大多数工厂的设备维护，还在做报警后维修。传感器装了一堆，数据也上了屏，但设备该坏还是坏，该停还是停。预测性维护喊了五六年，为什么还是停在PPT里？
问题不在传感器不够多，而在数据没被用对。报警系统只知道现在出问题了，预测系统要回答未来什么时候会出问题。这中间隔着三道坎：数据质量、算法适配、业务流程重构。
第一道坎是数据质量。
很多工厂的传感器数据是断的设备运行时采集正常，一停机就断链。历史故障数据没标注，算法不知道正常和异常的边界在哪里。GE在航空发动机预测性维护上花了十年，才把数据标注体系建清楚。国内工厂普遍缺这一步，数据一堆，能用上的不到20%。
数据质量不只是完整性的问题。工业场景里的传感器数据有强噪声，振动、温度、电流这些数据要经过滤波、对齐、特征提取才能用。直接把原始数据喂给算法，出来的结果基本不可用。
第二道坎是算法适配。
通用算法在工业场景里水土不服。离散制造和流程制造的振动特征不一样，同种设备在不同工况下的退化模式也不一样。西门子为不同行业开发了超过200个预测模型，每个都要重新标定。直接买一套通用预测性维护平台，大概率是买个报警系统回来。
算法适配的核心是把行业知识塞进模型里。汽车制造里的焊接机器人，故障前会有电流波形异常，这个特征是人类专家标注的，不是算法自己学出来的。没有行业知识支撑的算法，在工业场景里就是个黑盒，准不准全靠运气。
第三道坎是业务流程重构。
预测性维护不是加一个软件模块，而是改变设备管理模式。维修工的工作从坏了再修变成预测到再修，库存从多备点总没错变成按需备件。
美的集团2019年上线预测性维护系统，前六个月最大的挑战不是算法不准，而是维修团队的作业流程重新梳理。原来维修工每天早上领任务，现在系统提前三天就告诉他这台设备下周可能出问题，安排个检查。工作方式变了，人的习惯也要跟着变。
落地路径也不是没有。国内有三一重工、宁德时代这些先行者，但路径各不相同。三一重工的挖掘机预测性维护是跟IoT平台一起做的，数据链条从传感器直接到云端，跳过中间层。宁德时代的预测性维护聚焦在电池生产的关键设备，用振动+温度+电流多模态数据，把设备故障提前7天预测出来，准确率超过85%。
但预测性维护也不是万能药。适合上的设备要满足两个条件：故障代价高（停机损失大），有足够多的历史故障数据。生产线上的非关键设备，坏了换备件就行，上预测性维护反而增加成本。
预测性维护从报警到预测的最后一公里，走通的企业不多，但走通的价值很大。核心不是买最先进的算法，而是把数据、算法、流程三件事按顺序做扎实。