写这篇文章的起因是上个月一个读者的私信。他是浙江一家做紧固件的小厂老板，全厂两百来人，看了不少预测性维护的文章，心潮澎湃，然后一问方案报价——传感器加平台加实施，80万起步。他问我：小厂是不是就跟预测性维护无缘了？
我的答案是：无缘的是那种"一步到位"的方案，不是预测性维护本身。过去两年我帮三家不同行业的中小厂在10万上下把这事做起来了，方法其实很土，但管用。这篇就聊聊这条务实路线。
先转变一个观念：你要的不是"系统"，是"少停两次机"
小厂做预测性维护，最怕一上来就想着上平台、上大屏、上数字孪生。我们算过一笔账：一家年产值5000万左右的厂，关键设备非计划停机一次，直接加间接损失大概3-8万。一年减少5-8次停机，就是30-50万的收益——这已经够覆盖你全部投入还有富余了。
所以目标要窄：挑出那台最疼的设备，让它别突然趴窝。就这么简单。三家厂我都是这么开局的：第一家里选的是唯一一台进口五轴加工中心，第二家选的是全厂供气的螺杆空压机，第三家是隧道窑的风机。
别贪多。设备选多了，每台的数据都浅，反而什么都诊断不出来。
10万块钱怎么花：一份真实清单
以第二家（空压机项目）为例，我把账摊开：
- 振动+温度传感器（一体化无线款，4只）：1.2万
- 边缘网关（4G上传，含天线）：3000
- 二手工控机一台：2000
- 数据存储和看板：InfluxDB 2.7 + Grafana 10.x，全开源，0元
- 三个月的外部技术支持（我自己按朋友价）：3万
- 剩下的钱留着当第二年的传感器补货和运维
总共不到5万就把架子搭起来了。剩下的一半预算干嘛？花在人上：给设备科两个师傅各买一套好书和一门振动分析网课，再请检测机构的工程师来做一次现场基线测试，把所有测点的正常频谱存档。
这笔"人"的钱千万别省。说实话，小厂预测性维护失败的头号原因不是技术，是没人看数据、没人信数据。
技术路线：三板斧，别碰深度学习
你可能会问：不上AI模型，那叫什么预测性维护？我直说：如果你数据量不到10万条、故障样本不超过个位数，深度学习就是给自己挖坑。小厂的正路是三板斧：
第一板斧，频域包络分析。这是轴承诊断的看家本领，规则明确、可解释，老师傅能看懂频谱图上的BPFO、BPFI峰值就是服气。一段Python代码就能跑：
# 包络谱提取：教科书代码有个坑，重采样频率别设太高 def envelope_analysis(sig, fs, band=(2000, 8000)): # 带通滤波 → 希尔伯特变换取包络 → 低通 → FFT sos = scipy.signal.butter(4, band, 'bandpass', fs=fs, output='sos') filtered = scipy.signal.sosfiltfilt(sos, sig) env = np.abs(scipy.signal.hilbert(filtered)) # 注意这里有个细节：包络解调后要下采样到 fs/10， # 否则包络谱分辨率不够，故障边频带挤在一起看不清 env_ds = scipy.signal.resample_poly(env, 1, 10) return np.abs(np.fft.rfft(env_ds * np.hanning(len(env_ds))))踩坑提醒：带通频段一定要参考轴承型号算特征频率，别照抄网上的默认值。我们第一个版本抄了别人的频段，把外圈故障判成了保持架，还好人工复核拦下来了。
第二板斧，趋势报警。RMS值、温度做移动平均+3σ，超趋势就预警。土，但在缓变故障上非常有效。
第三板斧，简易健康评分。把几项指标归一化加权合成一个0-100的分数，让厂长每天在微信里看到"今天83分"。别笑，这个分数对推动管理层重视的作用，比任何算法都大。
一个真实的时间线和结果
2025年11月立项，12月装传感器，2026年1月开始积累基线数据，3月第一板斧上线，5月成功预警了空压机主轴承的早期点蚀——包络谱上BPFO峰值连续两周爬升，提前12天报出，检修安排在周末低谷期，停机只花了4小时。那一单省下来的损失，老板说差不多够覆盖整个项目了。
当然也有失败的地方得交代：原计划给同厂两台普通车床也装监测，试了两个月放弃了——切削工况本身的振动变化比故障特征还大，工况分离做不动，10万预算里没人力去搞这么细。这告诉我们：不是所有设备都值得监测，高价值+故障模式明确才是入围标准。
最后说两句。小厂做预测性维护，本质是花小钱买"确定性"：知道自己哪台设备最危险，知道该在什么时候安排检修。别跟大厂比平台，比也没意义。先把最疼的那台设备看住，跑出第一单省下来的钱，后面的路自然就宽了。
一点碎碎念：技术从来不是门槛，观念才是。把"上系统"换成"少停机"，你的预算瞬间就够用了。
