定义
Predictive Maintenance（预测性维护）基于设备 Telemetry 与 RUL 剩余寿命预测模型，在故障发生前安排维护，降低非计划停机。与 Preventive Maintenance 定期维护相比，更精准、更节省成本。
数据基础与模型
预测性维护依赖 Time Series DB 时序库中的设备遥测数据，结合 RUL 剩余寿命、Device Health Score 设备健康分等模型输出。模型可基于振动、温度、电流等传感器数据，采用机器学习（LSTM、Transformer）或物理模型进行训练。设备管理平台需提供数据管道、模型部署、预测任务调度及结果存储能力，支持批量预测与实时推理。
与 DMP 的集成
平台将 RUL、健康分等预测结果与 Maintenance Schedule 维护计划、Work Order 工单联动。低 RUL 或健康分下降可自动创建维护工单、触发告警；支持按预测结果优化 Maintenance Window 维护窗口排期。与 Preventive Maintenance 结合时，可形成「固定周期 + 按需提前」的混合维护策略，在保障可用性的同时降低过度维护成本。
应用场景
适用于轴承、电机、电池等关键部件的寿命管理；风电、轨道交通、工业产线等对可用性要求高的场景。预测性维护是工业 4.0、智能运维的核心能力，可显著降低非计划停机与维护成本。
寿命估计和阈值告警的差别
预测性维护给出的是“照目前的退化方式，还要多久会超出可用范围”这类估计，以及因此建议的维护时机。它依赖一段连续的测点、一个说明这些测点如何反映退化的模型，以及把模型输出转成维护动作的规则。阈值告警只回答现在有没有越过某条线；寿命估计试图在越过之前给出时间。估计必然带有适用条件：训练时见过的负载、温度和安装方式之外，输出不应被当成同样可信。所以结果里除了剩余时间或健康趋势，还应能看到所用模型、输入是否齐全、以及这次估计的生成时间。缺测点时输出“未知”，比输出一个看起来精确的天数更诚实。它不替代已经发生的故障处理，设备已经停了，就应走诊断和修复，而不是再等一个预测周期。故障诊断解释已经出现的现象，预测讨论的是尚未发生的退化，两套记录不要写成同一条告警。
估计结果可以驱动工单的条件
自动生成维护任务之前，输入测点应连续、单位稳定、时间对齐，并且现场工况与建模时约定的范围相近。模型要有版本，旧设备历史用旧版本重放时才能复现。输出要经过一段时间的人工对照，确认提前量和误报可以被现场接受，再允许自动开单。开出的单应写明触发它的估计值和模型版本，完工后把实际发现回写，用来决定下一版模型是否要收窄范围。估计缺失或输入质量差时，应退回到既有的定期保养，而不是停掉所有维护。备件和停机窗口仍由人安排，模型只提供时机建议。与事件流衔接时，可以用一次“建议维护”的事件承载这次估计，但不要在每次分数轻微波动时都新建事件。没有回写实际结果的闭环，自动化只会不断重复同一个未经检验的建议。
训练工况和现场已经偏离
模型用实验台的恒定负载训练，现场却频繁启停，剩余时间会偏得没有方向。传感器更换或移位后仍沿用旧模型，输入含义变了，输出却继续被当成同一指标。缺失值被填成零，模型把“没有读数”理解成“状态极好”或“已经损坏”。只在故障前很短的数据上训练，平时的正常波动都会被判成即将失效，工单大量增加，现场开始忽略。自动开单没有冷却时间，同一台设备每天一张单。模型更新后没有版本标记，报表里的历史趋势无法解释为什么同一台设备的剩余时间突然变长。把估计天数直接写成承诺的无故障期限，一旦提前损坏，规则本身没有留复核余地。输入延迟到达时用旧特征计算，设备状态已经变了，单仍按过期特征发出。多个部件的估计被合成一个设备分数后再反推是哪一个部件，现场无法备件。