摘要：本文基于一线工业设备运维的实际项目经验，拆解AI设备故障预判预警从选型到落地过程中的常见问题，分享可直接复用的工程经验，适合有一定机械基础的中级运维、机械工程师参考。
为什么传统预判方法在高负荷核心设备上会扑街
去年春天我在珠三角某汽配厂做项目，那条冲压流水线的主驱动风机跳停了。整整八个小时停线，刚赶出来的订单交不出去，赔了十几万违约金。我连着熬了两个通宵抢修，出来的时候眼睛都花了。
之前他们用的就是最传统的阈值报警。设定振动超过5mm/s就报警，轴承温度超过80℃触发预警。问题是，很多故障都是从微裂纹、轻微磨损慢慢发展的，早期振动温度变化不到阈值的三分之一，根本测不出来。等触发报警的时候，已经离跳停没几个小时了。
我翻了他们过去三年的故障记录，12次非计划停机，只有2次提前报警，漏报率超过80%。这哪叫预判，这叫事后诸葛亮。
这也是很多工厂现在的痛点，核心设备停不起，传统方法靠经验靠老师傅，老师傅退休了，经验也带走了。
AI模型落地时最容易踩的三个隐形坑
说实话，最早我对AI做故障预判也持怀疑态度，第一次做项目的时候，踩的坑能把我埋了。
第一个坑：数据标注全错，线下准确率99%，上线直接废了。合作的算法团队拿实验室的故障数据训练模型，根本没考虑车间现场的环境干扰。早班开中央空调，地面振动比晚上不开的时候低3个分贝，刚上线第一天就出了7个误报，把运维班折腾的团团转，后来干脆把系统关了不用。
吐槽一句，现在很多AI算法团队根本没下过车间，拿着公开数据集调模型，出来的东西能能用才怪。
第二个坑：特征选不对，全白搭。很多新手上来就把原始振动数据直接喂给模型，训练出来的模型泛化能力差到离谱。按照GB/T 19876-2012 机械振动与冲击 旋转机械状态监测的要求，我们必须先从原始信号里提取有效特征：时域的峰峰值、峭度、歪度，频域的重心频率、均方频率，再做EMD分解提取IMF分量的边际谱熵，这些才是能反映早期损伤的有效特征，不是什么都往模型里塞。
第三个坑：模型一劳永逸，上线之后再也不更新。设备运行三五年，磨损老化，工况也会变，原来的训练数据分布早就变了，模型准确率一年能掉20%多。我见过不少工厂花几十万上了AI预警系统，半年之后就变成了墙上的摆设，这不怪AI，怪做项目的人没把后续更新的方案说清楚。
什么样的场景适合上AI设备故障预判预警
不是所有设备都值得上AI，这点我必须说清楚。比如车间门口的排气扇，一年坏不了一次，坏了换一个才几百块，犯不上花几万块装传感器跑模型。
只有核心高价值设备，停一小时损失几万块的那种，比如流水线主驱动、钢厂连铸辊、电厂汽轮机、化工厂的泵组，这些才值得投。
我们去年调整完模型的那个汽配厂项目，今年上半年已经出效果了。三月份的时候，系统提前14天发出了轴承外圈微裂纹的预警，当时正好赶完一个大订单，有三天的维保窗口，直接换了轴承，没影响生产。算下来，直接省了12万的停线违约金，还没算抢修的人工成本。
上个月钢厂的项目，AI提前7天预警到了连铸辊的偏心磨损，当时正好要换浇次，调度直接调整了顺序，提前换了辊，本来要整炉报废的180吨钢水，保住了。你算算这值多少钱。
不过话说回来，再好的AI也代替不了懂设备的工程师。AI给你出预警，你得知道故障在哪，怎么修，要不要停，这些还是得靠人。很多厂商吹AI能完全代替运维，纯纯瞎扯。
现在很多做AI的不懂工程，做工程的不懂AI，两边捏不到一块去，所以很多项目做砸了。其实只要把现场工况摸清楚，把数据标注对，选对特征，定期更新模型，AI设备故障预判预警真的能帮工厂省大钱。
我自己做了快十年设备运维，见过太多本来可以避免的停线，本来可以少花的冤枉钱。希望更多做工程的能少踩点坑，把这个技术用对地方。
