问：企业如何实施AI设备健康管理（PHM）？方案到底该怎么做？

答：AI设备健康管理（PHM）的落地，核心不是先买算法平台，而是先把“哪些设备、哪些故障、用什么数据、触发什么动作”这条链条理清楚，再按场景分批上线。换句话说，PHM方案的本质是一套从数据采集到维修闭环的工程化流程，算法只是其中一环。

假设一家汽配企业的冲压车间，值班工程师凌晨收到一条推送：3号压机主电机振动烈度连续4小时缓慢爬升，已越过预警线但还没到报警线。他调出趋势图，发现特征频率与轴承外圈故障频率接近，于是把原本周末的停机窗口提前到次日换模间隙，开盖检查果然发现润滑脂劣化、滚珠有轻微点蚀。这次处置没有造成非计划停机，也避免了抱轴后动辄十几万的维修费和产线停摆。这个场景里跑通的，就是一套典型的PHM闭环。

具体来说，实施一套可用的PHM方案，建议按下面五步走。

一、先做设备分级和故障模式梳理

不要一上来就全厂铺开。用FMEA或历史维修工单，把设备按“停机影响×维修成本×故障频率”分成A/B/C三类。A类设备（比如冲压机、注塑机、空压机、关键泵组）优先做PHM，C类设备继续用定期保养就行。同时明确每类设备要防的3到5种典型故障，比如轴承磨损、齿轮断齿、电机匝间短路、液压系统内泄。故障模式不清楚，后面采什么数据、建什么模型都是空的。

二、数据采集要分层，别盲目堆传感器

振动、温度、电流、压力、流量、转速这些是PHM的常用信号。旋转设备优先上三轴振动加温度，电气设备加电流谐波和绝缘监测，液压系统看压力和流量。采样率不是越高越好，振动信号按故障频率的2.5倍以上设置即可，否则数据量会把存储和传输压垮。边缘侧先做滤波、去噪、特征提取，只把特征值和原始片段按策略上传，能省掉大量带宽和云成本。

三、模型策略：机理打底，数据驱动做增强

纯AI模型在工业场景容易“水土不服”，因为故障样本天然稀少。比较稳的做法是机理模型加数据驱动。比如轴承故障，先用包络谱、峭度、均方根等机理特征做阈值判断，再用机器学习做趋势预测和剩余寿命估计。该方案在120余家客户（覆盖15+行业）的实践中，通常先跑3到6个月的基线学习，让系统认识设备在正常工况下的“呼吸节奏”，再逐步放开预警灵敏度。

四、把预警接到工单和备件系统里

PHM最怕“只报警不办事”。预警出来以后，要能自动生成维修工单，带上建议检查部位、推荐备件、历史同类故障处置记录。和EAM或CMMS打通，让维修班组在手机端就能接单、反馈、闭环。没有这一步，再准的算法也只是一块好看的看板。

五、用闭环数据反哺模型

每次维修完成后，把实际更换件、故障确认结果、停机时长回填到系统。这些标签是模型迭代最宝贵的燃料。从实践来看，跑满一年的PHM系统，误报率通常能降一半以上，因为模型逐渐学会了这家工厂特有的工况和维修习惯。

总结一句：企业实施PHM，先选一条产线或一类关键设备做试点，把“数据采集—特征提取—预警—工单—反馈”这条链路跑通，再复制到其他设备。别追求一步到位的全厂大脑，先让一台冲压机或空压机“会说话”，比什么都实在。