一家汽配厂如何用边缘AI减少产线停机：完整实施记录

去年下半年，一家浙江台州的汽车零部件厂找到了我们。他们的3条冲压产线设备老化，经常突发故障，每次停机维修要4-8小时。最夸张的一次，一条线连续停了两次，当月产量被拉低了十几个百分点。

他们试过传统方案——请设备厂家来加传感器、做点检，但效果有限。原因很简单：设备故障的早期信号非常微弱，人很难察觉，等能察觉的时候已经坏了。

这篇文章记录我们是怎么一步步实施边缘AI预测维护方案的。不吹效果多好，只说做了什么、遇到了什么麻烦、最终效果怎样。

一、现场情况摸底

去工厂看了一圈，发现了几个关键信息：

• 设备情况：3条冲压线共12台主要设备，其中6台是2009年采购的老机器，没有数字接口
• 网络情况：车间没有部署工业以太网，WiFi覆盖也不完整，部分区域信号很差
• IT能力：工厂没有专职IT人员，只有一位电工师傅兼管设备维修
• 预算：老板想先花几万块试试水，有效果再追加

这些条件决定了方案方向：不能太复杂、不能依赖稳定网络、成本不能太高、维护要简单。

二、方案设计

最终确定的方案分三层：

采集层：加装振动和温度传感器

在关键设备的关键部位（主轴轴承、电机端盖、液压泵）加装三合一传感器（振动+温度+噪声）。选型标准：

• 安装简单：磁吸式，不用钻孔，不用停机安装
• 无线传输：LoRa协议，不用布线
• 电池供电：续航标称2年，实际看下来1年半左右
• 价格在承受范围内：单传感器成本控制在几百元

12台设备，每台装3-4个传感器。总共装了40个。

边缘层：现场部署边缘计算网关

在车间放了一台边缘AI网关，负责：

• 采集40个传感器的实时数据（每10秒一次）
• 本地运行异常检测模型（判断振动/温度是否异常）
• 本地存储30天数据（断网也能继续工作）
• 把处理后的数据摘要上传云端

选择边缘网关而不是直接上云，主要考虑三个原因：车间网络不稳定、传感器数据量太大（每天几十万条）、需要低延迟告警（云方案有2-5秒延迟）。

云端层：可视化看板和告警

一个轻量级的Web看板，展示：

• 设备实时状态（正常/注意/告警）
• 历史趋势图（近7天的振动变化曲线）
• 告警记录（什么设备、什么时候、什么参数异常）
• 每周自动生成设备健康报告

告警通过企业微信推送到手机——包括电工师傅的手机。这样不管人在不在车间，都能第一时间知道设备状态。

三、实施过程

第一周：安装和调试

40个传感器，两个半天装完了。实际安装环节本身不难——磁吸的，贴上去就行。麻烦的是：

• 每个传感器需要和网关配对（LoRa需要逐个注册）
• 有些位置金属表面太厚，磁吸效果不好，换成了3M胶贴
• 网关部署位置调了两次，信号覆盖最远的传感器

调试阶段，最大的问题是数据标定。一个新装的传感器振动基线值是多少？新轴承和用了5年的轴承，正常的振动范围完全不同。解决方案是采集一周数据后取平均值作为"正常基线"。

前两周：数据收集阶段

前两周只采集、不做告警。目的是建立每个设备的正常基线。这期间发现了几个有意思的事情：

• 有一台设备的振动值在每天下午3点左右会突然升高，持续半小时后恢复。后来发现是旁边的空压机在那个时段启动——传过来的振动干扰。
• 不同产线上的同类设备，振动基线差了近一倍。和厂家沟通后确认是出厂批次不同，正常。
• 温度传感器在部分设备上变化太小（温差不超过3度），对判断故障帮助不大。后来调整了策略，温度和振动综合看。

第三周：阈值调试和试运行

基于前两周的数据，给每台设备设了三级阈值：

• 绿色（正常）：振动在基线±20%范围内
• 黄色（注意）：振动超过基线20-50%
• 红色（告警）：振动超过基线50%以上，或温度异常

刚开始阈值设得太敏感，一天收到十几条告警。电工师傅反馈"看不过来"。后来把黄色阈值从20%调到30%，告警量降到了每天2-3条，基本合理。

教训：阈值不是一次设好的，要根据实际反馈反复调。太敏感变成噪声，太迟钝就没意义。

四、实际效果

系统上线4个月后，我们统计了几个数据：

当然也有一些预期之外的收获和问题。

收获：电工师傅积累了设备健康数据，能跟维修保养计划配合。以前保养靠经验判断"差不多该换了"，现在可以看数据说"这台轴承还有余量，下个月再换"。

问题：系统上线后一个月，有2个传感器电池耗尽（标称2年）。检查发现是数据上报频率设置太高（每5秒一次）。调整到每30秒一次后问题解决，后续批次统一修改了固件的上报频率。

五、我的思考

这个项目做完之后，我对边缘AI在工厂落地的感受是这样的：

技术不是最难的，难在"适应真实场景"。传感器怎么装、阈值怎么设、数据怎么让不懂技术的人看懂……这些环节比模型选型花的时间多得多。

小步快跑比大方案靠谱。客户从几万块开始试水，看到效果再追加。如果一开始就推几十万的方案，大概率项目根本启动不了。

工厂的数字化基础比想象中薄弱。没有IT人员、网络不稳定、设备老到没有数字接口——这些才是常态。方案设计必须以这个为前提，而不是理想化的"5G全覆盖、全设备互联"。

数据积累是最大的隐形资产。4个月的数据，换来了6次提前预警。但更有价值的是这些设备运行数据本身——它可以用来训练更好的AI模型、优化保养周期、指导新设备选型。数据越早开始积累，后续的价值越大。

六、如果你想尝试

如果你也在考虑类似的项目，几点建议：

1. 挑一条产线或者几台关键设备先试点，别上来就铺开
2. 至少留出两周时间做数据采集和基线调整，不要急着开告警
3. 让现场操作的人参与进来——只有他们知道"设备正常是什么感觉"
4. 接受前期会有误报，但一定要持续调优
5. 便宜的传感器虽然精度差一些，但胜在可以多装，覆盖更多点位。在工业场景里，覆盖率比单点精度更重要