二、重新提问：瓶颈已经从技术侧转移

行业过去十年对预测性维护的讨论，长期集中在技术维度。到 2026 年，这些问题基本有了答案：故障识别精度超过 95%，误报率低于 3%，早期隐患识别率超过 90%。对绝大多数工业场景，这组指标已经足够。

e-works数字化企业网总编&CEO，东盟工程与技术科学院Foreign Fellow，国家智能制造专家委员会委员黄培总在白皮书序言中指出，该白皮书"从传感、物联出发，打通数据源头，剖析从硬件感知到算法分析的完整链路"。这句话包含一个方向性判断：约束条件在链路的起点，不在终点。另一组外部观察提供了交叉印证。麦肯锡与世界经济论坛对全球灯塔工厂网络的跟踪显示，约七成企业在数字化投入上止步于试点阶段，难以跨过从"一个成功用例"到"全线推广"这一步。这与 1.2% 指向同一个现象：技术验证已经完成，卡住的是复制环节。

所以问题需要被重新表述——不是"预测性维护值不值得做"，而是：为什么一项已被验证、且成本可控的技术，在拥有全球最完整制造业体系的中国，无法规模化复制？

亿欧智库的判断是：瓶颈已从算法侧转移到三个更基础的位置——感知、数据、人。这不是技术问题，而是基础设施与组织能力的问题。

三、三层门槛：98.8% 的企业卡在哪里

门槛一：感知断层——设备还没有"开口"。我国工业设备整体联网率仅 34%。平均数掩盖了结构差异：新能源、半导体、大型流程行业超过 60%，而传统机加工、注塑、冲压等建成年代较早的离散工厂仅 25%—30%；实际接入物联网监测系统的比例更低，只有 28%。超过七成的设备至今没有持续的状态数据产出。

门槛二：数据断层——有数据，但没有"可用的数据"。不同年代、不同厂商的设备协议互不兼容，MES 与 ERP 各自为政，结果是超过 80% 的企业难以实现跨系统数据联动，数据有效利用率不足 15%。制造业的数据问题归纳为五大孤岛：信息系统孤岛、IT/OT 断层、自动化孤岛、云孤岛与跨学科设计孤岛。

门槛三：能力断层——懂设备的人不懂算法。设备健康管理相关岗位缺口达 15 万人，真正稀缺的是同时具备机械运维经验、时序算法能力与 PHM 建模能力的复合型人才；与此同时，中大型制造企业的维护预算普遍不足设备原值的 8%。

三层门槛叠加，完整解释了那 98.8%。

当能力无法沉淀在组织内部，每个新场景都要从头开始，规模化自然无从谈起。

四、一个可观察的样本：门槛如何被工程化拆除

白皮书给出的 TDK SensEI edgeRX 设备预测性维护解决方案，值得关注的不是技术本身的先进性，而是它的每一层设计都恰好对应上述某一道门槛——这使它成为一个可检验的工程化样本。

对应感知断层。自研工业级三轴振动 + 温度传感器，X/Y 轴频率响应 DC—4kHz、Z 轴 DC—2kHz，采样率最高 16kHz，满足 ISO 10816 标准；体积 Φ29.7×63mm、重 52g，IP67 防护，续航不低于 3 年，支持支架、螺纹、胶粘三种安装方式，不改造产线。对建成年代较早、改造预算有限的工厂，"是否需要改动产线"往往比"算法精度有多高"更能决定项目成败；3 年续航与免布线解决的正是存量设备无法供电、不便施工的现实约束。

对应数据断层。边缘网关承担多节点同步采集（时间偏差 ≤500ms）、数据清洗与实时分析，支持 4G LTE、WiFi、以太网及 Modbus RTU、BLE 5.0、MQTT 协议，并可接入 PLC 与第三方传感器。这一层的作用是让新采集的数据进入既有系统，而不是再建一座孤岛。

对应能力断层。模型侧采用"ISO 标准 + 设备机理 + 工业 AI 算法"的双驱动，覆盖 60+ 诊断类型、兼容 60 余种工业参数，改造成本降低 40% 以上；机理模型提供可解释性，AI 模型提供识别率，回应的正是工业现场对黑盒模型的天然不信任。应用侧把设备健康量化为 0—100 分，内置算法自动检测冲击信号、评估润滑状态与早期轴承故障，并配套完整的告警工作流。白皮书将这一设计概括为"技术平权"：一线人员无需振动分析背景，也能获得 AI 生成的诊断结论与维护建议。

从产业角度看，这是用产品化替代人才培养。在 15 万人缺口短期无法填补、且"交钥匙"模式已被证明难以沉淀能力的前提下，这可能是目前唯一可行的规模化路径。中山大学先进制造学院副教授、博导冯建设博士指出，先进制造对设备可靠运行与智能运维提出了更高要求，复杂工况下的状态认知、故障预测和维护决策仍面临挑战。随着智能传感与工业数据加速汇聚，人工智能与制造业深度融合，设备状态正从可感知走向可理解、可预测。多模态状态洞察、时序因果驱动的长时域预测与工业智能体决策优化加快贯通，推动智能运维从单点预警迈向感知、预测、决策与执行闭环，使预测性维护成为提升资产效能、增强制造韧性、推进新型工业化的重要能力。

在推进设备预测性维护部署中，节奏同样是门槛的一部分：资产建档 → 方案匹配 → 硬件部署 → 建模上线 → 运维闭环，edgeRX方案匹配内置行业模板库可一键匹配泵、压缩机、输送机、机床，硬件部署仅需 2—3 天，整体 2 周内上线。白皮书给出的效果指标是：非计划停机减少 30%—50%，维护成本降低 18%—25%，设备寿命延长 20%—40%，紧急维修频次减少 60%—70%。

五、三个场景，一笔可以算清的账

场景	关键价值表现
通用制造「三机一泵」	早期隐性故障分类诊断，降低非计划停机，运维效率提升
材料搅拌	非计划停机减少 70%+，维保成本降低 30%+，能耗下降 5%—10%
港口码头	非计划停机下降 80%+，作业效率提升 50%+，人工巡检减少 70%+，关键部件寿命延长 10%—15%

国内万吨级以上码头中，搭载智能在线感知的设备仅占 28.7%，超过七成港机仍沿用老旧运维方案——存量改造的空间比新建市场更广阔。

三个场景分属离散制造、流程工业与交通基础设施，底层逻辑却高度一致：设备故障的代价，显著高于监测的成本。"高代价、可预测、易量化"，是预测性维护应当优先切入的场景特征。这也与黄培提出的落地次序吻合：先建立统一数据底座，再从能耗优化、设备预测性维护这类见效快、回报清晰的场景切入，分步拓展。

白皮书同时给出了 ROI 测算框架：总收益 = R1 停机节约 ＋ R2 维保综合节约 ＋ R3 库存资金节约 ＋ R4 质量损耗节约，分别对应停机时长、抢修支出、备件资金占用与不良品返工成本。这套公式的意义在于，它把预测性维护从技术议题转为经营议题——任何一位工厂管理者都可以代入自己的数据。

产业界的两个信号,一是具有设备基数大、单点停机代价高、且已具备相对完整的数据底座企业，恰好同时满足"高代价、可预测、易量化"三条场景特征。它们的实践价值在于，把议题从"要不要做"推进到了"如何跨基地复制"。

另一重变化发生在装备制造企业一侧。对机床、压缩机、泵阀、港口岸桥等设备的制造商而言，把状态监测预装进出厂设备意味着两件事：一是产品从"交付即结束"变为"持续可服务"，远程运维延伸出新的服务收入；二是设备运行数据回流，反哺下一代产品的可靠性设计。需求侧与供给侧的这两个动作，指向的是同一个方向——设备健康正在从运维环节的内部事务，变成产业链上下游共同关心的一件事。

六、空间与时间窗口

若中国覆盖率提升至欧美下限（20%），在约 6500 亿元的存量维护市场基础上，将新增约 1200 亿元空间。增速差异更说明问题：全球市场 2022—2030 年 CAGR 为 20%，中国 2025—2030 年 CAGR 达 37%，接近全球平均水平的两倍。

从全球标杆的评价体系看，设备运维的位置也在变化。世界经济论坛灯塔工厂评审标准中，"影响"维度要求关键绩效指标具备显著改善幅度（实践通常建议 30% 以上），而"工厂灯塔"类目的典型用例中，"数字设备维护"已被明确列入——设备运维数字化正从差异化亮点，转为进入全球标杆序列的默认配置。

清麦数字科技总经理、INCIT 中国区首席代表李铁良基于全球灯塔工厂的一线走访判断，预测性监测与智能运维"是第四次工业革命中最先兑现价值、也最易被规模化复制的一环"。这一判断与 37% 的增速相互印证：这不是一个需要被教育的市场，而是一个实施潜力巨大的市场。

七、路径判断：三阶段演进

第一阶段｜单点破局。企业不应从"全厂智能化"起步，而应选择故障影响大、易量化、改造量小的设备切入。「三机一泵」（工艺主机、公辅风压机、减速传动机组、工艺输送泵）是最优起点——它们是所有工厂的共性资产。判断这一阶段是否成立的关键指标只有一个：单个场景能否在 2 周内上线、并在一个维护周期内验证 ROI。

第二阶段｜全厂复制。四级架构解耦后模型可跨设备复用，从"一个点"扩展到"一条线"再到"整个厂"，边际成本持续递减，预测性维护从试点项目转为标准配置。

第三阶段｜组织智能化。工业 AI 从"工具叠加"走向 AI 原生架构，其中分析式 AI（而非通用生成式 AI）将成为工业核心刚需。黄培对此有过更具体的说明：尽管生成式 AI 成为热潮，但在工业领域分析式 AI 仍是当前应用的主流，典型场景正是设备故障诊断、质量检测与节能降耗；原因是生成式 AI 基于已有信息重新组合，难以避免"幻觉"，而工业生产容错率极低。从精确性与可解释性看，分析式 AI 的应用场景会更广泛。

组织层面，白皮书提出三重破界：能力边界从"专家垄断"走向"全员可用"，流程边界从"分段割裂"走向"端到端自治"，价值边界从"单点效率"走向"全局最优"。更深一层的含义是：当专业能力被模型化，资深专家的经验不再是随人员流动而流失的隐性资产，而沉淀为可继承的组织数字资产——这也回应了前文"授人以渔"的问题，能力最终要留在企业这一侧。

本地化部署是绕不开的前提。深圳市人工智能行业协会负责人郎丽艳指出，本地化方案回应了可解释性、数据安全与成本三方面的现实约束；在中国市场，数据是否出厂区往往直接决定项目能否立项。

八、结语：从成本表走到利润表

回看开篇的两个数字。95% 与 1.2% 之间的距离，不是技术成熟度问题，而是落地路径与组织能力问题。中国工控网副总裁、IEAC 联盟秘书长陈然给出了供需两端的差异化路径：对工业用户企业，这是从"经验依赖"到"数据决策"的能力跃升；对装备制造企业，这是运维业务从"被动成本中心"到"主动利润创造中心"的跨越。

后者的含义更值得展开。当设备健康可被提前数天预知，运维部门就不再是"花钱修机器"的成本项，而是"保障连续性"的价值单元——事后紧急维修的成本通常是计划性维护的 3 至 5 倍。而对装备制造企业，远程运维把一次性设备销售延伸为持续服务收入，正是"从卖设备到卖能力"的产业逻辑。

1.2% 既是差距，也是空间。在 6500 亿元存量市场、37% 的复合增速，以及一道正在被工程化拆除的门槛面前，中国工业预测性维护的规模化拐点，可能比行业预期的更近。

本文由亿欧智库基于《工业设备监测与智能运维解决方案白皮书》（亿欧智库 × TDK SensEI 联合发布）撰写，2026 年 10 月。