设备预测性维护和当前工业制造上广泛使用的很多设备专家系统还是有所区别的。设备专家系统一般是设备生产商提供的，主要是基于设备原理模型，是根据设备原理，判断展示某些故障与某些状态信息的因果关系，本质上是属于基于设备状态的维修。预测性维护是基于数理模型，从统计学角度展现故障与某些状态信息的关联关系。 

       对于设备预测性维护来说，选对场景很重要，建模方法可以有很多种。 

       那么，如何选择好的场景呢？需要具备哪些条件？ 

       · 熟悉设备机理，能够识别出被预测量（停机故障）的影响因素（维度）。毕竟，我们的数据分析工程师擅长的机器学习技术，对设备的机理很难短时间内掌握，因此，需要生产现场对设备相对熟悉的工作人员指出造成设备停机故障的可能影响因素，例如电控系统中的电信号信息、机械结构的热变形等。这些信息都将成为特征工程的重要输入。 

       · 数据质量要好。对于工业现场来说，数据质量的要求可以概括为两个词——准确，连续。首先，准确指的是，不能有过多的干扰噪声，以及不准确的记录（比如手工录入到系统中的停机停台数据）。其次，连续指的是，对于故障发生前的一定时间窗口内的影响数据（如电流，电压等），最理想的状况是其能够以连续量的形式呈现，即完整地展示设备运行的全过程。而不是仅仅能够获取个别超过阈值的报警信息。 

       · 具有足够的样本数量。模型是需要用样本来训练的，这里的样本指的就是设备所发生的故障信息。一台从没发生故障，或者很少发生故障的设备，是不适合做预测性维护的。因为对于机器学习这项技术，模型是需要训练的，它一定要从过去众多的故障样本中学习，才能够建立模型，它还无法做到像人类一样去推理和抽象 · 能够复用的模型。如果只针对一个车间的某一台或几台设备的停机故障进行建模，而该模型又不能复用到更大的范围内，那么，投入产出比可能就会比较低。