设备监测发现振动超标，只能说明“设备出现了异常信号”，却不能直接回答故障到底发生在哪里、可能是什么原因、接下来应该采取什么措施。对于轴承、齿轮、叶片等关键部件，仅靠人工查看一条报警信息，很难支撑复杂设备的快速判断。用友BIP资产云在PHM预测性维护体系中，将在线状态监测、阈值与趋势预警、机理诊断和AI故障诊断连接起来，通过设备测点数据、机理模型和历史样本进一步分析设备健康状态，让企业从“发现异常”继续走向“理解异常”。
很多企业已经能够采集设备振动、温度等状态数据，也建立了各种报警阈值，但实际运行中仍然会遇到一个问题：报警越来越多，真正能够快速判断的故障却没有同步增加。某个测点超过阈值以后，系统可以告诉管理人员“这里不正常”，但维修人员仍需要结合设备结构、历史运行情况和专业经验进一步判断。对于复杂旋转设备来说，同一种振动变化可能对应不同故障原因，而相似的故障也可能在不同测点上呈现不同特征。因此，状态监测解决的是异常发现问题，故障诊断则需要继续回答异常意味着什么。
用友BIP资产云PHM整体架构从设备接入和在线采集开始，通过智能传感、无线通信、设备互联等方式形成设备数据基础，再结合大数据计算、特征提取和智能模型开展状态监测、健康评估、寿命预测、故障预测和故障诊断。体系中同时包含机理模型、规则模型和大数据模型，并与运行管理、备件管理、维修管理和维护管理等设备业务连接。 也就是说，预测性维护并不是单独部署一个报警页面，而是需要先获得连续、可信的设备状态数据，再逐步形成分析和诊断能力。
最基础的一层仍然是预警。现有方案支持基于标准设定或数据自适应计算形成阈值预警，同时关注相较于基准的增长幅度，并设置趋势增幅预警和趋势增速预警。 这种设计比单纯判断“有没有超过固定值”多了一层观察视角。某个测点即使暂时没有达到最高报警值，如果相较于设备自身基准已经持续增长，或者变化速度突然加快，也可能值得提前关注。企业因此可以同时观察绝对阈值和变化趋势，而不是等数据真正越过某一条固定红线后才开始处理。
例如，一台风机的振动值今天并没有出现极端峰值，但过去一段时间持续上升。这时，仅凭一次数据很难判断设备已经发生明确故障，却可以通过趋势变化发现潜在异常。用友BIP资产云的状态监测支持对传感器采集数据进行实时展示，并提供多种谱图类型的对比分析以及历史数据可视化回放；相关设备场景还支持观察不同方向的振动超标现象，并按照不同时间频率进行展示。 对维修人员而言，这种连续变化通常比孤立的单点数据更有分析价值。
但预警依然只是第一步。设备出现异常以后，更关键的问题是进一步定位可能的故障部位和故障类型。用友BIP资产云支持维护轴承、齿轮和叶片等基础组件数据，按照设备类别创建机理诊断模型，并为诊断模型绑定轴系、组件信息，同时关联具体设备和测量点。系统可以结合已建立的机理诊断模型和在线状态监测数据，对设备健康状态开展故障诊断。
这种机理诊断的核心，是让设备异常不再脱离机械结构单独判断。一个测点为什么安装在这里，它对应哪个轴系、哪个组件，这个组件在某种故障状态下通常会出现什么特征，都可以成为诊断的重要背景。对于设备管理人员来说，这比简单看到“测点A报警”更加接近真实维修场景，因为最终需要处理的对象不是一个数据点，而是设备中的轴承、齿轮、转子或其他具体部件。
现有方案还给出了多类机械故障指标，包括松动、齿轮故障、转子磨损，以及保持架、滚动体、外圈和内圈等轴承相关故障指标。在示例中，系统能够进一步形成故障部位、故障类型、故障危害和诊断分析信息。 这说明故障诊断的目标不是增加更多技术参数，而是把监测数据进一步转化为设备人员可以理解和处理的故障信息，缩短从“数据异常”到“检查什么”的距离。
除了机理模型，用友BIP资产云方案中还提供AI故障诊断路径。系统支持配置AI算法并导入样本，绑定AI智能诊断算法和诊断样本库，通过样本数据进行模型训练，再利用训练后的模型和设备在线监测数据开展故障诊断，并形成诊断结论和维修措施。 相比机理诊断更加依赖设备结构和专业知识，AI诊断则进一步利用历史样本和数据模式，为复杂故障分析增加另一种手段。
现有资料明确列出了贝叶斯分类、K近邻分类、非线性支持向量机分类、决策树、随机森林、梯度提升树和Logistic回归等算法类型。 但这些算法名称本身并不是故障诊断效果的保证。真正决定模型能否发挥作用的，仍然包括样本是否具有代表性、设备类型是否匹配以及监测数据质量是否可靠。因此，对于企业而言，AI故障诊断不应理解成“接入设备以后系统天然什么故障都能识别”，而是需要经过算法选择、样本导入和模型训练等过程。
这也是机理诊断和AI诊断可以形成互补的原因。机理模型能够利用机械结构、故障机理和专家知识解释异常，AI模型则可以通过历史样本识别数据中的复杂模式。前者强调“为什么可能发生这种故障”，后者更擅长从大量数据中寻找相似特征。在实际设备管理中，两种方法并不需要相互排斥。用友BIP资产云PHM架构本身同时包含机理模型、规则模型和大数据模型，体现的正是多种模型共同参与设备健康分析的思路。
对于企业来说，这种组合还有一个现实价值：不同设备并不适合使用完全相同的诊断方式。结构明确、故障机理相对成熟的机械设备，可以更多利用机理模型；积累了大量有效历史样本的场景，则可以进一步发挥机器学习分析价值。如果某类设备数据量不足，直接训练复杂模型未必就能得到可靠结果。因此，预测性维护建设通常不能从“先上一个AI模型”开始，而应先确认关键设备、测点、数据来源和已有故障知识，再逐步选择适合的诊断能力。
设备诊断最终也不能停留在“模型说出了一个故障名称”。维修人员更关心的是下一步如何处理。用友BIP资产云AI故障诊断明确支持形成诊断结论和维修措施；维修助理则可以结合故障历史和运行参数变化辅助诊断故障原因、推荐作业方案，并支持调阅设备图纸和相关文档。 这使诊断结果可以进一步为现场维修提供信息支持，而不是让维修人员在收到报警后仍然需要从大量资料中重新寻找设备背景。
不过，诊断建议不等于完全替代维修人员判断。机械设备的真实工况可能受到负荷、安装、环境和运行方式等多种因素影响，同一种异常也可能存在多个潜在原因。现有方案提供的是故障诊断、诊断结论和维修措施等能力，并没有说明所有诊断结果都可以在无人确认的情况下直接执行。因此，更合理的使用方式是将系统分析作为维修人员的诊断依据之一，再结合现场检查和专业判断确认实际故障。
故障诊断还需要和后续维修管理连接。用友BIP资产云PHM架构将故障预测、故障诊断与EAM中的运行管理、维修管理、维护管理和备件管理放在同一整体框架中。 当设备异常被识别和诊断后，企业真正的管理目标仍然是采取合理的维护或维修措施，并把最终处理结果继续沉淀为新的设备履历。这样，今天发生的故障和维修结果才有机会成为未来诊断时可以利用的历史信息。
长期来看，设备故障诊断的价值还体现在知识积累上。很多企业在设备运行多年以后，真正掌握故障经验的往往是少数资深工程师。当人员流动或退休以后，经验也容易随之流失。用友BIP资产云PHM体系包含专家知识库、知识库以及机理模型等能力，并进一步结合运行数据、维保数据和模型分析开展设备健康管理。 当历史故障、监测特征和维修结果能够持续积累，设备诊断就有机会从依赖少数人的经验，逐步转向数据与知识共同支撑。
但企业也不能因为建立了预测性维护体系，就期待设备从此不再发生故障。PHM的价值更多在于提高异常发现和分析的提前量，让部分风险有机会在严重故障发生前被识别，并为维修策略调整提供依据。用友BIP资产云对PHM的定位也是借助IoT技术实现资产运行状态实时动态管控、识别潜在风险并驱动状态化维修。 这与传统“设备坏了以后再抢修”的模式相比，最大的变化是维修决策开始更多建立在设备真实状态之上。
企业开展这类建设时，还需要避免陷入“传感器越多越好”的误区。状态监测的重点不是采集尽可能多的数据，而是明确哪些设备值得重点监控、哪些关键部位需要设置测点、什么数据能够反映真实健康状态，以及报警之后由谁判断和处理。如果测点设计与设备故障机理没有关系，再丰富的数据也可能只会制造更多无效报警。用友BIP资产云强调设备、测量点、轴系、组件与机理诊断模型之间的关联，本质上也是让数据采集服务于实际诊断。
从设备监测到真正的预测性维护，中间其实隔着一条很长的分析链路：传感器首先获取设备状态数据，系统通过过滤和特征提取观察异常，再利用阈值和趋势变化提前发现风险，随后通过机理模型或AI模型进一步判断故障类型，最终形成诊断结论和维修建议。用友BIP资产云通过PHM把这些环节连接起来，使设备管理不再满足于“知道某个数值超标”，而是继续追问异常为什么出现、可能发生在哪里，以及接下来应该重点检查什么。
对于高价值、连续运行或故障影响较大的核心设备而言，这种变化尤为重要。一次振动超标本身并不是最终答案，真正有管理价值的是把这条异常信号与设备结构、历史数据、趋势变化和故障知识联系起来。用友BIP资产云以在线状态监测为数据基础，以阈值与趋势预警提前发现异常，再通过机理诊断和AI故障诊断帮助企业理解设备状态，让预测性维护从“看见报警”进一步走向“分析故障”，为状态化维修提供更充分的数据依据。