预测性维护：为前瞻性维护而生的数据平台
非计划停机是制造业中最昂贵的时间——而其中大多数都有先兆：不断上升的振动值、逐渐漂移的电流、持续升高的温度。预测性维护（Predictive Maintenance）把这些先兆变成可计划的维护。然而大多数项目并不是折在模型上，而是折在模型之前——折在基础设施上：状态数据根本没有被采集，历史数据缺失，洞察也从未到达维护团队。
本指南介绍如何使用 IronFlock 为预测性维护打好地基——从传感器改造加装、数据历史，一直到告警和 AI 智能体。
问题：预测性维护很少败在分析上
几乎每个项目都会遇到四道坎：
- 没有状态数据。 存量机器上往往根本不测量振动、电流和温度——而控制器掌握的数值也从不离开配电柜。
- 没有历史。 只有与正常状态对比才能识别异常。没有长达数月、完整无缺的时序数据，就没有任何参照点。
- 每台设备一座孤岛。 与厂商绑定的状态监测系统只监控一台机器——而不是整个设备群，更谈不上跨站点。
- 最后一米缺失。 一个没人收到的预测阻止不了任何故障。洞察必须以告警、仪表盘或工单的形式到达团队。
第 1 步：采集状态数据——存量机器也不例外
数据基础由工厂数据提取的 Collector 应用建立，它们以容器形式运行在机器网络中的边缘 PC（网关）上：
- 通过 IO-Link 改造加装。 IO-Link Collector 接入加装的振动、电流、压力和温度传感器（例如来自 ifm、Balluff 或 Pepperl+Fuchs）——支持自动传感器识别和自动 IODD 解码，无需账户、无需 API 密钥。存量机器由此获得状态数据，而无需触碰控制器。
- 来自控制器的数值。 Industrial Collector 从 PLC 和变频器中读取电流、转速和状态——OPC UA 和 Modbus 现已可用，西门子 S7 和 Allen-Bradley 处于 Early Access 阶段。访问默认只读：Collector 绝不向设备写入。
- CNC 机床。 MTConnect Collector 提供机床的状态、程序和轴数据。
所有测量值都会被规范化——命名、带单位、时间戳、质量标记和语义类型——并在连接中断时本地缓冲。设备代理让网关持续在线并可远程管理。
第 2 步：积累历史——存在您自己的数据库中
每个项目都会获得一个专属的 TimescaleDB 时序数据库作为单一事实来源。对预测性维护而言，这意味着：
- 跨越数月乃至数年的完整时序数据——正是有了这份参照，异常才变得可识别。
- 数据主权。 项目所有者就是数据所有者，而不是应用开发者。授予分析伙伴的访问权限细粒度分配，随时可撤销。
- 开放标准。 标准 TimescaleDB 和开放格式，而非厂商锁定——现有的分析工具可以直接对接。
第 3 步：从阈值到 AI 智能体
预测性维护不必从机器学习开始。IronFlock 支持分阶段入门：
- 第 1 级——阈值与告警。 集成的告警系统按严重级别（Minor、Major、Critical）定义条件来监控实时遥测数据，并通过邮件或短信通知——例如振动超出基于 ISO 经验值的界限时。自动恢复和备注功能一应俱全。
- 第 2 级——可见性与趋势。 在 Board Studio 中无需代码即可构建趋势仪表盘：振动曲线、按周对比的电流消耗、按设备拆分的图表。异常漂移在阈值被突破之前就已显现。
- 第 3 级——作为应用的分析。 分析应用通过跨应用数据访问以只读方式建立在积累的历史数据之上——一个分析振动、电流和温度历史的预测性维护应用，正是这套架构有文档记录的典范案例。此类应用可以从 App Store 安装，也可以自行开发。
- 第 4 级——AI 智能体。 通过 Physical AI，您可以用自然语言询问您的状态数据；应用还可以自带应用智能体，用来解释故障预测、解读异常评分并提出维护建议。应用一经安装，这些能力就会自动出现在 AI 助手中——无需任何配置。
注意： 分析和预测模型被有意设计为应用——而不是平台的黑盒。这样就始终清楚是哪套逻辑在哪些数据上工作，专家的领域知识也能以应用的形式引入任何项目。
典型的状态量——以及它们能说明什么
哪些量值得作为切入点，取决于设备本身。经典选项一览：
| 状态量 | 典型指示 | 采集方式 |
|---|---|---|
| 振动 | 旋转部件的轴承磨损、不平衡、对中误差 | IO-Link 振动传感器，加装在轴承座上 |
| 电流 | 机械负载上升、驱动磨损、部件卡阻 | 通过 OPC UA/Modbus 读取变频器，或 IO-Link 电流传感器 |
| 温度 | 过载、润滑问题、冷却失效 | IO-Link 温度传感器或控制器数值 |
| 压力/流量 | 滤芯堵塞、泄漏、液压与气动系统中的泵磨损 | IO-Link 传感器或既有过程值 |
| 循环次数与运行小时 | 从基于日历转向基于使用情况维护的基础 | 通过 Collector 读取 PLC 或 CNC 计数器 |
有两点让这份清单切实可行：其一，所有量都以同一套规范化结构存储——一个趋势 Board 或一个告警，对振动和对压力同样适用。其二：不要一口气全上。在最关键的设备上把一个量采集扎实，胜过十个没有历史的量。
面向机器制造商：把预测性维护作为服务推向市场
机器制造商可以把前瞻性维护作为数字化服务来提供——预测性维护正是应用分发者有文档记录的标杆案例之一：您提供边缘逻辑和领域知识；应用分发、带回滚的更新、安全远程访问、消息传递和数据存储由平台提供。借助部署选项，同一个服务可以运行在云端、客户现场的 Appliance 上或客户的私有云中——无需修改代码。
常见问题
入门需要哪些数据？
比通常想象的要少。每台设备只要有一个持续采集的量——电流、振动或温度——积累几周历史后，就能得到可靠的趋势和合理的告警阈值。随时可以扩展：Collector 使用共同的表结构，仪表盘和分析会随之生长。
我必须自己开发机器学习模型吗？
不必。分阶段入门从阈值告警和趋势仪表盘开始——完全不需要模型。分析以应用的形式加入：来自 App Store、来自专家，或自行开发。这些应用的 AI 智能体随后会自动出现在助手中，回答有关异常和维护建议的问题。
没有现代接口的存量机器也能用吗？
能——这恰恰是最常见的情况。加装的 IO-Link 传感器（振动、电流、温度）会被自动识别和解码，无需干预控制器。凡是控制器数据可用的地方，还可以通过 OPC UA、Modbus 或 MTConnect 作为补充接入。
采集和分析在哪里运行——云端还是边缘？
采集始终在边缘进行，以容器形式运行在机器网络中的网关上，连接中断时本地缓冲。历史数据和分析存放在项目数据库中——可选择在云端（欧盟数据中心）、本地网络中的 Appliance 上或您的私有云中。所有模式的功能范围完全一致。
下一步
务实的起步方式：按照快速入门指南连接一台网关，安装 IO-Link 或 Industrial Collector，把第一个状态量放上 Board——在演示模式下甚至不需要硬件。各组成部分的详细信息：工厂数据提取、IoT 告警和 Physical AI。