预测性维护的前提，是有足够且可靠的状态数据。

　　　　振动与温度是最常用的两类信号。轴承磨损、不平衡、润滑不良等问题，通常在振动频谱上留下特征，温度则反映负载与散热状态。

　　　　采样频率要与故障特征匹配。过低会漏掉高频成分，过高则带来存储与传输的负担，需要在信号分析的需求与成本之间取舍。

　　　　标注数据往往缺失。设备真正发生故障的样本稀少，模型容易在正常数据上训练出过高的自信，误报率随之上升。

　　　　基线的建立比建模更重要。同一型号设备在不同工况下的正常值区间不同，缺少工况区分时，报警会频繁误触。

　　　　维护动作要闭环。系统给出的预警如果没有对应的检修安排与结果反馈，模型就无法迭代，准确率会长期停留。

　　　　投入产出需要测算。传感器、采集网关、平台与人员的成本，应对比减少的非计划停机损失，判断是否值得。

　　　　预测性维护的本质是把被动抢修变成计划检修，数据只是手段，能否形成可执行的维护节奏才是关键。