老张在车间干了二十年。

哪台机器声音不对，他走过去听三秒就知道哪里有问题。电机轴承快磨平了，他说；皮带松了，他也说。准确率百分之九十五以上。

去年老张退休了。

从那以后，设备故障的频率明显上升。不是设备老了，是没人能提前预判了。

你招了新工人，培训了三个月，还是得靠运气。

这不是个别现象。中国制造业有一个普遍问题：设备维护高度依赖老师傅的个人经验，而这些经验随着人员流动正在大量流失。

你花几十万买的设备，坏了才知道修，停产的损失往往比设备本身还贵。一条产线停半天，订单交不出，违约金、客户流失、加班赶工的成本加起来，够买十套AI监测系统了。

传统设备维护的三种做法，哪种最坑？

大多数中小制造厂的设备维护，逃不出这三种模式：

事后维修（坏了再修）。最简单，也最贵。设备正常运转时不用花钱，一旦停机，损失不可控。适合那些不关键、坏了也不影响生产的辅助设备。

定期保养（按时间表修）。比事后维修好一点，但问题是"定期"这个周期怎么定？定短了浪费，定长了不够。某制造企业给一台空压机每月换一次滤芯，后来发现滤芯其实能用三个月——白白多花了两次的人工费和材料费。

人工巡检（老师傅听声音摸温度）。曾经有效，但现在越来越难。老师傅要么退休了，要么留不住。年轻人不愿意下车间，你就算有人，水平也参差不齐。

这三种模式有一个共同的问题：都是被动的。不是在故障发生后才反应，就是在固定时间盲目地做检查。没有人真正知道设备下一秒会怎么样。

AI预测性维护：不是高科技幻想，是已经在用的东西

预测性维护的核心逻辑很简单：给设备装传感器，收集运行数据，用AI找出故障前的异常信号。

最常见的传感器是振动传感器。旋转设备在正常运转时，振动频率和振幅是有规律的。当轴承开始出现磨损、轴出现偏移、齿轮出现裂纹，振动特征会发生变化。这种变化在故障发生前几天甚至几周就能被传感器捕捉到。

AI的作用是什么？它不需要你懂机械原理，它只需要你喂它足够多的正常运行数据和故障数据，它就会自己学会区分"正常"和"不正常"。

你不需要自己训练模型。现在市面上的方案都是开箱即用的——传感器装上去，数据传到云端，平台自动分析，有异常就推送告警到你的手机上。

下面是几种主流设备维护方式的直接对比：

对比维度 事后维修 定期保养 AI预测性维护
响应方式 故障发生后才行动 按固定周期盲检 基于实时状态精准干预
停机风险 极高，不可预测 中等，但可能过度保养 最低，可提前数天预警
人力依赖 低（但应急成本高） 高，需要熟练技工 极低，系统自动告警
月度成本 看似零，实际隐性成本极高 固定支出，可能浪费 2000-5000元/月（5台关键设备起步）
实施门槛 零 低 中（传感器安装+平台对接）

中小制造厂怎么起步？三步走策略

别一上来就给全厂设备都装上。那是浪费钱，也是给自己找麻烦。正确的做法是三步走：

第一步：找出你最疼的那几台设备。

不是所有设备都值得上AI监测。你只需要关注两类：

一是停了会影响整条产线的核心设备。比如注塑机的主电机、 CNC机床的 spindle、空压机的压缩机。这些设备一旦停机，整条线都得等。

二是故障频率最高、维修成本最大的设备。不管它是不是核心设备，只要它经常坏、每次修起来都心疼，就先盯它。

一般选3到5台就够了。别贪多。

第二步：选对传感器和方案。

旋转设备优先用振动传感器。安装位置在轴承座上，无线传输，不用布线，一个传感器几百块，按月付费。

温度传感器适合那些不转但容易过热的设备，比如变压器、加热炉。温度异常往往是故障的前兆。

电流传感器适合电机类设备，通过电流波形变化判断负载异常。成本低，但精度不如振动传感器。

方案选择上，云端SaaS模式最适合中小厂。不用自己建服务器，不用养IT人员，传感器数据直接传到云平台，手机上看数据、收告警。月费一般在每台设备200-500元，外加平台费1000-3000元/月。

第三步：建立闭环——告警来了怎么办。

很多厂上了系统，告警也收到了，但没人处理。为什么？因为没有明确的责任人和处理流程。

你需要做的是：明确谁负责看告警、谁负责派单、谁负责维修、谁负责记录结果。系统告警只是第一步，后面的闭环才是关键。

建议用一个简单的工单系统——可以是钉钉群、飞书群，也可以是专门的工单软件。告警进来，自动创建工单，分配到人，修完拍照上传，关闭工单。就这么简单。

别踩这三个坑

坑一：以为AI能预测所有故障。

振动分析对旋转设备效果最好。但对于电气故障、人为操作失误、原材料问题，AI预测性维护覆盖不到。别把期望值拉太高，先把最容易坏的那几台盯住，就已经值回票价了。

坑二：买了传感器就不管了。

传感器装上去只是开始。你需要定期校准、定期清理、定期检查连接是否正常。有些厂装了半年，传感器电池没电了都不知道，告警系统形同虚设。

坑三：数据太多，不知道怎么看。

好的平台应该给你的是结论，不是原始数据。你不需要知道振动频谱图的每一个峰值代表什么，你只需要知道"这台设备轴承可能有磨损，建议本周内检查"。如果一个平台给你的全是图表没有结论，换一个。

算一笔账

假设你的工厂有5台关键设备，上AI预测性维护：

传感器费用：5台 × 300元/月 = 1500元/月

平台费用：2000元/月

总投入：3500元/月

如果这套系统帮你避免了一次非计划停机——假设停机8小时，产能损失2万元，加上紧急维修加班费5000元——一次就省了2.5万。

一个月3500元，避免一次两万多的损失。这笔账，你会不会算？

老师傅的经验是宝贵财富，但人总会离开。AI预测性维护不是要取代老师傅，而是把他们的经验变成数据留下来。即使老张退休了，他的二十年经验也已经转化成了传感器的数据模型，继续替你盯着设备。

这比什么都靠谱。