设备预测性维护要解决什么问题？
固定周期维护容易忽视工况差异，单个阈值又可能产生频繁误报。预测性维护需要理解设备在不同负载下的正常状态，并把异常提示与实际检修结果对应起来。
开始前，需要哪些数据？
- 振动、温度、电流、转速或压力等经过授权的传感数据。
- 采样频率、时间同步、工况标签与设备台账。
- 故障、维修、换件及停机记录，用于验证预警是否有实际价值。
数据接入前，应确认使用权限、保留期限及访问范围；不为试点擅自导出敏感生产资料。
H700如何参与实施？
01 / 建立工况基线
先检查传感器安装位置、采样质量和时间同步，区分启停、变速及稳定运行工况。
02 / 识别异常趋势
在边缘端提取特征并分析状态变化，将异常事件与原始数据片段关联，供维护人员复核。
03 / 形成维护闭环
把预警、巡检确认、处理措施及检修结果相互关联，按设备类型持续修正模型和告警规则。
如何衡量是否有效？
记录预警提前量、误报频次、有效告警比例和检修确认结果；与原有维护方式比较时，应考虑负载、班次和维修策略的变化。
保留清晰的安全边界
健康评分不等于确定的剩余寿命。未有充分失效样本及验证时，不输出精确寿命保证；设备保护、紧急停机和安全联锁保持独立。
场景问答
只有温度和电流数据，能开始吗？
可以先做数据质量和异常趋势评估。能识别哪些故障，应根据采样能力、工况和历史记录确定，不能等同于完整振动诊断。
会自动决定设备停机吗？
默认以分析和人工确认作为起点。任何自动控制或维护动作，都需要单独的授权、风险评估和安全验证。