某新能源电池厂设备预测性维护与维修知识助手

从「坏了再修」到「提前知道哪台会出问题」，非计划停机时长下降三成。

项目背景

该厂涂布、辊压、卷绕等关键工序设备连续运转，一旦非计划停机，整条产线节拍被打乱，损失按分钟计。原有做法是定期检修加事后抢修：定期检修存在过度维护，事后抢修则完全被动。

同时，设备维修高度依赖几位资深工程师的经验，新人遇到复杂故障只能等人，排障时长波动很大。

解决方案

数据侧，我们接入设备 PLC 与传感器数据（振动、温度、电流、张力），打通 MES 工单与备件库存，建立设备健康度指标体系；模型侧，对关键设备建立异常检测与剩余寿命预测模型，输出分级预警与检修建议。

知识侧，把设备手册、历史维修记录、技改资料与工程师口述经验结构化，构建维修知识助手，一线人员用自然语言或拍照即可获得排查步骤与备件信息。所有预警都保留人工确认环节，模型建议不直接控制设备。

实施步骤

最终成效

上线半年后，关键设备的非计划停机时长下降约三成，多数故障可在提前一天的预警窗口内安排计划检修。新人借助维修知识助手可独立处理过去需要资深工程师介入的常见故障，排障时长更稳定。