预测性维护：AI在工厂里最低调也最实用的那个应用

设备停机的代价比想象的大

制造业里有个说法：计划内停机和计划外停机，成本差十倍。

计划内是你主动停下来维护，可以安排在产能低峰，备件提前到位，一两个小时搞定。计划外是设备突然坏了，生产线停摆，备件不一定有货，等零件、等工程师，可能就是半天一天。

对于一条汽车装配线，停产一小时的损失可能是几十万。所以"什么时候会坏"这个问题，工厂愿意花钱解决。

定期维护：按时间表，比如每三个月换一次耗材，不管实际磨损程度。设备好好的时候浪费了维护成本，设备快坏的时候可能还没到维护周期。

事后维修：坏了再修，适用于不重要的设备，但用在关键设备上代价太高。

这两种方式都是在猜——要么猜太保守，要么猜得不够。

本质是用数据替代猜测。

给设备装上传感器（振动、温度、电流、噪声），持续采集运行数据，训练一个模型来判断：这台设备的当前状态，和历史上故障前的状态有多相似？

当相似度超过阈值，提前发出预警：这台设备大概在两周后会出问题，建议安排维护。

工厂可以在这两周内准备好备件、安排维护窗口，变计划外停机为计划内，代价大幅下降。

旋转设备是最成熟的场景：电机、泵、压缩机、风机。旋转设备的故障有规律可循——轴承磨损会让振动频谱发生特征性变化，这个信号在人耳听不出来之前，传感器已经能检测到了。

数控机床也是好场景：主轴振动、刀具磨损，都能通过电流信号反映，AI 可以预测刀具剩余寿命，在刀具断裂前换掉，避免废品和设备损伤。

相比之下，工艺故障（比如化工反应异常）就复杂得多——影响因素多，数据维度高，因果关系难以建模，误报率容易偏高。

数据积累：故障是小概率事件，要训练一个好模型，需要足够多的"故障前数据"。新工厂或者设备很好的工厂，负样本数据天然不足。

传感器改造：老设备不一定有现成的传感器接口，加装需要成本和时间，有时还涉及设备保修条款。

运维人员的接受度：预测结果出来了，但工人和工程师不信任——"这机器看起来好好的，为什么说要坏了？"建立信任需要时间，需要几次"真的预测准了"来积累。

这个方向相对低调，但实际商业化程度比很多人想象的高。

西门子、GE、施耐德这些工业巨头都有成熟产品线，国内也有明智制造、云知声等公司在做垂直解决方案。它不像 AI 生图那样有视觉冲击力，但它的商业逻辑清晰、ROI 可以量化，是制造业 AI 里最接地气的一个应用方向。