一、项目背景

我们服务的一家制造企业，设备维护长期是"坏了再修"。关键产线一台设备非计划停机，整条线跟着停，一次损失够喝一壶。其实设备早就接了传感器，温度、振动、电流数据一直在采，但全躺在时序库里没人看，故障不可期。维修工单是另一套系统，和設備状态完全脱节—— often 等报修了才发现备件没货，临时调货又拖几天。我们做的事，就是把沉睡的传感器数据用起来，让大模型融合时序做故障预测，并直接驱动维护工单和备件。

二、落地场景

我们在私有化底座上搭了"预测—工单—备件"闭环。传感器数据经流式接入做清洗和特征工程，大模型融合多维时序和历史维修记录，输出故障预测（哪台设备、什么部件、置信区间）和维护建议。预测结果不直接执行，而是生成维护工单进工单系统，并联动备件库存做预占。运维在停机窗口排程里确认执行，修完回写结果，反哺模型。整个链路把"事后救火"变成"事前排程"，人始终在回路确认最后一关。

三、关键技术挑战与解决思路

挑战一是多源时序数据汇聚与清洗。传感器数据有缺失、漂移、不同采样率，我们做统一时间对齐和插值，并用统计法剔野值，避免脏数据误导模型。特征工程上融合时域（均值、方差）和频域（振动主频）特征，给模型更全的视角。

挑战二是预测可解释与置信。大模型不能只给"会坏"，要给出"为什么、多可信"。我们让模型输出故障模式和置信区间，低置信的进人工复核而非自动派单，避免误报骚扰运维。

挑战三是维护工单与备件联动。预测一出，工单系统自动建单并按部件预占备件，若备件不足提前触发采购，停机窗口排程时就能看到"件是否齐"。这是关键——预测再准，没件也修不了。

四、效果数据

试点三条产线运行约半年的脱敏示意值：关键设备非计划停机次数下降约 41%；故障预测在实测故障前平均提前约 6.5 天告警，给排程留足窗口；预测准确率（按部件级召回）约 83%，误报率控制在约 9% 以内（低置信进人工）；备件周转率因"按需预占"提升约 23%，积压备件明显下降；维修工时因"带件上门、按建议修"下降约 17%。

五、可复用经验总结

预测性维护，预测只是起点，落地靠"工单+备件"闭环。第一，传感器数据必须先清洗对齐再做特征，脏数据比没数据更坑模型。第二，预测必须可解释带置信，低置信进人工，全自动派单的误报会把运维逼疯。第三，工单和备件是同一笔账——预测生成工单的同时预占备件，缺件提前采购，否则"预测准但修不了"。第四，人始终在回路确认停机窗口，模型给建议不替决策。我们把特征工程和工单联动做成模板，新产线接入主要调特征和部件映射。

结语

预测性维护，预测只是起点，落地靠"工单加备件"闭环。我们进场时设备传感器数据全躺在库里没人看，故障不可期。把沉睡数据用起来做故障预测不难，难的是让预测真正驱动维护——生成工单、预占备件、排进停机窗口。

传感器数据必须先清洗对齐再做特征，脏数据比没数据更坑模型。我们做统一时间对齐和插值，用统计法剔野值，特征融合时域和频域，给模型更全的视角。预测必须可解释带置信，低置信进人工，全自动派单的误报会把运维逼疯。

工单和备件是同一笔账，这点怎么强调都不过分。预测生成工单的同时预占备件，缺件提前采购，否则"预测准但修不了"的尴尬必然发生。我们把带件上门、按建议修做成标准动作后，维修工时和备件积压一起往下走。

人始终在回路确认停机窗口，模型给建议不替决策。预测的置信区间和部件级召回，让我们从"事后救火"变成"事前排程"，非计划停机明显下降。特征工程和工单联动做成模板后，新产线接入主要调特征和部件映射，复制成本很低。

站在更长的周期看，预测性维护的价值会随时间放大。模型每多跑几个月，维修记录越丰富，预测越准，形成正循环。我们给客户的交付不只是这一期效果，而是一套会自我进化的能力——前提是工单和备件的数据持续回流。所以落地时我们就坚持把"数据回流"写进 SLA，否则模型上线即巅峰、越跑越钝。

再补一句关于数据闭环的。预测模型最怕上线即巅峰，跑几个月后维修记录没回流，模型反而越跑越钝。所以我们交付时把数据回流写进验收标准，每次维护的结果、实际更换的部件都回写训练库，模型按月增量更新。客户一开始觉得麻烦，后来发现故障预测越来越准、误报越来越少，才真正认可这件事的价值。预测性维护不是一锤子买卖，是持续喂养的长跑。

案例片段（已脱敏）： ```

故障预测与维护工单联动（伪代码节选）

feat = build_features(stream_align(sensors))   # 时域+频域特征 pred = llm_forecast(feat, history=repair_log) if pred.confidence < 0.6:    route_to_human(pred)                  # 低置信进人工复核 else:    wo = create_workorder(pred.device, pred.part,                          suggest=pred.action)    prehold_part(wo, part_id)             # 工单联动预占备件    if not in_stock(part_id):        trigger_purchase(part_id)         # 缺件提前采购    schedule_in_window(wo, downtime_slot) ``` 预测带置信区间，低置信不自动派单；工单与备件同账联动。