定义
故障预测（Fault Prediction / PHM，Prognostics and Health Management）指基于设备运行数据、历史故障模式与机器学习算法，在故障发生前预测设备潜在故障及剩余使用寿命的技术。故障预测可实现从"事后维修"到"事前预防"的转变，降低非计划停机、延长设备寿命、优化维护成本。与故障告警在故障发生后告警不同，故障预测侧重在故障发生前给出预警。
故障预测依赖持续的数据采集与设备状态监测，通过振动、温度、电流、通信质量等指标建立健康模型。跨境场景下，分布多国的设备需通过国际物联网卡将数据回传至统一平台，支持集中式故障预测与维护调度。
技术特点与架构
故障预测系统通常包括：数据采集——设备运行参数、环境参数、历史故障记录；特征工程——提取与故障相关的特征，如趋势、波动、异常模式；预测模型——基于统计方法、机器学习（如 LSTM、随机森林）或物理模型；预警输出——预测故障类型、发生概率、剩余寿命，触发维护工单或故障告警。
技术特点：支持多设备类型、多故障模式；支持在线与离线预测；可与故障排查、维护工单系统集成；支持模型持续优化。跨境场景下，需保障数据回传的稳定性，一卡多国能力可支持多国设备的统一接入。
在物联网与跨境场景中的应用
故障预测广泛应用于：工业设备——电机、轴承、泵阀等旋转设备的磨损预测；充电设施——充电桩功率模块、接触器、线缆的老化预测，跨境充电网络可提前安排维护；物流设备——冷链车制冷机组、追踪器电池寿命预测；通信设备——基站、天线、SIM 卡异常预测。达希物联为跨境物联网设备提供稳定连接，支持故障预测所需的数据回传与平台集成。
故障发生前的健康迹象
趋势、特征与剩余寿命估计
故障预测的技术含义，是在失效正式出现之前，根据运行量的趋势判断健康是否在变差。输入是温度、电流、振动、启动次数、通信重试等还能测到的量，输出是风险升高、可疑部件或一个带前提的寿命估计。估计必须说明依据的是哪段数据、哪种失效模式。没有失效模式，只能叫异常偏离，不能叫预测到了某个零件会坏。统计阈值、物理退化公式和机器学习模型都能用，但都要能指出是哪几个特征在起作用，否则现场无法核对。
需要连续且对齐的运行数据
使用条件是测点稳定、时间对齐、工况可比。同样的电流，在满载和空载下意义不同，模型若不知道工况，会把正常高峰当成退化。跨境设备的数据要能汇到做预测的那一侧，长时间断档不能用零填充。新装设备没有本机历史时，只能参考同类设备的基线，并标明置信度更低。预测结果适合进入维护计划，提前准备备件和窗口；它不应直接切断业务，除非同时满足已经写好的安全联锁。模型更新后要用旧数据回放，确认不会把过去的正常运行批量判成即将故障。
用少量样本直接下维修结论
容易出错的是设备刚上线几天就给出精确的剩余天数。样本不够时，随机波动会被看成趋势。另一类错误是只训练过某一型号的气候和环境，把模型原样用到高温、高湿或频繁漫游的地区，通信重试被解释成硬件老化。数据里已经有大量缺失，仍输出高置信结论。预测告警和真实故障告警用同一条通知，维修人员无法区分“可能要坏”和“已经不能用”。没有闭环记录更换了什么零件、之后指标有没有恢复，模型无法修正。与故障告警分工时，预测未命中不能用来关闭已经触发的现场故障。
输出必须带数据区间和工况。满载电流和空载电流不能放进同一条趋势。断档不能填零，填零会制造虚假的跌落。新设备没有本机历史时，只能对照同类基线并降低置信说明。模型换到高温、高湿或频繁漫游的地区前，要用当地数据回放，通信重试不应被解释成零件老化。预测适合提前安排备件和窗口，不直接切断业务，除非另有安全联锁。更换零件后的指标要记回模型，否则同样的误报会重复。已经触发的现场故障不因预测未命中而关闭。样本只有几天时，不要给出具体剩余天数。
预测工单里写明建议动作是检查、准备备件还是安排停机，避免执行人把所有高分都当成已经损坏。特征贡献要能查看，现场才能对照温度或电流是不是传感器本身异常。没有这条说明的分数，不应进入维修队列。