微物联研究院
直接回答
四种维护策略——事后修、定期修、状态修、预测修——它们的区别不在"修不修"，而在什么时候修、凭什么决定修。
- 事后修：坏了再修，不管它；
- 定期修：按时间或次数一刀切，到点就修；
- 状态修：看到异常信号才修；
- 预测修：用连续数据预测剩余寿命，在最佳窗口修。
关键跃迁是从"时间/阈值触发"变成"趋势预测"。前三种都是"出了事再反应"，只有预测修是"在出事之前主动安排"。它的前提不是算法多先进，而是你有没有连续时序数据——没有数据，预测修就是空话。
一、四种维护策略的本质区别
| 触发方式 | 决策依据 | 成本特征 | 风险 | |
|---|---|---|---|---|
| 事后修 | 故障发生后 | 坏了才知道 | 直接维修成本低 | 停机损失大 |
| 定期修 | 时间/次数到了 | 日历或运行小时 | 过度维修浪费 | 修了不该修的 |
| 状态修 | 参数超阈值 | 报警信号 | 按需维修 | 漏判（趋势已坏但阈值没到） |
| 预测修 | 趋势预测 | 剩余寿命模型 | 精准维修 | 需要数据和模型 |
这四种不是"新的取代旧的"，而是叠加关系。一个成熟的运维体系，四种同时存在：关键设备用预测修，一般设备用状态修，不重要的用事后修，安全相关的用定期修（法规要求）。
二、事后修：坏了再修的代价
事后修（Run-to-Failure）听起来原始，但它在某些场合是合理选择。
适合事后修的场景：
- 设备便宜、更换容易（灯泡、风扇）；
- 故障不影响安全（备用电源的一个指示灯）；
- 冗余配置（N+1 系统，坏一个还有备份）。
不适合事后修的场景：
- 关键回路断路器——坏了直接停电或起火；
- 消防泵——坏了就是火灾失控；
- 母线接头——松动发展到起火可能只要几天。
事后修的隐性成本是停机时间。一个关键设备故障导致非计划停机，损失可能是维修成本的 10~100 倍。某园区配电柜一个断路器触点烧蚀，事后修花了 800 元，但生产线停了 4 小时，损失 12 万。
三、定期修：一刀切的浪费
定期修（Preventive Maintenance）是目前大多数企业的做法：每年停电大修一次，按时间紧螺丝、换部件、测绝缘。
它的好处是确定性——你知道什么时候会检修，能安排计划。但它的问题是过度维修：
- 螺丝本来没松，紧一遍浪费人工；
- 部件还能用，换下来浪费物料；
- 绝缘还很好，测一遍浪费时间。
更隐蔽的问题是：定期修本身会引入故障。你拆开一个运行正常的接头，再装回去，反而可能因为力矩不对、接触面污染而埋下隐患。某机场航站楼配电系统，年度大修后一周内出了 3 起接头发热——都是大修时紧螺丝力矩不均造成的。
定期修适合法规强制的场合：消防设备、起重机械、压力容器。这些场合不管设备状态如何，到点必须检——这是安全要求，不是效率问题。
四、状态修：看到异常才动手
状态修（Condition-Based Maintenance）是定期修的进化版：不靠日历，靠设备状态。
你装传感器，监测温度、振动、绝缘电阻、电弧事件。参数超过阈值，就报警；报警了才派人去修。没报警，就不动它。
这比定期修省了很多"过度维修"的成本。但它有一个致命弱点：阈值是静态的。
举例：一个母线接头，正常温度 35℃，阈值设 60℃。它从 35℃ 慢慢爬到 55℃，爬了三个月——没报警。但它的趋势已经坏了（正常接头温度应该是平稳的）。等它到 60℃ 报警时，已经离起火不远了。
这就是"阈值盲区"：设备还在阈值以下，但趋势已经不对了。千知引擎的 CUSUM 趋势预警就是补这个盲区——它不看绝对阈值，看偏离基线的累积量。温度从 35℃ 爬到 45℃，虽然还没到 60℃，但 CUSUM 检测到偏离基线 10 个标准差，提前报警。
五、预测修：在最佳窗口检修
预测修（Predictive Maintenance）是状态修的进阶：不仅看现在的状态，还预测未来会坏在哪里、什么时候坏。
它的核心是剩余寿命预测（RUL, Remaining Useful Life）。模型基于连续时序数据：
- 温度趋势线斜率在变大 → 接触电阻在加速恶化；
- 电弧事件频次每周翻倍 → 松动在加速；
- 绝缘电阻每年下降 5% → 按这个斜率，3 年后会跌破安全线。
有了 RUL，运维就不是"等报警"，而是提前安排：这个接头预计还有 60 天寿命，安排在下个月的检修窗口处理——不用紧急抢修，不用停机等备件。
某港口变电所，用 FEXLINK-BMS 母线监测系统连续监测母排温度。天衍引擎发现 3 号母排接头温度斜率在过去 30 天从 +0.1℃/天 升到 +0.5℃/天，预测剩余寿命 45 天。太一智控自动生成工单，安排在两周后的夜间窗口处理。处理时拆开一看，搭接面已经氧化发黑——再晚两周就可能出问题。
这就是预测修的价值：不是修得更早，而是修得更准。
六、预测修的前提：你有没有数据
很多企业一听预测修就想上 AI。但预测修的前提不是算法，是连续时序数据。
你需要：
- 每 5 分钟甚至每秒采一次温度、电流、电压；
- 数据保存至少 6 个月，建立基线；
- 数据质量好，没有断点、没有跳变；
- 设备故障有历史记录，能和数据对应。
没有这些，所谓"预测"就是拍脑袋。某企业上了一套预测性维护系统，结果发现传感器数据每天断 2~3 次、基线都建不起来——预测模型跑了半年，准确率不到 30%。
微物联的落地路径是：先上 ESA 全要素智能电表和 FEXLINK-BMS 母线监测系统，把数据采起来；数据积累半年以上，千知引擎做单参异常检测；一年以上，天衍引擎做 CUSUM 趋势预警；两年以上，才谈 RUL 剩余寿命预测。
一步到位是不可能的——你没有历史数据，模型学什么？
七、四种策略在一个项目里怎么共存
一个成熟的运维体系，不是"全上预测修"，而是按设备重要性分层：
| 设备层级 | 策略 | 例子 |
|---|---|---|
| 关键安全设备 | 定期修（法规强制）+ 预测修（趋势预警） | 消防泵、应急发电机 |
| 关键生产设备 | 预测修 | 主母线、进线断路器、生产线 |
| 一般设备 | 状态修（阈值报警） | 普通馈线、照明回路 |
| 不重要设备 | 事后修 | 备用插座、辅助电源 |
微物联的 AI 三级引擎就是按这个分层设计的：
- 千知引擎：单参异常检测（对应状态修）——温度超阈值、电流不平衡、漏电突变；
- 天衍引擎：CUSUM 趋势预警（对应预测修早期）——温度斜率变化、电弧频次爬升；
- 万象引擎：多参融合场景树（对应预测修完整）——温度+电弧+电流趋势联合判断，定位故障部位和剩余寿命。
适用范围与限制
本文适用于低压配电系统四种维护策略的对比与选型。高压设备、旋转机械、化工设备的预测修模型差异较大，需专门讨论。文中 RUL 概念为通用框架，具体模型以厂家算法说明为准。ESA、FEXLINK-BMS 为微物联对应产品示例，部署方式以最新产品手册为准。