# 设备健康管理 SaaS — 基于 AI 的预测性维护与设备全生命周期管理 > 艾森智能设备健康管理（PHM）SaaS 平台基于振动、温度、压力等多维状态数据，结合时域/频域分析和 AI 故障模型，实现设备劣化趋势早期识别和预测性维护决策。 - 产品分类: 软件与数据服务 / 设备健康管理SaaS - 来源: https://www.aisenz.com/products/phm-saas --- ## 能力标签 - PHM 预测性维护 - AI 故障诊断 - 剩余寿命预测 RUL - 多协议接入 - SaaS / 私有云 - 振动 FFT ## 主要特性 - 振动/温度/压力多维数据采集 - 时域/频域自动分析 - 设备健康评分模型 - 故障模式识别与分类 - 剩余寿命预测 - 维护计划自动排程 - 备件库存联动管理 - 多站点统一管理看板 ## 详细介绍 **艾森智能设备健康管理（PHM）SaaS 平台** 是面向工业设备预测性维护（Predictive Maintenance）与全生命周期管理的一站式云端解决方案，专为旋转机械、往复机泵、压缩机、电机、轴承、齿轮箱等关键动设备打造，是工厂走向 **预测性维护 (Predictive)、零非计划停机** 的核心数字化工具。 平台通过 **AIMesh / LoRaWAN 工业无线传感网络** 持续采集设备振动、温度、压力、电流、转速等多维运行参数，结合 **时域分析、FFT 频谱、包络分析、阶次跟踪** 等专业信号处理技术，以及 **PatchTST 时序预测模型、故障分类 AI 模型、剩余使用寿命 (RUL) 估算算法**，实现设备劣化趋势的早期识别、根因分析与维护决策建议输出。 平台支持 **公有云 SaaS** 与 **私有云容器化** 两种部署模式，满足从中小企业到大型央企不同安全等级、不同运维偏好的需求。提供 Web 推送、APP 通知、短信、邮件、API 回调等多通道告警手段，并能自动生成设备健康报告与维护建议书。开放 REST API 支持与企业 ERP / EAM / MES 系统深度集成，实现维护计划自动排程与备件库存联动。 ### PHM 平台核心能力 - **多维度状态采集**：振动 (加速度 / 速度 / 位移)、温度、压力、电流、转速、油液、声学多模态融合 - **专业信号处理**：时域统计量、FFT 频谱、包络谱、阶次跟踪、倒频谱、小波分析 - **AI 故障诊断模型**：基于深度学习的 9 大类故障模式识别（不平衡、不对中、松动、轴承故障、齿轮故障等） - **剩余寿命预测 (RUL)**：PatchTST + 退化曲线建模，提前 7–90 天预警 - **健康评分系统**：综合多指标输出 0–100 健康分，红/黄/绿三色预警 - **维护计划排程**：根据健康评分与生产计划自动生成最优维护窗口 - **备件库存联动**：故障预警触发备件预备订单，避免临时缺料 - **多站点统一管理**：集团 / 工厂 / 车间 / 设备四级组织树，跨厂区对标分析 ### 适用设备与监测对象 PHM SaaS 已对以下设备类型形成成熟的故障特征库与 AI 诊断模型： - **旋转机械**：风机、水泵、电机、压缩机、汽轮机、发电机 - **往复机械**：往复式压缩机、活塞泵、柴油机 - **传动部件**：齿轮箱、减速机、联轴器、传动轴 - **关键部件**：滚动轴承、滑动轴承、机封、叶轮 - **辅助设备**：冷却塔、空压机、真空泵、循环水泵 ### 部署模式与集成能力 - **公有云 SaaS**：开箱即用，按测点 / 按月订阅，5 分钟完成开户与设备绑定 - **私有云容器化**：Docker / Kubernetes 部署，数据不出厂区，便于项目按等保 2.0 要求建设 - **数据接入**：AIMesh / LoRaWAN / Modbus TCP / MQTT / OPC UA / 文件导入 - **企业集成**：REST API + Webhook，原生对接 SAP PM、用友 EAM、金蝶 MES 等主流系统 ### 典型应用行业 PHM SaaS 已规模化应用于以下工业行业的关键设备运维： - **石化与化工**：大型压缩机、关键泵组、反应釜搅拌机健康监测 - **冶金钢铁**：连铸机、轧机、风机、电机的故障预警 - **电力能源**：风电齿轮箱、汽轮机、给水泵、磨煤机 - **水泥建材**：回转窑、磨机、风机、提升机 - **轨道交通**：地铁车辆牵引电机、空调机组、轴承箱 - **市政公用**：供水泵站、污水提升泵、压缩机组 ### 与传统人工巡检 / 离线点检的对比优势 相较于传统的"人工点检 + 定期保养 + 故障后维修"模式，**艾森 PHM 预测性维护方案** 可帮助企业： - 非计划停机时间减少 50%–70% - 维护成本降低 25%–35% - 备件库存压缩 20%–30% - 关键设备使用寿命延长 15%–40% - 工厂 OEE（设备综合效率）提升 5–15 个百分点 ## 常见问题 ### PHM 能提前多久预警？ 剩余寿命预测（RUL）基于 PatchTST 时序模型加退化曲线建模，典型可提前 7–90 天预警，具体取决于故障类型和退化速率——轴承早期点蚀这类渐变故障提前量大，突发性故障提前量有限。需要说明的是预警不等于精确的失效时间点，它给的是趋势和置信区间，用于安排检修窗口。 ### 能识别哪些故障？准确率靠什么保证？ 基于深度学习的 9 大类故障模式识别，包括不平衡、不对中、松动、轴承故障、齿轮故障等。信号处理层面提供时域统计量、FFT 频谱、包络谱、阶次跟踪、倒频谱、小波分析。准确率高度依赖采样连续性——丢掉几个关键冲击信号，模型的判断窗口就没了，所以数据采集侧的可靠性和分析算法同等重要。 ### 需要装什么传感器？只测振动够吗？ 不够。平台支持振动（加速度/速度/位移）、温度、压力、电流、转速、油液、声学多模态融合。单靠振动能识别的故障类型有限，加上温度和电流可以显著提升区分度。监测对象覆盖旋转机械、往复机泵、压缩机、电机、轴承。 ### 数据怎么进来？能对接我们的 ERP 吗？ 数据侧支持 AIMesh、LoRaWAN、Modbus TCP、MQTT 接入。业务侧提供 REST API 对接 ERP/EAM/MES，健康报告、维护建议书、月度运维总结可以直接进工单系统。部署形态支持公有云 SaaS 与私有云容器化，数据不出厂的项目走后者。 ## 关键规格 - **名称**: 设备健康管理 SaaS - **描述**: 工业设备预测性维护云平台 - **部署**: 公有云 SaaS / 私有云容器化部署 - **数据接入**: AIMesh / LoRaWAN / Modbus TCP / MQTT - **分析引擎**: 时域分析 / FFT 频谱 / 包络分析 / 阶次跟踪 - **AI 模型**: PatchTST 时序预测 / 故障分类模型 / RUL 估算 - **监测对象**: 旋转机械 / 往复机泵 / 压缩机 / 电机 / 轴承 - **告警方式**: Web 推送 / APP 通知 / 短信 / 邮件 / API 回调 - **报表**: 设备健康报告 · 维护建议书 · 月度运维总结 - **集成**: REST API 对接 ERP/EAM/MES 系统 ## 适用场景 - **关键动设备预测性维护**: 适合泵、风机、压缩机、电机、减速机等旋转设备的状态监测和故障预警。 - **设备资产健康评分**: 把振动、温度、电流、工况和维修记录转化为健康指数、趋势和风险等级。 - **维修决策闭环**: 联动告警、工单、备件和检修计划，减少非计划停机。 ## 部署方式 - 云端 SaaS、私有云或本地化部署均可，按数据敏感等级选择。 - 边缘侧由 M01/D01/R580/E680 采集数据，平台侧完成模型训练、评估和告警推送。 - 与 CMMS、ERP、MES 或企业微信/短信平台集成形成闭环。 ## 接口协议 - REST API - MQTT - OPC UA - CSV / 数据库导入 - Webhook 告警 ## 技术规格关注点 - 采样频率、传感器安装位置、工况标签和历史故障样本决定模型效果。 - 上线前要定义健康评分口径、告警阈值和误报处理流程。 - 平台需要支持模型版本、数据质量和人工诊断记录追溯。 ## 选型建议 - 已有 SCADA 但缺设备诊断时选 PHM SaaS。 - 需要毫秒级本地推理时搭配 E680 Edge。 - 只有基础趋势展示时 SCADA/HMI 即可，PHM 用于更高价值设备。 ## 典型拓扑 边缘采集设备把状态数据上传到 PHM SaaS，平台完成特征计算、模型诊断和工单建议，并把结果回写到 SCADA 或资产系统。 ## 常见误区 - 未区分工况导致模型把正常负载变化误判为故障。 - 传感器安装不规范，振动数据方向和频段不可用。 - 只做告警不做工单闭环，预测性维护难以产生管理收益。 ## 行业标准与接口规范 - ISO 17359 设备状态监测与诊断 - ISO 10816 / ISO 20816 机械振动评价 - OPC UA / MQTT / REST 工业数据接口 ## 相关案例 - [化工厂动设备 PHM 预测性维护](https://www.aisenz.com/cases/chemical-plant-rotating-equipment-phm) — 200+ 台关键动设备健康管理，非计划停机下降 73%。 ## 标准与参考 - [PHM](https://www.aisenz.com/glossary#phm)　标准来源: [Wikipedia (EN)](https://en.wikipedia.org/wiki/Prognostics) · [Wikidata](https://www.wikidata.org/wiki/Q3042561) - [MQTT](https://www.aisenz.com/glossary#mqtt)　标准来源: [Wikipedia (EN)](https://en.wikipedia.org/wiki/MQTT) · [维基百科](https://zh.wikipedia.org/wiki/MQTT) · [Wikidata](https://www.wikidata.org/wiki/Q10322548)