一个几乎每个项目都会撞上的墙

PHM（故障预测与健康管理）系统的项目启动会上，最常见的对话是：算法团队问“历史故障数据在哪里”，设备主管回答“这台设备跑了八年没坏过，哪来的故障数据”。

这不是准备不足，而是工业设备的常态。一台关键设备的设计寿命往往以十年计，真正发生失效的次数屈指可数，完整的“从健康到失效”轨迹数据极其稀缺。而数据驱动的AI故障预测模型，恰恰需要足够多的故障样本来学习“坏是什么样子”。没有标签，模型只能学会“正常”，学不会“异常”。

这个困境在行业里有一个名字：冷启动。水利水电辅助轴承的诊断研究明确指出，高维护环境下故障样本稀缺，数据驱动诊断面临的就是冷启动挑战。建筑领域的预测性维护研究也描述了同样的局面：新建筑或新安装系统没有退化历史，数据驱动模型无从学习。

问题不在于“要不要做”，而在于在没有故障数据的前提下，第一条可用的诊断逻辑从哪里来。

路径一：用机理模型给出“理论上的坏”

最直接的思路，是把建模的起点从“数据”移到“物理”。

旋转设备的失效机理已经被研究得相当透彻。轴承有基于载荷和转速的寿命公式，齿轮箱有接触疲劳模型。只要拿到设备的运行参数和结构参数，就可以先算出理论上的劣化趋势和寿命区间。这条路径的优点很明确：对历史故障数据依赖少，新装设备也能直接用。西门子、罗克韦尔等厂商已经把这类能力集成到资产管理体系中。

但机理模型的局限同样明显：模型假设与真实工况之间总有偏差。冲击载荷、频繁启停、润滑状态的时变特性，都可能让理论曲线偏离实际。一个在标准工况下算出的轴承寿命，放到一台每天启停二十次的设备上，参考价值会大打折扣。

路径二：用合成数据“造”出可用的基线

如果真实故障数据暂时没有，另一个思路是用可控的方式生成“足够像”的替代数据。

一种被验证过的方法是合成健康基线。针对数据稀缺环境下的小型感应电机，研究者通过对多台新电机进行系统性实验测试，建立了振动幅值与电机功率等级之间的统计关系，并据此生成了任意同功率等级电机的合成健康振动数据。用这些合成数据训练的健康指数模型，在一座此前没有任何监测历史的粮食筒仓设施中，成功检测到了异常行为并给出了故障模式判断，使维护决策能够基于状态数据而非被动响应失效。

数字孪生是另一条合成数据的路径。通过动力学仿真生成局部故障条件下的响应信号，可以在真实故障样本到位之前，为诊断模型提供初步的训练素材。但研究者也坦率指出，仿真数据与真实信号之间存在域偏移——理想化模型生成的信号，与复杂工况下的实测信号并不完全一致，直接使用往往效果有限，需要与实测数据校准或物理约束结合。

路径三：无故障样本的自配置检测

还有一条更“轻”的路径：不要求模型认识故障，只要求它认识“偏离正常”。

自配置振动监测算法的研究目标，是最大限度地降低实际部署的数据要求。其思路是建立一个设备在健康状态下的重构基线，将后续信号与基线的偏离程度作为异常指标。研究测试了不同的基线时长，发现在合理的时长设置下，可以在不依赖任何先验故障样本的条件下实现有效的异常检测，并在多个公开数据集上验证了跨设备类型的适用性。

这条路径的工程价值在于：它把冷启动阶段的任务从“诊断是什么故障”降级为“检测是否偏离正常”。对于刚刚部署设备状态监测的设备而言，先能发现“不对劲”，已经比完全没有监测前进了一步。

一条容易被忽视的路径：先用专家知识“排序”

上述三条路径都在讨论“模型怎么建”。但冷启动阶段还有一个更前置的问题：在数据积累起来之前，有限的监测资源应该优先投向哪些设备？

PHM学会发表的一项研究提供了一个务实的答案。在建筑预测性维护的冷启动场景中，研究者设计了一种方法，将设施管理者的隐性经验——安全影响、业务连续性、使用舒适度——通过结构化访谈和模糊推理系统，转化为量化的设备关键性指数。这套指数使资产所有者能够在数据稀缺阶段，基于透明的、专家 informed 的风险判断来优先分配预测性维护资源，而不是依赖通用规则。

这个思路的启示是：冷启动阶段不必追求“全设备、全模型”的覆盖。先用专家知识把设备按关键性排序，把有限的传感器和建模精力集中在“停机代价最高、故障后果最重”的少数设备上，是比“等数据攒够了再开始”更现实的策略。

元硕科技的工程视角

元硕科技的RIIWORX^®智能设备运维管理系统，在冷启动场景中的工程逻辑与上述路径一致：不把“没有故障数据”当作项目启动的前置障碍，而是用可运行的初始假设先把系统转起来。

RIILinX工业智能网关在边缘侧完成多信号采集与特征提取，保留具有物理意义的振动特征，使初始阶段的异常检测可以基于重构基线而非故障标签运行。RIIWORX^®PHM系统涵盖轴承损伤、齿轮故障、转子不平衡、不对中等典型故障模式的知识库，为冷启动阶段提供的是“如果出现某种特征，可能对应什么故障”的参照框架，而非要求模型必须先见过足够多的故障样本才能输出判断。系统形成的“监测—诊断—处置—验证”闭环，使每一次工程师的处置反馈——无论确认故障还是排除异常——都成为知识库的输入，逐步将“机理假设”校准为“这台设备的真实经验”。

冷启动的本质，不是一个等待数据攒够的被动过程，而是一个用机理、合成基线和专家知识先建立“可运行的初始判断”，再在运行中持续校准的工程节奏。PHM系统在冷启动阶段的价值，不在于预测得多准，而在于让设备从第一天起就进入可观测、可积累的状态——先让系统转起来，数据才会真正开始生长。

元硕科技——以数据驱动设备健康，用AI预见工业未来。