Case Study 04 — Manufacturing Predictive Maintenance（制造业预测性维护）

知识库位置：FDE Knowledge Base/06 Case Studies/04-Manufacturing-Predictive-Maintenance.md

Case Metadata（案例元数据）

Case ID: CS-004

Industry（行业）:
Manufacturing（制造业）

Primary Domain（主要领域）:
Predictive Maintenance（预测性维护）

Case Type（案例类型）:
Reference Scenario（参考情景）

Complexity（复杂度）:
High（高）

Primary Technologies（主要技术）:
Data Pipeline（数据管道）
Machine Learning（机器学习）
Near-real-time Batch（准实时批量处理）

Business Function（业务职能）:
Maintenance / Operations（设备维护 / 运营）

Delivery Stage（交付阶段）:
End-to-End（端到端）

Status: Core
Version: v0.1

本案例为 Reference Scenario（参考情景）：用于教学和方法论说明的综合案例，并非某个真实客户项目。参见 Case Studies README（案例域使用说明）。

1. Customer Background（客户背景）

客户是一家制造企业。

工厂拥有大量生产设备。

现有系统包括：

MES（Manufacturing Execution System，制造执行系统）
SCADA（Supervisory Control and Data Acquisition，数据采集与监控系统）
Sensor Platform（传感器平台）
Maintenance System（维护系统）
ERP（Enterprise Resource Planning，企业资源计划系统）

设备故障会导致：

Production Downtime（生产停机）
Emergency Repair（紧急维修）
Missed Delivery（交付延误）
High Maintenance Cost（高维护成本）

2. Business Problem（业务问题）

客户最初提出：

想用 AI 预测设备什么时候坏。

Discovery（客户调研）后发现业务目标其实是：

减少非计划停机时间（Unplanned Downtime，非计划停机）。

这与单纯追求模型预测准确率完全不同。

3. Discovery（客户调研）

FDE 调研：

哪些设备最关键？
一次停机成本多少？
有多少历史故障？
Sensor Data（传感器数据）频率如何？
维修记录是否可靠？
故障是否真的有可预测信号？

Important Finding（重要发现）

客户拥有大量 Sensor Data（传感器数据）。

但 Maintenance Record（维修记录）很差。

例如：

"Machine repaired"（机器已维修）

没有记录：

Fault Type（故障类型）
Root Cause（根本原因）
Components Replaced（更换部件）
Start Time（开始时间）
End Time（结束时间）

因此：

数据很多 ≠ 可以训练有效模型。

4. Scoping（范围界定）

没有选择全厂设备。

选：

One Equipment Family（一个设备族）
One Factory（一个工厂）
One Failure Mode（一种故障模式）

目标：

提前识别特定轴承故障风险。

5. Architecture Design（架构设计）

Sensors（传感器）
↓
Streaming / Batch Ingestion（流式 / 批量摄取）
↓
Data Platform（数据平台）
↓
Feature Processing（特征加工）
↓
Prediction Model（预测模型）
↓
Risk Score（风险评分）
↓
Maintenance Application（维护应用）
↓
Technician（技师）

Key Decision（关键决策）：Batch vs Streaming（批量 vs 流式）

客户最开始要求：

Real-time（实时）。

Discovery（客户调研）后发现：

维修团队每 30 分钟查看一次风险已经足够。

因此选择：

Near-real-time Batch（准实时批量）

而不是复杂 Streaming（流式处理）。

关联：Decision Guide：Batch vs Streaming（批量 vs 流式）

6. Engineering Implementation（工程实现）

建立：

Sensor Data（传感器数据）
+
Maintenance Records（维修记录）
+
Operating Conditions（运行工况）

统一到时间窗口。

重点处理：

Missing Values（缺失值）
Sensor Drift（传感器漂移）
Duplicate Events（重复事件）
Clock Synchronization（时钟同步）
Equipment ID Mapping（设备编号映射）

7. Prototype（原型）

Prototype（原型）最初模型指标很高。

但进一步发现：

训练数据中存在 Data Leakage（数据泄漏，建模语境）。

某些维修后的字段实际上间接告诉模型：

设备已经发生故障。

这导致离线表现虚高。

Fix（修复）

重新设计：

Training Window（训练窗口）
Prediction Window（预测窗口）
Feature Availability（特征可得性）

确保：

预测时只能使用当时真实可获得的数据。

8. Pilot（试点）

Pilot（试点）不直接让模型自动触发维护。

而是：

Risk Score（风险评分）
↓
Maintenance Planner Review（维护计划员复核）
↓
Inspection（现场检查）
↓
Action（维护动作）

同时记录：

True Positive（命中：正确预警的故障）
False Positive（误报：预警但未发生故障）
Missed Failure（漏报：未预警的故障）
Maintenance Action（实际维护动作）

9. Production（生产）

增加：

Model Monitoring（模型监控）
Sensor Quality Monitoring（传感器质量监控）
Data Drift（数据漂移）检测
Alert Threshold Management（告警阈值管理）
Maintenance Feedback Loop（维护反馈闭环）

形成：

Prediction（预测）
↓
Maintenance Action（维护动作）
↓
Actual Outcome（实际结果）
↓
Feedback（反馈）
↓
Model Evaluation（模型评估）

10. Business Outcome（业务结果）

真正衡量：

Unplanned Downtime（非计划停机）
Maintenance Cost（维护成本）
Emergency Repair Rate（紧急维修率）
Asset Availability（设备可用性）
False Alarm Cost（误报成本）

而不仅仅是：

Model Accuracy（模型准确率）

11. Challenges（挑战）

12. Key Decisions（关键决策）

Decision（决策）	Options（选项）	Choice（选择）	Why（原因）
数据时效	Real-time Streaming vs Batch	Near-real-time Batch	30 分钟刷新已满足业务需要
试点范围	全厂设备 vs 单设备族/单故障	一个设备族 + 一种故障模式	控制变量、快速验证
模型触发方式	自动触发维护 vs 人工复核	维护计划员复核后行动	误报成本高，需要人在环
离线评估	直接信任指标 vs 检查泄漏	重设训练/预测窗口	避免数据泄漏导致虚高

13. Reusable Lessons（可复用经验）

预测性维护首先是数据问题。
Model Accuracy（模型准确率）不是最终业务指标。
「实时」需要业务需求证明。
从一个设备族、一个故障类型开始。
必须避免 Data Leakage（数据泄漏）。
Maintenance Feedback Loop（维护反馈闭环）是系统长期有效的关键。