一、Predictive Maintenance 概述
预测性维护（Predictive Maintenance，PdM）通过分析设备运行数据（振动、温度、电流等 Telemetry 时序），在故障发生前预测异常趋势，提前安排维护，减少 Unplanned Downtime（非计划停机）。平台提供 Time Series 存储与 Rule Engine，支持 Threshold、Trend、Anomaly Detection 等分析能力，已为工业、能源等客户提供方案，支持与第三方 ML 模型对接，实现 Fault Probability 预测与 RUL（Remaining Useful Life）估算。
Time Series时序数据
Rule Engine规则引擎
Anomaly异常检测
ML 对接Fault / RUL
二、分析能力（Analysis Capabilities）
Rule-based / 基于规则
支持 Threshold、Trend 预警，如温度连续 3 天上升、振动幅值超限等。Rule Engine 可配置多条件组合，预警结果可触发 Work Order 或告警。
Anomaly Detection
基于统计或 ML 的异常检测，识别偏离正常模式的运行数据。支持对接第三方 ML 模型，输入历史数据输出 Fault Probability。
RUL / 剩余寿命
支持与 ML 平台对接，实现故障概率预测与 RUL 估算。预测结果回写平台后可触发工单或告警，形成 PdM 闭环。
三、典型 PdM 流程
Time Series 采集
Rule / ML 分析
预警 / Fault Probability
Work Order / 维护
四、数据基础与集成
| 能力 | 说明 |
|---|---|
| Time Series DB | 支持高并发写入与聚合查询，可为预测模型提供数据接口，支持按设备、时间范围导出训练数据 |
| 采样频率 | 建议关键设备提高采样频率，如振动数据每 10 秒采集一次，以满足 ML 模型输入要求 |
| ML 平台对接 | 支持对接第三方 ML 平台，将预测结果回写触发工单或告警 |
| 数据治理 | 提供预测模型选型、数据治理与模型部署支持 |
五、典型应用场景
工业、能源等客户通过 Predictive Maintenance 实现故障提前预警，将非计划停机率显著降低。平台时序库为预测模型提供高质量数据接口。达希物联可协助客户设计预测规则、对接 ML 模型，提供预测模型选型、数据治理与模型部署支持，欢迎联系获取定制化支持。