主题
03 设施设备预测性维护 — 技术路径、分层方案与外部协作
对应需求：
IBMS功能模块-V1.md一.6「AI能力引擎」中的「设施设备预测性维护」。 规格现状：原文只写了「预测性维护」几个字，没有定义层次、设备范围、验收指标。 项目背景：上海交通大学新院区，以 MBA 教学为主；设备以暖通空调、给排水、电梯、照明、多媒体、门禁为主，运行数据从投运开始积累。 本文回答：标准预测性维护是什么、我们用什么数据做到哪一层、L1–L4 怎么分、L3/L4 为什么必须外部协作。
1. 结论与交付定位
预测性维护不是单一模型，而是四层能力。
| 层级 | 回答的问题 | 典型输出 | 责任方 |
|---|---|---|---|
| L1 状态监测 / 健康度 | 现在好不好？ | 健康分、等级、扣分原因 | 我们自建 |
| L2 异常检测 / 趋势预警 | 正在变坏吗？ | 异常清单、趋势预警、证据 | 我们自建 |
| L3 故障诊断（FDD） | 坏在哪、为什么？ | 故障模式、根因、处置建议 | OEM / 伙伴 |
| L4 剩余寿命 / 故障预测（RUL） | 还能用多久？ | 剩余寿命、故障概率 | 伙伴 / OEM |
本期交付定位：
| 交付物 | 内容 |
|---|---|
| 设备健康度评分 | 0–100 分 + 红/黄/绿等级 + 扣分原因（可解释） |
| 风险设备清单 | 按风险排序的 Top N 资产/设备，附证据（告警/工单/保养/属性偏离） |
| 健康趋势 | 单设备、同类设备、空间维度的健康变化 |
| 风险预警 | 健康度下降、告警聚集、保养超期、备件更换异常 |
| 巡检/工单闭环 | 风险设备自动进入 AI 巡检或生成工单，处置结果回流 |
| 健康报告 | 周报/月报/学期报告，LLM 生成解读与建议 |
规格只写「预测性维护」，没有要求 RUL 或准确率。我们把 L1/L2 做成可交付、可验收的主体，把 L3/L4 作为生态能力接入——既满足规格，也不把不可控的算法风险背在自己身上。
不设「预测准确率」这类指标。价值体现在：风险设备是否被提前识别、是否减少非计划停机、工单是否从被动变主动——用运营指标衡量，而不是模型准确率。
2. 技术基础：维护范式、数据条件与信号频带
2.1 四个维护范式
| 范式 | 触发依据 | 典型做法 | 依赖数据 |
|---|---|---|---|
| 反应式维护（Reactive） | 坏了才修 | 报修、抢修 | 工单 |
| 预防式维护（Preventive） | 时间/里程/运行时长 | 月度保养、季度检修 | 设备台账、保养计划 |
| 预测式维护（Predictive, PdM） | 设备退化状态 | 振动分析、油液分析、RUL | 退化信号 + 历史故障标签 |
| 规范性维护（Prescriptive） | 退化 + 成本/生产约束 | 在 PdM 之上做维修决策优化 | PdM + 备件/排产/成本 |
关键区分：PdM 的核心不是「用 AI 算一下」，而是能观测到设备从正常到故障的退化过程，并在这个过程早期发出预警。
2.2 数据条件决定方法
| 数据条件 | 能做到什么 | 常用方法 |
|---|---|---|
| 只有台账 + 工单 + 保养记录 | 可靠性统计、故障频次、MTBF、健康度评分 | 统计、规则、加权评分 |
| 加上低频 IoT 属性值（温度、压力、状态、故障码） | 趋势、越限、基线偏离、异常检测 | 阈值、分位基线、Isolation Forest、Autoencoder |
| 加上告警 + 巡检 + 备件记录 | 多源风险评分、告警聚集、部件寿命 | 规则 + 统计 + 树模型 |
| 加上高频振动/电流波形 | 故障模式识别、退化评估、RUL | FFT/包络/小波 + 特征工程 + 分类/回归 |
| 加上带标签的故障事件 | 有监督风险预测、故障分类 | XGBoost / LightGBM、RandomForest、Logistic |
| 加上退化轨迹 | 剩余寿命 RUL | LSTM/GRU、TCN、Transformer、生存分析 |
一句话：数据决定方法，不是方法决定数据。新院区先从「台账 + 工单 + 低频 IoT + 告警」这一层做起，随数据积累再往上走。
数据量不是「海量行数」：高频振动一天几个 GB，但信息密度低；关键看故障事件数。单一故障模式、单一设备类型，至少几十到上百次带标签的故障样本，才能训练可信模型。新院区交付时故障样本为 0，所以从规则健康度起步。
2.3 算法怎么选
| 任务 | 常用方法 | 说明 |
|---|---|---|
| 健康度评分 / 风险分级 | 规则加权、层次分析、SPC | 工程上最常用，可解释、可交付 |
| 异常检测（无标签） | 3σ/分位基线、Isolation Forest、Autoencoder | 适合「没有故障标签、但想知道哪里不对劲」 |
| 故障风险预测（有标签） | XGBoost、LightGBM、RandomForest | 表格特征、小样本友好、可解释，工业界主力 |
| 振动故障诊断 | FFT、包络谱、小波变换 + 特征工程 + 分类器 | 先做信号处理，再谈 ML |
| 剩余寿命 RUL | LSTM/GRU、TCN、Transformer、Weibull/Cox | 需要退化轨迹 |
| 可靠性统计 | Weibull、MTBF/MTTR、故障率曲线 | 靠工单统计即可 |
算法不是门槛，标签才是。 XGBoost/LightGBM 只负责「有标签的表格特征」这一段；振动类还要先做信号处理。
2.4 低频信号 vs 高频信号
这里的「高低」指采样率 / 信号频带，不是「数据量大不大」。
| 维度 | 低频信号 | 高频信号 | 超高频 |
|---|---|---|---|
| 采样周期 | 秒~分钟（1s、1min、15min） | 毫秒~微秒（1k~50k Hz） | 20 kHz~1 MHz |
| 典型信号 | 温度、压力、压差、流量、阀位、启停、电流有效值、功率、能耗、故障码 | 振动加速度/速度、电机电流波形、压力脉动、扭矩 | 声发射、超声波 |
| 采集设备 | BMS/BA/PLC/电表/网关 | 加速度计、电流互感器、高速采集卡/边缘网关 | 声发射传感器、超声探头 |
| 能发现 | 慢变退化：滤网堵塞、盘管结垢、冷媒不足、效率下降、控制偏差、超时运行 | 快变故障：轴承点蚀、齿轮啮合、不平衡、不对中、松动、汽蚀 | 泄漏、润滑劣化、早期轴承缺陷、局部放电 |
| 分析方法 | 阈值、趋势、z-score、斜率、同类对比、运行逻辑规则 | FFT、包络谱、小波、阶次分析、特征提取、分类/RUL | 声发射特征、频谱/能量分析 |
| 对应层级 | L1/L2，部分 L3 | L3 的机械故障、L4 的 RUL | L3 的泄漏/电气/早期缺陷 |
为什么需要高频：轴承故障特征频率可能在几百 Hz 到几 kHz；要看清它，采样率至少是关注频率的 2 倍以上（Nyquist），工程上常取 10–50 kHz。低频点位（1 分钟一个数）只能看到「温度慢慢升高」「电流平均值变大」，看不到「每转一次的冲击」。
低频也能做很多事：滤网堵塞看压差趋势；盘管结垢看进出水温差/趋近温度；阀门卡涩看阀位与温度响应；控制异常看设定值 vs 实际值；效率下降看 COP/单位面积能耗/同类对比。这些都不需要振动。
标准频带参照：
- ISO 20816-1:2026：机械振动宽带验收指标 10–1000 Hz，并明确滚动轴承完整性评估需要更高频率。
- ISO 22096:2007：声发射典型频带 20 kHz–1 MHz。
一句话：低频看「趋势和逻辑」，高频看「波形和频谱」。 低频回答「是不是在慢慢变坏」，高频回答「是哪个部件、什么故障模式、还能撑多久」。
3. 标准依据：L1–L4 是怎么来的
3.1 ISO 13374-1 的六个功能块
国际标准里没有「预测性维护 L1–L4」这样的四级能力模型。最接近的权威框架是 ISO 13374-1:2003：
Data Acquisition (DA) → Data Manipulation (DM) → State Detection (SD)
→ Health Assessment (HA) → Prognostic Assessment (PA) → Advisory Generation (AG)3.2 我们的四层与标准的对应
| 我们的层 | ISO 13374-1 功能块 | 性质 |
|---|---|---|
| L1 状态监测/健康度 | DA + DM + SD + HA（部分） | 合并改编 |
| L2 异常检测/趋势 | SD 的 alert/alarm + DM 的趋势特征 | 项目化改编（ISO 没有独立“异常检测层”） |
| L3 故障诊断 FDD | HA 的诊断职能 + ISO 13379-1 | 标准原生 |
| L4 RUL/故障预测 | PA + ISO 13381-1 | 标准原生 |
| （闭环）建议/工单 | AG（Advisory Generation） | 对应工单/巡检/备件闭环，未单列 L5 |
3.3 哪些能对外说“标准”
- L3、L4 有直接标准依据：ISO 13379-1:2025（诊断）、ISO 13381-1:2025（预测/RUL）。
- L1、L2 是合并/改编，不要说“标准规定”。
- 对外可以说：「参照 ISO 13374-1 的状态监测、健康评估、预测评估功能框架，结合项目落地简化为四层」。
- 咨询公司常见的 Reactive → Preventive → CBM → Predictive → Prescriptive 五级，不是 ISO/NIST/DOE 标准；权威的组织成熟度框架是 GFMAM 四域与 IAM 0–5 分制，但那是组织成熟度，不是技术分层，不要混用。
3.4 标准归属与国内标准
- ISO（13374 / 17359 / 13379 / 13381 / 14224 / 55000）= 国际标准。
- MIMOSA / PHM Society / GFMAM = 国际/美国行业组织或联盟。
- NIST / DOE = 美国政府机构指南，不是 ISO 意义上的标准。
- 本文没有引用中国国内标准。国内项目如招标要求国标/行标，需要补 GB/T 采标版本（机器状态监测与诊断系列多有对应采标），具体现行标准号建议在正式方案中逐一核对后再写。
3.5 版本注意
- ISO 13379-1 与 ISO 13381-1 已于 2025 年换版（2012/2015 版已废止），不要引用旧版。
- ISO 20816-1 已于 2026-10 换版。
- ISO 官网对脚本抓取可能返回 403，用浏览器可直接打开。
4. 我们手上的数据
| 数据 | 有没有 | 对预测性维护的价值 | 支撑什么 |
|---|---|---|---|
| 设备台账（类型/位置/参数/厂商/投运时间） | ✅ | 基础维度 | 健康度分组、同类对比 |
| IoT 实时属性值（状态、温度、压力、设定值、故障码） | ✅ 低频 | 趋势与越限 | 阈值告警、基线异常、健康度 |
| 告警记录 | ✅ | 故障前兆 | 告警频次/聚集、风险评分 |
| 工单（报修/维修/更换） | ✅ | 最接近故障标签 | 故障频次、MTBF、风险特征 |
| 保养记录 | ✅ | 维护有效性 | 超期保养、保养后故障率 |
| 巡检记录 / 巡检工单 | ✅ | 状态与异常发现 | 巡检异常→工单关联 |
| 备品备件更换记录 | ✅ | 部件级线索 | 备件消耗、部件寿命 |
| 高频振动/电流波形/声学 | 需加装 | 深度 PdM 的核心 | 故障模式识别、RUL |
| 带故障模式的标注 | 需积累 | 有监督学习的前提 | 风险预测、故障分类 |
结论：现有数据足够支撑 L1/L2；L3 接 OEM/伙伴，L4 需加装传感器或接入 OEM/PHM 伙伴。
5. L1：状态监测与健康度评分（我们自建）
5.1 目标
把散落在告警、工单、保养、备件、巡检、IoT 里的信息，汇总成一个可解释的健康分，回答「哪些设备现在最该关注」。
5.2 模型结构
加权扣分模型，不训练模型：
健康度 = Σ（维度得分 × 权重）
维度得分 = 100 − 扣分（严重度 × 频次 × 时效）5.3 维度与权重（可按设备类型配置）
| 维度 | 说明 | AHU | 冷机 | 电梯 |
|---|---|---|---|---|
| 实时状态 | 关键点位偏离、越限、离线、卡死 | 30% | 35% | 15% |
| 告警 | 数量、等级、重复 | 20% | 20% | 30% |
| 工单/维修 | 频次、重复维修、MTTR | 20% | 20% | 25% |
| 保养 | 超期、漏保、保养后故障 | 15% | 10% | 20% |
| 巡检 | 异常项、重复异常 | 10% | 10% | 10% |
| 数据质量 | 离线、卡死、缺失、跳变 | 5% | 5% | — |
权重先按经验给，3 个月后用「历史工单是否真的发生故障」回测校准：故障前健康度应该低；如果没低，调权重/阈值。
5.4 扣分规则示例（AHU）
| 维度 | 指标 | 扣分规则 |
|---|---|---|
| 实时状态 | 送风温度与设定偏差 | >3℃ 持续 30min：−10；持续 2h：−20 |
| 过滤器压差 | 超过设计值 1.5 倍：−15 | |
| 风机状态 vs 运行计划 | 该开没开 / 该关没关：−20 | |
| 阀位 vs 温度响应 | 阀位 100% 但送风温度不升：−15 | |
| 告警 | 近 30 天告警 | 严重 −15/次，重要 −8/次，一般 −3/次；近 7 天 ×1.5 |
| 工单 | 近 90 天维修 | 维修 ≥2 次：−10；重复维修：−10；紧急维修：−10 |
| 保养 | 超期/漏保 | 超期 30 天：−10；漏保：−20；保养后 7 天内故障：−10 |
| 巡检 | 异常项 | 异常 −5/项；重复异常 −10/项 |
| 数据质量 | 离线/卡死/缺失 | 离线 −20；卡死 −10；缺失率 >20% −20 |
5.5 等级与「数据不足」
| 健康度 | 等级 | 含义 |
|---|---|---|
| ≥85 | 绿 | 健康 |
| 70–84 | 黄 | 关注 |
| 50–69 | 橙 | 预警，建议巡检 |
| <50 | 红 | 高风险，建议工单 |
| 数据完整度 <60% | 灰 | 数据不足，不评分，先补数据 |
没有数据不等于健康。数据不足必须单独标灰，不能给高分。
5.6 没有基线怎么办
| 阶段 | 时间 | 基线来源 | 能做什么 |
|---|---|---|---|
| P0 | 0–30 天 | 设计值、铭牌、厂商手册、同类设备、运行逻辑 | 阈值告警、should/actual 规则 |
| P1 | 30–90 天 | 自身滚动 7/30 天分位（P10/P50/P90） | z-score、趋势、偏离 |
| P2 | 90 天+ | 按季节/工作日/时段分层 | 季节性趋势、同类对比 |
5.7 LLM 与规则引擎的分工
| 任务 | LLM | 规则引擎 |
|---|---|---|
| 设备分类、点位语义映射 | 起草，需人工确认 | 点位字典 |
| 健康度维度/权重/规则 | 起草模板 | 计算得分 |
| 阈值建议 | 参考手册/行业 | 配置后生效 |
| 健康度解释、报告 | 主力 | 提供结构化结果 |
LLM 不负责算数；打分由规则引擎完成，保证可解释、可审计。
6. L2：异常检测与趋势预警（我们自建）
6.1 目标
在设备真正故障之前，发现「正在变坏」的迹象，回答「哪台设备、哪个点位、从什么时候开始、偏离了多少」。
6.2 六类方法
| 方法 | 适用 | 规则示例 |
|---|---|---|
| 阈值 + 持续性 | 有设计值/铭牌值 | 送风温度 > 设定+3℃ 连续 30min |
| 滚动 z-score | 连续数值点位 | 近 30 天中位数/MAD 算 z，|z|>3 连续 3 点 |
| 斜率/趋势 | 缓变指标 | 近 7 天线性斜率 > 阈值，且 R²>0.5 |
| EWMA / CUSUM | 小漂移 | EWMA 超出控制限，或 CUSUM 累积偏移超阈值 |
| 同类对比 | 没有绝对标准 | 同型号/同工况设备，偏离 P90/P10 |
| 运行逻辑规则 | 有开关/阀位/设定值 | 风机开但压差≈0；阀位 100% 但温差很小；非运行时段仍运行 |
| 告警聚集 | 事件型 | 同一设备 24h 内同类告警 ≥3 次 |
| 工单/MTBF 趋势 | 维护记录 | 90 天维修频次上升、MTBF 下降 |
6.3 预警分级与证据
| 等级 | 条件 | 动作 |
|---|---|---|
| 信息 | 单一趋势信号 | 记录，不打扰 |
| 预警 | 趋势 + 阈值/同类偏离 | 推送运维，进入巡检建议 |
| 严重 | 多信号叠加 + 关键设备 | 生成工单，通知责任人 |
每条预警必须带证据：点位、时段、偏离幅度、持续时长、对比对象。否则运维不信。
6.4 典型规则示例
| 设备 | 规则 | 说明 |
|---|---|---|
| AHU | 过滤器压差连续 7 天上升且斜率超阈值 | 滤网堵塞趋势 |
| AHU | 风机开但送风压差≈0 | 皮带/风管/风机异常 |
| AHU | 阀位 100% 但送风温度不升 | 阀门/盘管异常 |
| 冷机 | 冷凝趋近温度连续上升 | 冷凝器结垢趋势 |
| 冷机 | COP 低于同类 P10 | 效率衰减 |
| 水泵 | 电流高于同类 P90 且流量下降 | 堵塞/效率下降 |
| 电梯 | 同一故障码 7 天内 ≥3 次 | 重复故障 |
| 通用 | 非运行时段仍运行 | 控制/计划异常 |
6.5 LLM 与规则引擎的分工
- 规则引擎：计算基线、z-score、斜率、聚合、分级。
- LLM：把多条信号归纳成「疑似原因」、生成可读报告、回答「为什么报警」。
- LLM 不算数、不下结论，只做解释和表达。
7. L3：故障诊断（FDD）— 为什么必须外部协作
7.1 L3 是什么
FDD = Fault Detection and Diagnosis（故障检测与诊断）：
- Detection：判断有没有故障；
- Diagnosis：判断是什么故障模式、在哪、为什么。
输出不是「健康分低」，而是「冷凝器结垢」「过滤器堵塞」「阀门卡涩」「轴承磨损」这类具体故障模式。
7.2 为什么我们不自己做
| # | 原因 | 说明 |
|---|---|---|
| 1 | 需要设备级故障模式库 | 不同设备（冷机/AHU/水泵/电梯）故障模式不同，需要按类型/型号积累 FDD 规则或故障树 |
| 2 | OEM 掌握设计知识与诊断逻辑 | 设备厂商有设计参数、故障码、诊断手册；逆向成本高、准确率不可控 |
| 3 | 需要故障样本与专家标注 | 没有业务专家、没有历史故障库，规则无法验证 |
| 4 | 不是我们的核心价值 | 我们的价值在数据接入、上下文、工单闭环、UI、智能体；不在设备故障物理 |
| 5 | 责任边界 | 诊断错误导致误修/停机，责任难界定；应由掌握设备知识的厂商承担 |
7.3 三种协作方式
| 方式 | 做法 | 适用 | 评价 |
|---|---|---|---|
| A. OEM 自带诊断 | 接电梯、冷机、变频器等厂商的诊断接口/故障码/网关 | 设备厂商已有诊断能力 | 首选，最可靠 |
| B. 伙伴 FDD 规则库 | 引入专业 FDD 厂商的规则库/知识库，我们做集成 | OEM 不开放或设备杂 | 推荐 |
| C. 联合交付 | 伙伴提供模型，我们提供数据、上下文、工单、UI | 客户要求深度诊断 | 可控 |
7.4 我们保留什么
- 数据接入与点位语义；
- 设备档案、空间、历史工单/保养/巡检上下文；
- 诊断结果的呈现、工单闭环、反馈；
- 智能体入口：「这台设备为什么报警？」
L3 的模型在伙伴/OEM，闭环在我们。
8. L4：RUL / 故障预测 — 为什么必须外部协作
8.1 L4 是什么
L4 有两种形态，容易混在一起：
| 形态 | 做什么 | 数据 | 谁做 | 本项目定位 |
|---|---|---|---|---|
| L4a 故障风险预测 | 未来 7/30 天是否会发生故障/维修 | 设备档案 + 告警/工单/保养统计 + 同类对比 | 数据积累 1–2 年后可自建（LightGBM/XGBoost） | 可选增强，不作为本期基础交付 |
| L4b RUL 剩余寿命 | 从当前到失效还剩多少时间/循环 | 高频振动/电流波形 + 故障标签 + 退化轨迹 | PHM 伙伴 / OEM | 关键设备可选，外部协作 |
RUL = Remaining Useful Life（剩余使用寿命）：从当前时刻到设备失效（或性能不可接受）还剩多少时间/循环次数。它需要退化轨迹，不是单点数据。
本节主要讲 L4b——它是规格里最容易被误解为「必须做」、也最需要外部协作的部分。L4a 是数据积累后的可选增强，不改变本期交付边界。
8.2 为什么我们不自己做
| # | 原因 | 说明 |
|---|---|---|
| 1 | 需要高频退化信号 | 振动（10–50kHz）、电流波形、声学；现有低频点位不够 |
| 2 | 需要传感器与边缘采集 | 加装加速度计、温度、电流传感器，部署边缘网关；涉及硬件选型、安装、供电、网络 |
| 3 | 需要带标签的故障事件 | 什么时间、哪台设备、什么故障模式、换了什么件；新院区为零 |
| 4 | 需要退化轨迹 | 同一设备从正常到故障的多次过程；单栋楼很难积累 |
| 5 | 按设备类型/型号单独建模 | 项目化、无法产品化；需要 PHM/数据科学团队持续维护 |
| 6 | 责任风险 | 预测失败导致停机/安全事故，责任重大 |
8.3 三种协作方式
| 方式 | 做法 | 适用 |
|---|---|---|
| A. OEM 预测性维护 | 电梯、冷机等厂商自带的 PdM 服务/API | 关键设备、厂商已有能力 |
| B. PHM 专业伙伴 | 伙伴提供传感器 + 边缘采集 + 信号处理 + 模型 + 运维 | 水泵、冷却塔、风机等旋转设备 |
| C. 联合体 | 我们做总集成/数据平台，伙伴做传感器与算法 | 客户要求整包 PdM |
8.4 我们保留什么
- 设备台账与空间关系；
- 数据接入与治理；
- 预测结果的统一呈现、预警、工单闭环；
- 与巡检、健康度、备件的联动；
- 智能体入口：「这台泵还能用多久？」
L4 的模型和传感器在伙伴/OEM，数据平台和闭环在我们。
9. 设备梯队与协作矩阵
| 设备 | L1 | L2 | L3 | L4 | 协作方 |
|---|---|---|---|---|---|
| 电梯 | 自建 | 自建 | OEM 故障码/诊断 | OEM PdM（可选） | 电梯厂商 |
| 冷机 | 自建 | 自建 | OEM 诊断 | OEM PdM（可选） | 冷机厂商 |
| 水泵/冷却塔/风机 | 自建 | 自建 | 伙伴 FDD | 伙伴 PHM（加振动） | PHM 伙伴 |
| AHU/空调箱 | 自建 | 自建 | 伙伴/OEM 规则 | 一般不经济 | OEM/伙伴 |
| 配电 | 自建 | 自建 | 伙伴规则 | 可选 | 电气伙伴 |
| 照明/门禁/一般 FCU | 自建 | 自建 | — | — | — |
原则：
- 有 OEM 诊断的，优先接 OEM，不重复造。
- 关键旋转设备，L3/L4 找 PHM 伙伴，加传感器。
- 一般设备只做 L1/L2，不追求 L3/L4。
10. 与 AI 巡检、预测性维护的关系
| 能力 | 触发 | 范围 | 方法 | 输出 |
|---|---|---|---|---|
| AI 智能巡检 | 定时/事件 | 设备/空间 | 视觉抓拍 + 多模态判定；规则/人工辅助 | 巡检报告、异常清单、工单 |
| 预测性维护（L1/L2） | 持续计算 | 全量设备 | 统计/规则/无监督 | 健康度、风险等级、异常预警 |
| 故障诊断（L3） | 异常触发 | 可疑设备 | OEM 诊断/专家规则 | 故障模式、根因、处置建议 |
| RUL（L4） | 持续采集 | 关键设备 | 信号处理 + 伙伴模型 | 剩余寿命、故障概率 |
AI 巡检是「面」，预测性维护是「线」（时间维度）。两者互补：巡检发现问题 → 健康度记录趋势 → 风险清单驱动下一轮巡检。
11. 交付形态、运营指标与规格对应
11.1 交付形态
| 交付物 | 说明 |
|---|---|
| 设备健康度看板 | 全量设备红黄绿分布、Top 风险、同类对比 |
| 单设备健康档案 | 评分、趋势、扣分原因、告警/工单/巡检/备件时间线 |
| 风险设备清单 | 按风险排序，附证据和建议动作 |
| 健康报告 | 周报/月报/学期报告，LLM 生成解读 |
| 巡检/工单联动 | 高风险设备自动进入巡检计划或生成工单 |
11.2 运营指标（不是模型指标）
- 风险设备识别数、提前处置数；
- 非计划停机次数/时长变化；
- 工单从被动报修转为主动发现的比例；
- 巡检异常转工单率、闭环率；
- 健康度下降设备的处置及时率。
11.3 和规格的对应话术
| 规格条款 | 我们的响应 | 交付物 | 责任边界 |
|---|---|---|---|
| 设施设备预测性维护 | 本期交付 L1 + L2；L3 通过 OEM/伙伴接入；L4 作为可选增强 | 健康度看板、风险清单、趋势预警、巡检/工单闭环、诊断结果接入 | L1/L2 我们负责；L3/L4 模型由 OEM/伙伴负责，我们负责集成与闭环 |
建议在方案/合同中明确写：
本期预测性维护交付「设备状态监测、健康度评估、异常检测与趋势预警」，并对接设备厂商/合作伙伴的故障诊断与剩余寿命能力；不承诺 RUL 准确率。L4 按关键设备可选实施。
不要写：「预测准确率 90%」「提前 N 天预测故障」「所有设备均支持 RUL」。
12. 需要甲方/总包提供什么
| 事项 | 内容 | 时间点 |
|---|---|---|
| 点位清单 | 设备、点位、单位、量程、采样频率 | 建设期 |
| 设备手册/设计值 | 铭牌、设计参数、正常范围、故障码 | 建设期 |
| OEM 接口 | 电梯、冷机、变频器等诊断接口/网关 | 采购期 |
| 传感器安装 | 关键旋转设备的振动/温度传感器安装位、供电、网络 | 建设期 |
| 历史数据 | 工单、保养、备件、巡检记录 | 投运后持续 |
| 验收口径 | 健康度/风险清单/趋势预警的验收方式 | 合同前 |
新院区是绿地项目：PdM 需要的点位和传感器，现在写进 BA/设备招标技术要求，后面就不用补；现在不写，交付时只能做 L1/L2 的简化版。
需要澄清：
- 「预测性维护」的交付形态期望是什么？健康度看板、风险清单、趋势报告，还是其他？
- 关键设备是否由厂商提供自带诊断接口/故障码？能否开放？
- 是否允许加装振动/温度传感器？由谁负责实施？
- 历史工单、保养、备件数据从什么时候开始？字段是否结构化？
- 设备台账是否包含同类设备分组、役龄、厂商、型号？
- 健康度/风险清单的受众是谁？物业、学院、校方？频率？
- 是否接受「先健康度、随数据积累增强」的演进路径？
13. 风险与边界
| 风险 | 说明 | 应对 |
|---|---|---|
| 数据质量 | 点位离线/卡死/缺失会污染健康度 | 数据质量作为独立维度；空值与 0 区分 |
| OEM 不开放 | 厂商不提供诊断接口 | 合同前置要求；或改用伙伴方案 |
| 传感器安装 | 已投运设备加装困难 | 建设期预留安装位 |
| 责任边界 | 诊断/预测错误导致误修/停机 | 合同明确 L3/L4 由 OEM/伙伴负责 |
| 验收争议 | 客户把「预测性维护」理解为准确率 | 方案中明确分层交付，不承诺准确率 |
| 模型维护 | L3/L4 模型需要持续更新 | 由 OEM/伙伴负责，写入服务协议 |
设计要点：健康度可解释（每个扣分项有证据）；先规则后模型；同类对比优于绝对值；健康度必须能触发巡检/工单；关键设备优先。
14. 一句话总结
L1/L2 是我们的主战场：用现有 IoT、告警、工单、保养、备件，做健康度和趋势预警，规则可解释、可验收、可校准。L3/L4 是生态能力：故障诊断靠 OEM/伙伴，RUL 靠 PHM 伙伴；我们做数据平台、集成、呈现和工单闭环。规格只写「预测性维护」，我们把层次定义清楚，既不漏项，也不背不该背的算法风险。
附：官方来源与频带参考
| 来源 | 标准/机构 | 标题/年份 | URL | 用途 |
|---|---|---|---|---|
| ISO | ISO 13374-1:2003 | Condition monitoring and diagnostics of machines — Data processing, communication and presentation — Part 1 | https://www.iso.org/standard/21832.html | 六功能块，L1–L4 母框架 |
| MIMOSA | OSA-CBM 3.3.1 | Open System Architecture for Condition-Based Maintenance | https://www.mimosa.org/mimosa-osa-cbm/ | ISO 13374 的工程实现 |
| ISO | ISO 17359:2018 | Condition monitoring and diagnostics of machines — General guidelines | https://www.iso.org/standard/71194.html | 监测体系怎么建 |
| ISO | ISO 13379-1:2025 | Data interpretation and diagnostics techniques — Part 1 | https://www.iso.org/standard/88027.html | L3 诊断依据 |
| ISO | ISO 13381-1:2025 | Prognostics — Part 1: General guidelines and requirements | https://www.iso.org/standard/88029.html | L4 预测/RUL 依据 |
| ISO | ISO 14224:2016 | Reliability data collection and exchange | https://www.iso.org/standard/64076.html | 失效模式/可靠性数据 |
| ISO | ISO 55000:2024 | Asset management — Vocabulary, overview and principles | https://www.iso.org/standard/83053.html | 资产管理层框架 |
| NIST | NIST AMS 100-18 | The Costs and Benefits of Advanced Maintenance in Manufacturing | https://nvlpubs.nist.gov/nistpubs/ams/NIST.AMS.100-18.pdf | PdM=CBM 定义 |
| DOE | FEMP O&M Best Practices Guide | Chapter 5.4 Predictive Maintenance | https://www.energy.gov/cmei/femp/operations-and-maintenance-challenges-and-solutions | 维护策略分类 |
| PHM Society | Tutorial | Introduction to Prognostics | https://phmsociety.org/wp-content/uploads/2011/08/Tutorial_Prognostics.pdf | PHM/RUL 定义 |
| GFMAM | Maintenance Framework 2nd Ed. 2021 | Maintenance Maturity Levels | https://www.gfmam.org/sites/default/files/2021-02/GFMAM Maintenance Framework - 2nd Edition Final.pdf | 组织成熟度（非技术分层） |
| ISO | ISO 20816-1:2026 | Mechanical vibration — Measurement and evaluation — Part 1 | https://www.iso.org/standard/89921.html | 振动宽带 10–1000 Hz |
| ISO | ISO 13373-1:2002 | Vibration condition monitoring — Part 1 | https://www.iso.org/standard/21831.html | 振动监测规程 |
| ISO | ISO 22096:2007 | Acoustic emission | https://www.iso.org/standard/40686.html | 声发射 20 kHz–1 MHz |