问：AI设备健康管理（PHM）到底怎么做？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，七成看数据基础，三成看算法。没有像样的数据，再贵的模型也是摆设。想把PHM落地，核心是先把设备侧的“感知层”和“数据层”搭扎实，再谈建模和预警。

一、先搞清楚PHM要的是哪几类数据

PHM不是简单看设备转不转，它要判断设备“健康不健康、还能撑多久”。所以数据至少分四层：

1. 工况数据。比如电流、电压、转速、负载、温度、压力、流量。这类数据反映设备当前在什么状态下运行，是判断异常的基础。

2. 状态数据。振动、噪声、油液金属颗粒、红外热像、超声波。这类数据最接近故障机理，轴承磨损、齿轮点蚀、不对中、不平衡，基本都靠振动和温度组合来识别。

3. 事件与维护数据。报警记录、停机记录、维修工单、更换备件记录、点检结果。没有这类数据，模型分不清“这是故障”还是“正常波动”。

4. 台账与工艺数据。设备型号、出厂参数、安装位置、所属产线、工艺节拍、班次。这些是给数据打标签用的，否则一堆曲线没法解释。

二、数据采集要满足三个硬条件

第一，采样频率要跟得上。温度、电流这类缓变量，几秒到几分钟一次够用。振动信号不行，要做频谱分析，至少得几kHz到几十kHz，否则轴承早期故障根本抓不到。

第二，时间要对齐。不同传感器、不同系统的时间戳必须统一。某电子厂做过一个假设场景：贴片机振动数据和MES的停机记录差了两分钟，结果模型把正常换料误判成故障，误报率直接翻倍。

第三，要有足够长的历史跨度。PHM最怕“刚上线就预测”。至少积累三到六个月连续数据，覆盖不同班次、不同工况、不同季节。汽配行业的冲压机，夏天和冬天液压油温差异很大，没有全年数据，模型换季就飘。

三、数据质量比数据量更关键

很多工厂传感器装了不少，但数据不能用。常见问题就三个：缺失、漂移、标签错。

缺失好理解，网络断了、网关重启，数据就断片。漂移更隐蔽，传感器用久了零点偏移，温度看着正常其实已经偏了五六度。标签错最要命，维修工单写“电气故障”，实际是机械卡死，模型学出来全是反的。

实操建议是：上线前先做一轮数据体检。看缺失率、看异常值比例、看标签分布。缺失超过5%的测点，先补采集再谈建模。标签混乱的，先跟维修班组对齐口径。

四、不同设备类型，数据基础差别很大

旋转设备，比如电机、泵、风机、压缩机，重点抓振动加温度加电流，这套组合最成熟。往复设备，比如冲压机、注塑机，重点抓压力、位移、电流波形，振动反而次要。电气设备，比如变压器、开关柜，重点抓局放、红外、负荷电流。

假设一家汽配企业要做冲压线PHM，那数据基础就该是：主电机电流波形、液压系统压力、滑块位移、模具温度、每冲次计数。振动传感器不是不能装，但优先级排在这些后面。

五、总结建议

做PHM别一上来就追求“预测剩余寿命”这种高阶目标。先把数据基础打牢：测点选对、频率够用、时间对齐、标签干净、历史够长。然后从异常检测和故障分类做起，跑通了再往RUL预测走。

厂商侧的经验是，累计3200余家终端、120余家客户（覆盖15+行业）的实践里，PHM项目失败最多的原因不是算法不行，是数据底子没打好就急着上模型。先花两个月把数据管道和标签体系理清楚，比后面反复调参划算得多。