中小工厂上预测性维护，先问设备数据断了没有
预测性维护的关键不是算法，而是设备数据是否在线、故障记录是否完整。本文拆解 ROI 数字和补数据、做标注、运维集成的隐性成本，给出中小工厂在没连数据前应该先做的阈值报警和点检数字化路径。
预测性维护是制造业 AI 里被包装得最厉害的词之一。假设一个典型对比场景：厂商演示中，算法在轴承失效前很久就发出警报，避免一次大停机；而在中小企业现场，第一件事往往不是选模型，而是连设备数据都还没有连出来。我的判断是：对大多数中小工厂，在上预测性维护之前，应该先问一句——设备数据断了没有。如果关键设备的电流、温度、振动没有连续采集，维修记录还是纸质或 Excel，预测性维护大概率不是一个 AI 项目，而是一笔数据工程投入，很容易花了钱还看不到回报。
先看那些 ROI 数字是怎么算出来的
预测性维护的宣传材料里，经常出现 10 倍 ROI、减少 70% 故障停机这类说法。一篇 2026 年发表的公开整理把这类数字追了一遍，发现它们大多来自几十年前的工业数据，被层层引用，已经说不清基线。能在预算会议上被反复追问还站得住的，是几个保守数字：美国能源部指南里，预测性维护相对预防性维护，总拥有成本节省 8% 到 12%；德勤的估计是维护成本降低 5% 到 10%，正常运行时间提升 10% 到 20%。这些数字有明确基线，更适合拿来做内部测算。
注意这些数字之间的差异，常常来自基线。同一个项目，对比事后维修和对比预防性维护，回报率完全不同。美国能源部自己的数据说得清楚：对比事后维修，预测性维护节省 30% 到 40%；对比预防性维护，只有 8% 到 12%。供应商如果给不出基线，ROI 数字基本不能用来做决策。
McKinsey 2017 年报告里的停机减少 30% 到 50%、机器寿命延长 20% 到 40%，描述的是成熟项目；McKinsey 2021 年的后续研究里，一个项目因为 10% 的假阳性率，节省被完全抹掉。这里的假阳性率，就是模型把没毛病误报成有毛病的比例。
真正贵的不是算法，是补数据、做标注、做闭环
预测性维护的基本原理，是用设备过去运行时的信号，和后来发生的故障做关联，让模型在出问题前识别异常。要做出可用的模型，至少需要两样东西：设备信号连续可采；故障发生过，且被准确记录下来。
在中小工厂，这两样常常都不完整。工业 AI 的公开技术资料也承认，预测性维护模型开发中最稀缺的不是传感器、不是算力，而是高质量故障标注。监督学习需要拿历史故障当教材，但工厂平时恰恰在努力避免故障发生；历史维修记录又往往不完整、不一致，很多连故障发生的准确时间都没有。这里解释一下监督学习：让模型看很多带标准答案的历史例子，学会从信号里识别故障。
因此，真正会超支的地方，通常在三处。
第一，补采集。老设备可能没有标准通讯接口，需要加传感器、改造电柜、部署采集网关；有些设备还需要和 PLC 或 SCADA 对接。PLC 是控制机器动作的可编程逻辑控制器，SCADA 是集中采集和监控设备数据的软件系统。这一层的改造成本，经常超过后面的算法开发费。
第二，补历史。要把纸质工单、Excel 和老师傅脑子里的经验，整理成结构化的故障记录，标注每次故障的起点、结束点和原因。这项工作枯燥、耗时，而且没做好，模型再复杂也学不出可靠规律。
第三，补闭环。模型报警之后，如果没有人确认、处理、记录结果，系统很快就变成狼来了。前面提到的 McKinsey 2021 年案例里，10% 假阳性率就足以抹掉收益。对中小企业来说，报警少了没人看，报警多了更没人看，这才是真正的人件成本。
先查一查你的设备数据在哪一级
预测性维护不是独立的 AI 应用，它压在其它信息化基础之上。一份地方发布的智能制造能力成熟度评价标准把设备诊断和预测性维护分成五级：一级是用信息系统做部分设备日常管理；二级是设备状态管理；三级是对关键设备远程实时监控；四级是建立关键设备运行模型；五级才是基于知识库和大数据分析做预知维修。很多中小工厂停在一级到二级之间——设备没有联网，状态记录靠手填。
这时不可能靠一个模型跨过前三级。要把前面的采集和管理补起来。可以做一个小自检：
- 工厂里前三台关键设备，有没有标准通讯接口，能不能自动传出运行状态？
- 如果有 SCADA，它采的是连续过程参数，还是只有开关机和产量？
- 维修记录里能不能找到每次故障的准确时间、部位、前因和处理结果？
- 老师傅“声音不对”“温度偏高”的判断，有没有被记录下来？
- 报警之后，有没有闭环确认和处理记录？
如果三项以上回答“没有”，预测性维护基本还早。这个判断和上不上 MES 一样：先算数据账，再谈系统。站内文章中小工厂数字化，先别上MES：先算三笔账也按同样的顺序讨论。
没连数据之前，做阈值报警和点检数字化更划算
有一类成熟做法，看起来不高级，但性价比远比预测性维护高：基于阈值的报警。原理很简单，设定一个正常范围，超了报警。
注塑行业是现成例子。模腔压力是指熔体进入模具后对模具内壁产生的压力，直接和制品的重量、尺寸、表面质量相关。四十多年前，人们就确认模腔压力可以反映制品品质。今天已有商品化的模腔压力监测系统，在生产中连续监测压力曲线，压力超出设定范围就自动分离次品或报警。这套技术本质是阈值判断，不是预测性维护，但解决的是中小工厂最实际的问题：减少批量次品，留下可查询的品质记录。
很多工厂连这一步都没做，就急着上预测模型，顺序反了。类似做法还有把人工点检数字化：把检查项、频率、数值范围固定下来，用平板记录，数据进系统而不是留在纸上。点检数字化本身不预测故障，但它产生带时间戳、可查询的设备状态记录，是未来任何预测模型的地基。
如果已经有试点项目成功但推广不下去，通常也不是模型问题，而是这套数据采集和闭环作业没有被复制到其它设备上；站内文章AI试点总成功，一推广就失败：缺的不是模型也讨论了类似问题。
什么情况下这个判断不成立
上面说的先别上预测性维护，针对的是设备数据基础差、改造预算有限的中小工厂。如果一座工厂的关键设备停产损失极大，设备又已经通过厂家系统或自建 SCADA 连续采了几年数据，那么即使企业规模不大，也可以直接做预测性维护试点。判断标准不是工厂大小，而是停机损失的严重程度和数据在线程度。
目前还没有一个简单的分界线可以判断，对大批量老设备哪些值得加传感器改造、哪些应该直接换设备。另一个尚未形成共识的问题是：基于物理退化规律的机理模型，和基于历史数据学出来的数据驱动模型，在中小工厂哪种更稳。从公开资料看，数据不足时机理模型可能更稳，但这还需要更多案例验证。
参考来源
- 预测性维护
- 中小企业
- 设备数据采集
- 制造业 AI
- 阈值报警