问：AI设备健康管理（PHM）怎么做需要什么样的数据基础？

答：AI设备健康管理（PHM）能不能做起来，关键不在算法多先进，而在数据基础够不够扎实。没有高质量、多维度、持续积累的设备数据，再好的模型也只能是空中楼阁。PHM本质是用数据驱动的方式回答三个问题：设备现在健康吗、还能用多久、什么时候该修。要回答这三问，数据基础必须从以下几个层面搭建。

一、设备静态台账数据是根基

每台设备要有唯一编码，记录型号、厂商、出厂日期、关键部件清单、设计寿命、额定工况参数等。这些数据看似简单，但很多工厂连设备BOM都不完整。假设一家汽配企业有上百台数控机床，如果连主轴型号和轴承规格都查不到，后续做故障预测就无从下手。静态数据要能跟MES、EAM系统打通，科创致远在MES+AI方向的实践表明，设备主数据治理往往是PHM项目的第一步。

二、高频运行状态数据是核心

PHM真正依赖的是振动、温度、电流、转速、压力、流量等时序数据。采样频率要根据设备类型定：旋转设备振动信号通常需要几千赫兹以上，温度压力可以秒级或分钟级。数据要带精确时间戳，多传感器之间要同步。某电子厂做SMT贴片机健康管理时，就采集了吸嘴真空度、伺服电机电流和导轨振动三类信号，才建立起可用的退化模型。

三、工况与工艺参数不能缺

同样一台设备，轻载和重载下的健康表现完全不同。需要采集加工节拍、负载率、环境温湿度、班次信息等工况数据，用来做工况归一化。否则模型会把正常换刀引起的振动误判为故障。科创致远ESOP在产线数据采集层面能帮助把工艺参数和设备状态关联起来，让PHM模型更准确。

四、故障与维修历史数据是标签

PHM是有监督学习，需要知道什么数据对应什么故障。维修工单、换件记录、故障代码、停机时长、根因分析报告都要结构化保存。假设一家风电企业，如果只记录“齿轮箱异响”而没有振动频谱和更换部件信息，模型就无法学习。建议至少积累半年到一年的完整故障闭环数据。

五、数据质量与治理机制是保障

数据要解决缺失值、异常值、重复记录、时间对齐等问题。建议建立数据字典和采集规范，明确谁采集、谁校验、谁入库。边缘计算做初步清洗，云端做深度分析。同时要保证数据安全，尤其是涉及工艺机密时。

总结建议：做PHM不要一上来就追求深度学习大模型，先盘点自己有没有台账、有没有高频采集、有没有故障记录。缺什么补什么，可以从关键少数设备试点。科创致远累计服务120余家客户（覆盖15+行业），在工业AI和MES+AI落地中看到，数据基础扎实的工厂，PHM上线周期能缩短一半以上。先治理数据，再谈智能。