从一次半夜停线说起
那家注塑厂有28台机，最怕的就是半夜停线。一个月非计划停机11小时，交期被拖得没脾气。他们听说预测性维护很神，问我从哪入手。我说先别买平台，从一台最闹腾的机器开始。
振动看轴承，电流看负载
我们的做法很朴素：在注塑机的合模单元和主电机上装振动传感器，在主回路加电流互感器。振动包络谱盯轴承外圈故障频率，电流信号看负载波动和三相不平衡。
第一台试点机在第19天就报了警：振动有效值连续爬升，包络谱上出现轴承外圈特征峰。拆开一看，外圈有点蚀。换掉轴承花了4000块，避免的是一次至少8小时的突发停线和一整批料的报废。
阈值不是拍脑袋定的
早期我们用固定阈值，误报多到现场想把报警关掉。后来改成滚动基线：每台机按自己的历史数据建基线，报警看趋势和加速度，而不是看绝对值。误报从每周23次降到4次，工人这才愿意信。
一年下来的账
铺到14台关键设备后，一年时间非计划停机从每月11小时降到3小时，备件采购从抢修式变成计划式，库存金额降了18%。传感器加边缘采集投入约36万，一年多就回来了。
什么厂先别做
设备台数少于10台、备件便宜、停机损失小的厂，做定期点检更划算。预测性维护的价值在连续生产、停机损失大的场景，别为用技术而用技术。
报警之后的流程更关键
预测性维护的另一半是响应流程。早期他们报警发到微信群，看完就忘了。后来改成工单闭环：报警自动生成检修工单，指派到人，24小时内不处理升级到设备部长。一年下来处理的预警有63起，其中11起是重大隐患。
还有一条经验：把预警准确率做成设备部门的考核项，但允许误报。初期我们容忍三成误报，宁可错报不可漏报，等模型稳定后再收紧。设备部门一开始抱怨报警多，看到躲过的那次轴承事故后，态度全变了。数字化工具要赢得信任，得让它先立一次功。
传感器本身倒不贵，一台机器的采集点位加边缘模块约两万出头，贵的是调试和建模。他们前三个月几乎在做数据清洗，剔除换模、清料带来的干扰信号。这段投入别省，基线脏了，后面全是误报。经验是一台设备的模型磨合期要一个半月，铺开时按批次滚动，别一次全上。