预测性维护能减少多少停机？先看故障属于哪一类

给不出百分比，但能算出你的上限

预测性维护能减少多少停机，没有一个适用于所有工厂的百分比，市面上流传的各种“可减少百分之多少”都和具体设备、具体基线绑在一起，搬到你的车间不成立。能确定的是它的上限：预测性维护只对“劣化有渐变征兆、征兆能被测到、而且来得及安排维修”的故障起作用。这类故障在你的总停机里占多少，上限就是多少。

所以这个问题要换个问法：我的停机里，有多少分钟属于这一类？答案在你自己的停机原因数据里。

判断标准是故障发展过程中有没有一段“已经开始坏、但还能用”的时间，即设备维护里常说的P-F间隔：从潜在故障可以被检测到（P点），到功能丧失（F点）之间的时间。这段间隔足够长，预测才有意义。

类型	典型对象	可监测的征兆	适用性
机械磨损、疲劳	滚动轴承、主轴、齿轮箱、滚珠丝杠	振动、温度、噪声、电机电流	适合，征兆通常提前数周出现
流体机械性能衰退	泵、风机、空压机主机、真空泵	振动、压力、流量、排气温度、电流	适合
油液劣化与污染	液压站、减速机、压铸机与注塑机液压系统	油温、颗粒污染度、含水量、粘度	适合，按周期取样或在线监测
绝缘老化、接触不良	电机绕组、配电柜接线端子	绝缘电阻、红外测温	部分适合，靠定期检测
电子元件随机失效	传感器、驱动器、PLC模块、电路板	多数没有可靠征兆	不适合，靠备件和快速更换
突发外因	撞机、异物卡入、断刀、顶针断裂	无渐变过程	不适合，靠防错和过程监控
操作与调整类	参数设错、装错模、调机超时	—	不适合，靠标准作业和培训
非故障停机	换模换型、待料、待人、首件等待	—	与设备状态无关

表的上半部分是预测性维护的地盘，下半部分无论传感器装多少都无济于事。而在多数离散制造车间，下半部分合起来常常超过故障停机的总和。

示例（假设数据）：某机加车间上月停机合计6000分钟，按原因拆分：

能覆盖的是700分钟，占总停机的约12%。而且这是上限：预测到了，维修照样要停机，只是从“生产中突然坏、等备件、抢修”变成“提前备好件、在换型或周末的窗口里换”，单次停机时间缩短，且不再打乱生产。实际减少的停机会小于700分钟。

这笔账算下来，该车间投入产出最高的显然是换型，其次是待料。预测性维护有价值，但排不到第一位。不同工厂结论会不一样——如果是连续运行的流程型产线，几台大机组的轴承故障一次停几十个小时，账就完全反过来了。关键是先有这张表。

很多预测性维护项目效果不明显，问题往往不在算法，而在立项时压根不知道停机的构成，凭感觉认为“设备老坏”，就去给设备装传感器。上马之前至少要有三样东西：

预测只是前一半，后一半是响应：报警出来之后，备件是否有库存、计划停机窗口由谁来排、维修工单谁来关。没有这一半，设备照样会坏在生产中间，只不过事先收到过一条报警。

常见问题

预测性维护和预防性维护有什么区别？

预防性维护按时间或运行量定期做，比如每运行2000小时换一次轴承，不管它实际状态如何。预测性维护按状态做，通过振动、温度、电流、油液等监测判断劣化程度，快到失效时才安排维修。前者可能过度维修，后者需要监测投入。

小工厂有必要上预测性维护吗？

先看有没有“一停全厂停”的关键设备，比如空压机、中央供料、主变频泵。对这类设备做简单的状态监测值得，哪怕只是每月用手持测振仪巡检一次并记录趋势。大面积铺传感器上平台，对多数小工厂来说排不到优先级前面。

预测性维护一定要用AI算法吗？

不一定。对大部分旋转设备，按振动速度有效值和温度设定报警阈值、看趋势是否持续上升，已经能抓住多数渐变型故障。算法模型适合设备数量多、工况复杂、人工看不过来的场合，而且需要足够的历史故障样本来验证。

上了预测性维护，故障停机还是没怎么降，为什么？

常见原因有三：监测的部位不是实际常坏的部位；报警出来了，但备件没有、计划停机窗口排不上，最后还是坏在生产中；主要故障本来就属于随机型或操作类，不是监测能解决的。回头核对故障明细就能分辨。

本站由 TEEPTRAK 出版，正文保持厂商中立；商业关系见出版方声明。发现错误请发邮件至 yqf@teepchina.com。