盯着算法指标，盯着论文里的准确率，就是不肯去现场跟着运维师傅跑两天，不知道人家真正要什么。这样做出来的系统，能落地才怪。哦对了，还要说一个常见坑，很多系统把预警阈值设得太严，就怕漏报，结果天天报警，狼来了喊多了，真出问题的时候没人信了。这个权衡要做好，我们一般是把预警分两级，一级提醒做专项检查，二级才触发停车检修，既不漏报，也不瞎闹。
预测性运维能帮企业省不少钱，少出很多非计划停机。但它不是什么高大上的黑科技，就是一件需要把基础做扎实的工程活。把基准做对，把特征提对，把输出做对，就能解决80%的现场问题。别追那些花里胡哨的新概念，把活儿落在地上，比什么都强。
