AIoT 预判需要明确预测对象、时间范围和判断依据。阈值报警、趋势分析、异常检测与故障预测解决的问题不同，不能把规则报警等同于已验证的故障预测。
先区分报警、异常和预测
阈值报警判断数值是否越界；趋势分析观察变化；异常检测识别偏离正常工况的模式；故障预测尝试判断未来特定故障的风险。预测性维护还需要把评估结果与检查、备件和维护计划连接起来。
凯亚通远当前的能力阶段
官网演进路径将设备接入、采集、监控和智能预警标为已实现；智能分析为推进中；预测性维护为目标方向；AI Agent 自治运维为未来愿景。现阶段可围绕数据治理、规则预警和报警闭环评估落地，预测任务需要进一步确认模块和验证条件。
- 已实现：IoT 基础能力、规则判断、分级报警和处置闭环。
- 推进中：趋势分析、多变量异常与关联分析。
- 目标方向：设备健康模型、故障预测和剩余寿命预估。
- 未来愿景：AI Agent 自治运维。
准备能解释工况的数据
除了温度、振动、电流等运行数据，还应关联采样时间、设备型号、运行负载、启停状态、维修记录和故障结果。没有明确标签时，可以先研究异常检测，但不能直接把异常分数解释成某种故障发生概率。
用试点验证效果，而非只看模型分数
确定预测对象、提前量、误报漏报定义和验证周期，采用时间上独立的数据评估。再结合维护动作、误报检查成本、停机时长和实际维修结果，判断方案是否产生业务价值。不同工况和设备不能直接复用同一收益承诺。
能力状态依据官网 AIoT 演进路径；预测性维护属于目标方向，不承诺预测准确率、预警提前量或降本比例。
您可能还关心
如何判断供应商的 AI 功能已经落地，还是仅停留在规划阶段？
要求供应商提供功能状态、真实输入输出、使用条件和可复现演示。模型训练计划、原型或愿景不能作为已交付功能的证明。
如何通过设备数据发现异常运行状态？
先建立按工况区分的正常范围，再结合规则、趋势或异常检测发现偏离；还应排除传感器故障、缺失数据和时间错误。
设备预测性维护与普通阈值报警有什么区别？
阈值报警判断当前指标是否越界；预测性维护结合设备状态和风险评估安排维护，需要更完整的数据、验证及执行流程。
工厂实施预测性维护，需要准备哪些数据？
需要设备与点位档案、连续运行数据、工况、报警、维修和故障记录。采样频率与保存周期取决于目标故障机理和验证方案。
如何判断工业 AI 项目是否真正减少了故障或维护成本？
比较实施前后的可比工况，记录维护成本、停机时长、漏报、误报及处理动作；同时扣除系统和额外检查成本，避免将产量变化等因素误算为模型收益。