简要说明
预测性维护是一种维护策略，根据状态和运行数据预测故障，并在故障发生前不久安排干预。
什么是预测性维护？
在预测性维护中，机器会被持续或以较短间隔进行监测，例如采集振动、温度、电流或油液状态数据。统计模型或机器学习方法可以识别出故障前出现的模式，并估算部件的剩余使用寿命。这样，维护不再按固定周期进行，而是在状态需要且生产计划允许时介入。
预测性维护需与状态维护加以区分：后者在超过限值时做出反应，而预测性维护则预测故障发生的时间点。在实际中，两种方式往往相互交融。
前提条件包括合适的传感器、包含历史故障案例的可靠数据基础，以及明确的数据分析职责。其效益在很大程度上取决于预测出的备件能否在剩余时间内真正采购到位。
维护与采购实践
预测的价值取决于相关零件的补货周期。因此，对于受监测的机组，应提前明确交货期、供货渠道和可能的替代件，停产部件尤其如此。
同义词和缩写: 预知性维护 · 预测性维修 · PdM · predictive maintenance
常见问题
预测性维护需要哪些数据？
基础是能及早显示状态恶化的状态数据，例如振动、温度、电流、压力或油液中的颗粒。同样重要的是负载、转速和运行时间等运行数据，以及以往损坏的历史记录。没有记录在案的故障，就很难可靠地识别规律。因此，许多项目从少数关键机组起步，逐步建立数据基础。
哪些设备适合采用预测性维护？
这种方法对故障代价高昂、且损坏前有可测量征兆的机组收效最大，例如瓶颈设备中的大型驱动装置、泵、压缩机或齿轮箱。对于价格低廉、可快速更换的部件，监测投入往往超过收益。对于某些电子故障等毫无征兆的随机故障，借助状态数据也只能有限地加以预测。
预防性维护与预测性维护有什么区别？
预防性维护按时间、运行小时数或产量设定固定间隔，与实际状态无关，因此零件有时会更换得过早，有时又过晚。预测性维护则依据测得的状态和对故障时间的预测来安排干预。它能更好地利用磨损储备，但需要测量技术、数据分析和灵活的备件供应。