PG关注到，研华8月14日发布AI预测维护指南，介绍将设备状态、运行条件和历史维修资料结合，支持维护安排。文章区分事后、定期与预测性维护，并提及PHM方案，本文重点观察异常信息怎样进入实际维护工作。
设备数据偏离过去，可能值得检查，却不等于某个部件必然即将失效。负载、工艺和传感条件都可能改变信号，因此从异常到维护决定之间，需要上下文与复查，而不能仅依赖模型提示。
基线需要对应真实运行工况
官网介绍振动、温度、电流与其他状态数据，并强调结合故障和维护记录，设定关键资产及响应流程。公开指南提供方法框架，没有给出足以证明所有设备均可提前预测故障的统一验证。
独立观察认为，正常基线应包含必要工况。启动、稳态运行和不同负载下的信号，可能原本就不相同；如果把它们混在一起比较，系统可能将正常切换误认为异常，或者忽略真正需要关注的变化。
传感器本身也需要被纳入记录。安装位置、采集设置或设备更换之后，数据差异未必全部来自被测机器。清楚保留这些背景，有助于团队分辨设备状态与测量条件发生了什么变化。
异常提示需要能够进入维护流程
提示出现后，维护团队需要知道对应哪台资产、哪段时间和哪类变化。若只有一个风险分数，没有足够背景，现场人员就难以确定需要核查什么，也无法判断是否应调整原有工作计划。
从独立分析看，模型输出应作为信息来源进入既定流程，由相应人员结合状态和任务确认。异常检测、故障类型判断与剩余寿命估计属于不同问题，不能在报道中互相替代，也不应一概写成精准预测。
响应记录还应区分已经查看、正在检查和完成维修。人员看见提示，并不意味着设备问题已经处理；这些阶段若缺少说明，系统可能持续积累告警，却无法形成清楚的维护进度。
维修反馈让结果能够被复查
维修之后，需要记录发现了什么、采取何种处理及后续状态。这样的反馈能够帮助团队理解原来的异常提示是否对应真实问题，而不只是增加一条已关闭记录。
若检查没有发现对应故障，也应保留结果。它可能提示数据、工况或任务定义仍待调整；只保存证实故障的案例，可能使后续评估失去完整背景，难以判断提示的实际使用边界。
效果比较还要明确资产和时间范围。停机变化可能同时受到生产计划、维护策略或设备改造影响，不能单凭一个前后数字就将结果全部归因于AI。公开指南没有提供此类项目证据，本文不补造。
模型与设备条件变化后，过去结论也需要重新审视。新工况是否已包含、维修后基线是否仍适用，应由代表性数据核查，而不是因为系统继续输出分数就默认始终有效。
交接资料可以把资产标识、采集条件与维护状态连起来，让新的维护人员能够从同一事实出发。持续保留这种关系，比单独追求复杂看板更有助于解释设备经历了什么。
对比结果还应注明使用的工况与检查范围，便于其他维护人员理解结论适用条件。
在PG看来，预测维护的实用性来自状态数据与维修工作的衔接。保留工况、异常与复查结果，才能评价系统在具体资产上的表现，避免把一般性技术方向改写成无条件故障预测承诺。