什么是预测性维护？
预测性维护，是指利用温度、振动、压力等状态监测数据，判断设备劣化趋势并推算可能的故障时点，从而把检修安排在真正需要的时候。它要同时避开两种浪费：好零件被提前换掉，和坏零件在产线上突然停摆。
它和定期保养的区别在于依据。定期保养按日历走，三个月一次，不管设备当下状态如何；状态监测按阈值走，超过某个温度就报警，但阈值是拍出来的，季节变化就会误报。预测性维护换了一条思路：先让模型学会这台设备正常时的行为规律，再看当下的实测值偏离预测值多远。偏离本身就是信号，不需要事先知道故障长什么样。
这也是它最实用的地方：大多数企业根本没有足够的历史故障记录可供训练。相关能力可延伸到制造业数据分析解决方案，与需求预测用例共用同一套时序建模底座。
这个用例解决什么问题
难点不在模型精度，而在两件事：没有故障样本可学，以及报警多到没人看。这条流程针对的正是这两点。
预测性维护：四种异常检测路线的适用边界
选型的第一个分岔口不是精度，而是你手上有没有故障样本。下表按这一列分组。
| 方法 | 需要故障样本 | 能捕捉渐变劣化 | 典型适用场景 |
|---|---|---|---|
| 固定阈值报警 | 否 | 否 | 安全联锁等硬性红线，作为最后一道防线 |
| 控制图 | 否 | 是 | 单一指标、边界随均值与标准差滚动演化 |
| 自回归模型 | 否 | 是 | 有周期节律的时序信号，本用例采用 |
| 有监督分类 | 是 | 是 | 已积累足量带标签的故障记录，追求故障类型判别 |
四种不是替代关系，实际产线上通常叠着用：硬阈值保安全，自回归模型抓趋势，等异常样本随运行积累够了，再训练有监督模型去区分是轴承问题还是不平衡。相关算法节点可查看统计分析与机器学习功能页。
预测性维护：训练与部署两条工作流
这个场景需要两条流程而不是一条。训练流程离线跑，产出模型与误差阈值；部署流程每天定时跑，加载模型给新数据打分并决定是否告警。两者的输入输出在阈值文件上衔接。
1. 训练：先把正常的样子学下来
读取历史传感器数据后填补缺失值，然后关键一步是筛选：只保留设备确认正常运行的时段作为训练集。这一步做错，模型就把故障前兆当成了正常节律，后面全盘失效。
2. 训练：逐列建模并记录误差分布
循环遍历每个频谱幅值列，各自训练一个自回归模型，用过去若干个观测值预测当期值。模型训练完后在训练集上自己跑一遍，统计预测误差的分布，而这个分布就是后面判定异常的标尺，和模型一起保存下来。
3. 部署：打分与一级报警
每天定时加载模型和阈值，对新到的数据逐列预测。实测值与预测值之差超出训练期误差分布的界限，该列该时点记一个一级报警。一级报警不通知任何人，它只是原始信号。
4. 部署：二级报警与动作
对一级报警做时间窗内的移动平均，超过设定水平才升为二级报警。这一层是误报过滤器：偶发的单点跳变会被平均掉，持续劣化才会累积上来。二级报警激活后由条件分支触发邮件通知，也可以换成工单或停机指令，调度与触发方式见数据分析自动化。
