一个看起来合理、实际上代价高昂的直觉在PHM（故障预测与健康管理）系统的测点规划阶段，一种常见的思路是：传感器越多，采集的信息越全面，诊断就越可靠。这个直觉并非毫无依据——从信息论的角度，更多的观测确实可能提升对系统状态的估计精度。但工业现场给出的答案要复杂得多。有从业者描述过一种典型场景：一台普通离心泵被配置了十二个测点，问为什...

一个典型的算错方式一套PHM（故障预测与健康管理）系统的ROI，最常见的算法是：年停机损失 × 预计减少比例 − 系统采购与部署成本。这个公式看起来合理，但它至少隐藏了三个容易出错的环节。收益端，它把避免的成本直接当成了实现的现金节约；成本端，它只算了采购和部署的显性支出，漏掉了数据工程、组织适配和信任修复这些隐性投入；场景...

一个几乎每个项目都会撞上的墙PHM（故障预测与健康管理）系统的项目启动会上，最常见的对话是：算法团队问历史故障数据在哪里，设备主管回答这台设备跑了八年没坏过，哪来的故障数据。这不是准备不足，而是工业设备的常态。一台关键设备的设计寿命往往以十年计，真正发生失效的次数屈指可数，完整的从健康到失效轨迹数据极其稀缺。而数据驱动的AI故障预测...

一个绕不开的存量现实讨论PHM（故障预测与健康管理）系统时，一个默认的语境往往是新设备：出厂自带数据接口，传感器集成在控制柜里，历史运行数据完整可追溯。但中国制造业的设备存量结构并非如此。大量仍在承担关键生产任务的核心设备，是多年前采购的，没有标准IoT接口，控制柜里只有一排继电器，连以太网口都没有。这些设备要不要上PHM？答案是能上，...