预测性维护的数据准备

预测性维护从可靠测量和维护历史开始，这些信息必须能够关联到具体故障问题。仅有温度、电流或振动，并不能证明故障即将发生。负载、转速、产品、运行模式和传感器变化，都可能影响信号。

选择设备层面的问题

先明确设备类别和故障机理，而不是试图预测全厂所有故障。什么变化可能表明劣化？哪些测量能支持判断？有用预警之后会采取什么维护动作？这些问题决定数据计划。

并非每个问题都值得增加测量。罕见故障可能缺少足够证据来评估方法。如果维护已按固定要求周期进行，就应明确额外指标能改变什么。大量数据不能解决未定义的运营收益。

采样取决于物理量和分析方法。缓慢变化的温度与振动评估，没有统一适用的采集速率。设备和方法选择需要相关现场专业能力，不能对所有信号使用同一轮询设置。

假设一台泵已有温度与电流记录。电流上升可能因为负载增加，而不是发生故障。包含检查结果和更换时间的维护记录，有助于解释此前测量。传感器更换也需记录，因为它可能改变观测基线。

故障标签本身也有不确定性。发现问题、录入维护系统和物理故障真正开始的时间，可能不同，应保留这些区别。事后才学到的信息，不能当成预测方法此前已掌握的输入。

检查完整性、时间对齐、超量程读数和缺口。解释已知运行条件下的正常行为。趋势或简单阈值可能满足部分需要。更复杂方法应有可测量的额外价值，并有能维护它的负责人。

误报和漏报可能有不同代价，也要考虑为维护人员增加的工作。某个产品或季节有效的结果，不一定能迁移到其他情况。评估应适当分开时期和运行条件，不能反复使用开发方法时已经看过的同一证据。

合理第一阶段包括测量字典、一致的维护记录、时间对齐、质量指标和评审流程。这并不是宣称某个现成AI产品能预测所有故障。工业数据基础应先做到可见、可追溯，并对真实判断有用。

设备、传感器或维护实践变化时，应复核假设。模型或规则不能仅因仪表板持续产生数字，就一直值得信任。

设想某电机记录电流、温度和运行状态。温升不自动证明正在出现故障，负载、环境、转速或近期维护都可能变化。保留同类条件比较所需的运行背景。模型或阈值无法找回从未采集的背景。

把维护事件关联到设备标识、报告症状、检查发现和采取的动作。区分疑似问题与确认发现。计划维护中更换零件，并不必然把此前时段标为故障。缺少这些区别，数据集可能让分析方法学会复制管理习惯，而不是设备行为。

记录信息何时可用。维修后录入的诊断可以支持后续分析，但预警系统在事件前并不知道。评估时若把这种未来信息当作输入，会产生不切实际的好结果。保留足够历史，重建系统在拟定决策时刻真正可能知道什么。

从维护团队能够理解的透明基线开始。例如比较规定运行条件内的测量，或标记相对约定参考的持续偏离。目的在于测试现有数据能否支持有用评估，而不是声称每个阈值都属于预测性维护。使用尽可能接近未来运行的时期，在现有证据允许范围内，将拟议分析方法与基线比较。

定义预警之后的处理。谁检查设备、记录什么证据、如何识别误报？没有实用响应流程的预警，可能增加工作却不改善维护判断。漏掉相关事件与安排一次无必要检查的后果不同，应明确讨论，不能合并进一个未解释的准确率百分比。

审查数据集是否覆盖不同负载、季节和维护状态。罕见故障及设备变化可能使可靠泛化无法成立。说明这些限制，必要时继续收集证据。因此首个项目可以聚焦可靠测量与维护记录，而不承诺自动故障预测。调研时请提供现有历史数据、设备背景和维护发现示例，它们能说明哪些问题现在可回答，哪些需要先准备数据。