问：AI设备健康管理（PHM）怎么做？有哪些常见误区？

答：AI设备健康管理（PHM）的核心不是堆传感器和算法，而是先明确“要预测什么故障、触发什么维护动作”，再倒推数据采集和模型选型。很多工厂做PHM效果不理想，往往不是AI模型不行，而是一开始就踩进了几个典型误区。

一、误区一：把PHM当成单纯的算法项目，忽视数据质量。某电子厂在SMT贴片机上装了振动传感器，直接套用开源模型做轴承故障预测，结果误报率极高。原因是设备启停频繁、工况多变，原始信号里混入了大量换线干扰。正确的做法是先做数据清洗和工况切片，把“空载、正常负载、高负载”分开建模，否则再先进的算法也是垃圾进垃圾出。

二、误区二：追求“预测所有故障”，没有聚焦关键设备。PHM的投入产出比取决于设备停机损失。假设一家汽配企业的压铸机停机一小时损失数万元，那就优先做压铸机、CNC加工中心等瓶颈设备，而不是给所有辅机都上PHM。建议用FMEA（失效模式与影响分析）筛出高价值场景，再匹配AI能力。

三、误区三：只做监测不做闭环，预警和维修工单脱节。很多工厂的PHM大屏能显示“轴承温度异常”，但维修班组收不到工单，备件也没提前备好。真正落地的PHM必须和MES、EAM打通。比如科创致远ESOP在工业AI与MES+AI方向上的实践思路，就是让设备健康评分直接触发维护工单，并关联SOP作业指导，维修人员扫码就能看到拆装步骤和备件清单。目前科创致远累计服务120余家客户（覆盖15+行业），在设备互联与生产执行闭环上有成熟经验。

四、误区四：忽视机理模型与AI的融合。纯数据驱动模型在样本不足时容易过拟合。比较好的做法是“机理+数据”双驱动：用振动频谱、电流特征等机理知识构造特征，再用机器学习做残差修正。这样在小样本下也能有可解释的预警结果。

五、误区五：上线后不迭代，模型随时间漂移。设备大修、更换备件、工艺调整都会让旧模型失效。建议建立月度模型健康度评审机制，用新数据做增量训练，同时保留人工复核通道。

总结建议：做AI设备健康管理，先选1到2台关键设备做试点，打通“数据采集—特征工程—模型预警—工单闭环—效果复盘”全链路，再逐步复制。记住，PHM的终点是减少非计划停机，不是算法排行榜上的准确率。