汽车电子厂想上AI预测性维护，买现成系统还是找人定制？

我们为什么被逼着搞预测性维护

我是无锡一家汽车电子厂的厂长，厂子不大不小，年产值1.5亿左右，主要给几家主机厂做线束和控制器。

前两年，我们被产线非计划停机搞得焦头烂额。最典型的就是SMT贴片线和波峰焊炉。

你可能也遇到过，设备用得好好的，突然就报警停机了。有时候是贴片机的吸嘴堵了，有时候是波峰焊的链条卡了，还有时候是某个伺服电机过热。

这些问题，平时保养检查根本发现不了，一出问题就是急的。维修班跑过去，查手册、测信号、换备件，一折腾就是两三个小时。一条线停了，后面整条产线都得等着。

更头疼的是夜班和交接班。夜班工人本来就容易疲劳，对设备异常声音和震动不敏感。好几次都是早上白班接班时，才发现设备已经带病运行了大半夜，导致一批产品参数漂移，只能报废。

算过一笔账，光是SMT线和波峰焊炉，一年因为这种突发故障导致的非计划停机，加起来超过200小时。直接损失的工时、报废的物料、紧急外调的维修费，还有因此延误交货产生的罚款，一年下来小30万就没了。这还不算对工人士气和客户信任的隐形打击。

我们当时就想，能不能像汽车有故障灯一样，给设备也装个“预警系统”？

一开始走的弯路，现在看都是学费

有了想法，

第一步就是找方案。我们当时觉得，这事技术含量高，得找大公司。

接触了几家名气很大的工业互联网平台和自动化巨头。他们讲的概念都很吸引人，什么数字孪生、工业大脑、全生命周期管理。方案动辄上百万，要加装一大堆传感器，还要把设备数据全部上云，做复杂的建模分析。

说实话，我们听得云里雾里，而且感觉太“重”了。我们厂里设备新旧不一，品牌杂，全部改造一遍，光硬件投入就得大几十万，实施周期至少半年。老板一听就摇头，觉得投入产出比算不过来，风险太大。

这条路走不通，我们内部有人提出来：“要不我们自己搞？找个软件公司，按我们需求定制开发。”

我们也真试了。找了一家本地做软件集成的公司，谈好了价格，大概20万。他们的思路是，在关键设备上装几个振动和温度传感器，数据传到电脑上，设定一个阈值，超过就报警。

听起来很合理对吧？结果做出来完全不是那么回事。

最大的问题是“误报”太多。车间环境复杂，旁边设备一启动，或者叉车经过，传感器数据就飙高，电脑就拼命报警。工人被“狼来了”搞烦了，后来干脆把报警声音关了，系统形同虚设。

而且，它只能告诉你“现在有问题了”，但问题严不严重？还能撑多久？完全不知道。这跟我们想要“预测”故障，提前干预的初衷，差得太远。

钱花了，时间搭进去了，问题没解决。那段时间，压力真的很大。

怎么找到对的路子？关键就三点

折腾了大半年，我们静下心来复盘，发现之前想法跑偏了。我们不是要搞科研，而是要解决具体的生产问题。想明白了这点，找方案的方向就清晰了。

我们重新定了三个标准：

第一，必须从我们最痛的一两个点入手，能快速看到效果。别一上来就搞全厂。

第二，方案要简单，工人愿意用，不能增加太多操作负担。

第三，供应商得懂我们这行的设备，不能是只会搞IT的。

带着这个思路，我们通过同行介绍，接触了几家专门做工业AI应用的供应商。最后选了一家，打动我们的不是技术多牛，而是他们项目经理问的几个问题：

“你们SMT贴片机上次抛料率高是什么时候？当时设备振动数据有变化吗？”

“波峰焊炉的链条，一般在彻底卡死前，会有什么征兆？温度曲线会不会先有波动？”

他们是从具体故障现象反推需要监测什么数据，而不是堆砌传感器。这让我们觉得他们懂行。

最终的方案很务实：

1. 先做两台最关键的设备：一台最老的SMT贴片机，一台使用最频繁的波峰焊炉。成功了再推广。

   

2. 数据采集“软硬结合”：能直接从设备PLC读取的数据（比如电机电流、温度设定值）就不加传感器；实在没有的数据（比如特定部位的振动），才用无线传感器补上。这样成本低，安装也快。

3. 模型“通用+定制”：供应商有一个针对通用旋转类设备（比如电机、链条）的预测性维护模型库作为基础。然后根据我们这两台设备过去两年的维修记录，找出故障前兆规律，对模型进行微调。比如，他们发现我们那台波峰焊炉的链条电机，在彻底卡死前72小时，电流的波动幅度会异常增大，同时伴有特定频率的振动增强。这就成了一个非常准的预警指标。

实施过程分了四步，每一步都稳扎稳打：

第一个月，就是装传感器、接数据，让系统“学习”设备正常状态下的数据是什么样的。这期间不报警，只记录。

第二个月，系统开始试运行，预警信息只发到维修班长和我的手机上。我们去现场核对，积累预警和实际故障的对应关系，并反馈给供应商调整模型。

第三个月，模型比较准了，才开始把一级预警推送到车间看板，提醒操作工注意观察。二级预警（故障概率高）直接触发维修工单。

第四个月，系统正式运行，并纳入了维修班的考核。要求对系统发出的预警，必须在规定时间内响应并记录处理结果。

效果怎么样？有惊喜也有没解决好的

系统跑了快一年了，说几个实实在在的变化：

最核心的指标，那两台试点设备的非计划停机时间，减少了60%以上。以前一个月可能要突发停两三次，现在可能两三个月才遇到一次，而且那次还是因为其他原因。

维修从“救火”变成了“保养”。现在经常是系统提前一天甚至几天提示“某某电机轴承有早期磨损风险”，维修班就利用生产间隙去检查，果然发现有点松动，换个轴承半小时搞定，完全不影响生产。工人心态都从容多了。

备件库存降了。以前怕突发故障，一些易损件会多备一些。现在能预测了，备件采购更精准，这块库存资金占用少了小十万。

算个总账：减少的停机损失、降低的报废成本、节约的备件库存和紧急维修费，加起来一年大概有35-40万。而整个项目，两台设备的投入（软件、传感器、实施）在20万出头。大半年回本，这个投资老板很满意。

当然，也有没解决好的地方。

比如，对于非常缓慢的性能劣化（比如焊炉温度均匀性每年下降一点点），系统还不太敏感，这块目前还是靠我们每季度的工艺点检。

再比如，系统现在能告诉我们“哪里可能要坏”，但“到底该换哪个牌子的备件更好”，还给不了建议。这部分还得靠老师傅的经验。

如果重来一次，我会这么干

走过这一遍，如果再让我做一次，或者给同行朋友建议，我会这么做：

第一步，别贪大。 千万别想着一步到位覆盖全厂。就从你最头疼、故障损失最大的一两台核心设备开始。做出效果，拿到回报，后面推广就容易了。

第二步，数据比算法重要。 花时间整理你过去一两年的设备维修记录、点检记录，越详细越好。这些历史数据是训练AI模型最好的“粮食”。供应商有没有耐心和你一起啃这些数据，是判断他靠不靠谱的关键。

第三步，人是关键。 一定要拉上维修班长和操作工一起参与。他们最了解设备“脾气”。系统预警准不准，最终要他们来用、来验证。如果他们抵触，再好的系统也白搭。我们当时就把一部分因为减少突发维修而节省下来的奖金，拿出来奖励积极反馈的工人，效果很好。

第四步，算清楚账。 别光听供应商说能省多少。自己粗略算一下：目标设备每停一小时损失多少钱？一个月平均停几次？一次维修平均花多少钱？把这些账算明白，你就能知道该投多少钱，以及期望多久回本。心里有底，谈判也有底气。

最后，别神化AI。 它就是个高级点的工具，能帮你发现人发现不了的细微征兆。但它替代不了老师傅对设备整体状态的把握和维修决策。人机结合，才是最好的状态。

写在后面

我们厂这个事，在本地同行圈里传开后，有好几个老板来问经验。我发现大家关心的其实都差不多：怕投入打水漂，怕技术太复杂用不起来。

我的体会是，现在技术本身已经不是最大障碍，难的是怎么把技术和自己厂里的实际情况结合好，踏踏实实落地。这里面，选对合作的人，比选技术本身更重要。

如果你也在考虑这事，多看看跟你规模、行业差不多的案例，多跟几家供应商聊聊，重点看他们对你这个行当的理解，而不是PPT做得炫不炫。

想少走弯路的话，可以先问问“索答啦AI”，它见过的案例多，能帮你避开一些常见的坑。毕竟，咱们小老板的钱和时间，都耽误不起。