预测性维护（PdM）的价值没有争议：减少非计划停机、降低备件库存、把维修排进生产空档。争议在于"为什么很多项目上线一年后没人用了"。我们从项目实践中总结，落地失败通常卡在三道门槛上。
一、数据门槛：采得上、采得对
第一道坎是数据采集。老设备没有通讯接口，要加装传感器；有 PLC 的设备，运行数据躺在控制器里，需要工业数据网关按协议（Modbus、OPC UA、Profinet 等）采上来。更隐蔽的问题是"采得不对"：采样频率太低抓不住瞬态异常，点位选错了采一堆无关数据。前期点位规划要比系统开发花更多心思。
二、样本门槛：故障案例太少
纯粹的机器学习路线需要大量故障样本训练模型，而工厂的真实情况是：关键设备一年坏不了几次，样本永远不够。这是纯数据驱动路线的死穴。
现实可行的路线是规则 + 经验 + 数据三者结合：厂家手册给出的报警阈值做基础规则，老师傅的经验整理成排查知识库，运行数据用来做趋势监测和异常提示。故障推理交给能读懂这些知识的大模型，而不是指望从零训练一个黑盒模型。这样系统上线第一天就有用，而不是"先采两年数据再说"。
三、组织门槛：预警之后谁来动
系统发出预警，如果现场没有对应的处理流程，预警就是噪音。落地时必须同步定义：预警分级、每级的响应人和时限、处理结果如何回填。预警、处理、验证形成闭环，系统才会越用越准。
四、可执行的起步路径
- 选 3-5 台停机损失最高的关键设备；
- 用数据网关接入运行数据，同时把历史维修记录整理进知识库；
- 运行三个月，验证预警提前量与维修效率；
- 跑通后按产线复制。
乾力智能的 AI 设备运维智能体正是按这个路径设计的：工业数据网关对接 PLC/DCS/SCADA，故障推理基于可自主维护的知识库，不依赖海量故障样本。想评估你的设备适不适合做，欢迎联系我们。
