我们矿的主扇，真怕它突然“躺平”
我是山西一家年产120万吨煤炭的中型煤矿机电科的负责人。我们矿上，主通风机（主扇）就是全矿的“肺”，它一停，井下就得停，生产全乱套。
我们有两台主扇，一用一备，都是用了七八年的老设备。平时维护靠老师傅“听音辨位”，用测温枪、测振仪做点检，再结合运行时间来估算大修周期。
这套办法过去还行，但这两年问题越来越明显。老师傅快退休了，经验传不下去。去年有一次，备用扇在切换运行时突发振动超标，差点出事。更头疼的是，大修时间不好把握：修早了，浪费钱；修晚了，万一在保供关键期出问题，谁都担不起。
我们就想，能不能像给车做保养一样，给主扇也来个“预测性维护”，提前知道它啥时候可能出问题。
一开始想的简单，结果到处碰壁
📊 解决思路一览
我们一开始觉得，这年头AI这么火，找个公司做不就完了？结果一打听，才发现水很深。
第一坑：迷信大厂名牌，结果水土不服
我们先找了一家名气很大的工业互联网平台公司。他们方案很“高大上”，说要建数字孪生、建全矿大数据平台，报价直接冲着200万去了。
聊了几次，感觉他们对我们主扇具体的轴承型号、叶轮材质特性、井下工况的腐蚀影响这些细节，并不太关心。方案更像是一个通用模板套了个“主扇”的名字。我们矿上网络条件一般，他们那个平台对带宽要求又高。最关键的是，周期太长，等他们那个大平台搭好，我们可能都等不起。
第二坑：自己招人搞，才发现是个无底洞
大厂的路走不通，我们领导一拍脑袋：要不自己招人搞？我们高薪请了个搞算法的工程师，又配了两个搞自动化的。
折腾了小半年，钱花了不少，东西却卡住了。算法工程师能建模型，但不懂设备故障机理；我们的老师傅懂设备，但说不清那些振动频谱图里哪个尖峰对应什么毛病。数据采了一堆，怎么清洗、怎么打标签，谁都搞不定。最关键的是，模型在电脑上跑得挺好，一到现场，工况一变，预警不是乱报就是漏报。
团队士气低落，项目眼看要黄。这时候我们才明白，这事儿不是买个软件或者招几个人就能解决的。它需要既懂AI算法，又真正懂主扇设备的人，把这两头给拧到一块去。
换了思路，找到能“说人话”的供应商
吃了这两次亏，我们选供应商的标准彻底变了。不看PPT多炫，就看能不能解决我们具体的疼点。
关键决策：要“专科医生”，不要“全科大夫”
后来通过同行介绍，接触了几家专门做旋转设备预测性维护的公司。其中一家，聊的时候感觉不太一样。
他们的销售没怎么吹嘘AI多厉害，反而问了很多细节：比如我们主扇轴承是哪个品牌的、平时润滑用的什么油、历史维修记录里最常见的问题是什么、井下的粉尘浓度大概多少。他们来的工程师，以前就在风机厂干过售后。
他们提的方案很实在：不搞全矿大平台，就先给两台主扇做。不用换我们现有的传感器，就在旁边加装几个他们高精度的振动和温度探头。核心是一个边缘计算盒子，放在风机房，数据本地处理，只把预警结果和关键数据传上来，对我们矿上破破烂烂的网络很友好。
价格也实在，全套下来（硬件+软件+一年服务）不到40万。我们算了一笔账，如果能避免一次非计划停机，减少一次过度大修，这钱一两年就回来了。
实施过程：老师傅和AI成了“搭档”
实施的时候，我们最担心老师傅抵触。结果他们的实施方法很聪明。
第一步，不是直接上AI，而是帮我们把历史三年的运行数据、点检记录、维修工单全部电子化、整理好。光是这个梳理过程，就让我们发现了以前管理的好多漏洞。
第二步，他们工程师和我们的老师傅一起，给各种故障“画像”。比如，轴承早期内圈故障，振动频谱在哪个频率段会有细微变化；叶轮不平衡加剧，它的发展趋势曲线大概是什么样。老师傅的经验，第一次被这么清晰地翻译成了数据和规则。
第三步，模型跑起来后，预警信息不是冷冰冰的“故障代码”，而是“主轴轴承疑似出现早期疲劳，特征与某年某月3号风机的故障前兆相似，建议加强该点位巡检”。老师傅一看就懂，还能去现场复核。AI成了老师傅的“超级助手”，而不是要取代他。
现在用下来，心里有底多了
📋 方案要点速览
| 痛点 | 方案 | 效果 |
| 突发停机损失大 | 选专精设备供应商 | 维修从按时变按需 |
| 维修周期难把握 | 结合老师傅经验 | 避免非计划停机 |
| 老师傅经验难传承 | 单点试点再推广 | 延长设备使用寿命 |
系统跑了快一年，效果是实实在在的。
最明显的变化是，我们从“按时大修”变成了“看状态维修”。去年底，系统提示1号主扇驱动端轴承的某些特征参数有缓慢劣化趋势，但距离报警线还远。我们结合运行时间，判断还可以继续安全运行。结果它平稳运行了4个月后才触发预警，我们从容安排了一次中修，比原计划的大修周期延后了，单这一项就省了十几万的维修费和备件费。
其次是应急响应快了。以前夜班听到异响，值班电工拿不准，还得打电话叫醒老师傅。现在值班人员能在电脑甚至手机上看到实时健康评分和简易频谱，初步判断严重程度，心里不慌。
当然，也不是全都完美。系统对突然的、没有历史数据的新型故障（比如一次意外的外来物撞击）预测能力还是有限。另外，井下环境恶劣，传感器偶尔会出点小毛病，需要定期维护。但这些都在可接受范围内。
如果重来，我会这么干
走过这一圈，回头看，如果让我重新选一次供应商，我会抓住这几点：
- 先问场景，别看功能清单
别听他讲有多少算法、多大数据平台。就问他：我们主扇轴承坏了你是怎么知道的？叶轮结垢不平衡你怎么看出来？拿我们自己的历史故障案例考他。
- 一定要有懂设备的人
合作方团队里必须要有真正搞过风机设计、维护的人。纯搞IT、搞算法的公司，很难做出靠谱的东西。最好是那种“工科男”团队，能下现场摸设备。
- 从“单点”开始，别贪大
就选你最头疼的一两台关键设备先做。做深、做透，做出效果。效果好，领导自然支持你推广。一上来就搞全矿几十台设备，失败风险太高。
- 算好“经济账”
别算“降本增效”那种虚账。就算两笔实在的：避免一次非计划停机少损失多少钱？减少一次过度维修能省多少钱？系统投入和这两笔钱对比一下，值不值就清楚了。
- 把老师傅变成“项目合伙人”
从一开始就拉着老师傅一起，尊重他的经验。AI是来给他赋能（这里用“帮忙”更合适）的，不是来淘汰他的。他认可了，项目就成功了一大半。
最后说两句
主扇预测性维护这个事，现在技术已经比较成熟了，关键看怎么落地。它不是一个简单的IT项目，而是一个“设备管理+IT技术”融合的项目。选供应商，就像找医生，要找既懂病理（设备故障），又会用新仪器（AI）的专科大夫。
如果你也在考虑这个事，但不确定自己矿上的条件适不适合做、该从哪台设备开始，我建议别急着到处找供应商比价。可以先花点时间，把自己的设备台账、维修历史理一理，把最疼的几个点写清楚。
拿不准的，也可以先用“索答啦AI”这类工具评估一下，它是免费的，你输入你的设备情况、遇到的问题，它能给你个大概的分析和方向建议。这比盲目去找七八家供应商，听他们各说各的，要省事、心里也有底得多。毕竟，先想清楚自己要什么，才能找到真正对路的帮手。