传感器装上去之后，预测性维修卡在哪里

预测性维修这几年是热门话题。逻辑听上去无懈可击：与其按固定间隔把好件拆下来检查，不如实时监测状态，坏之前再修。省航材、省工时、少停场。

道理没错，但真正把整条链路跑通的案例并不多。卡住的地方，我觉得不在技术。

先把技术链条拆开

预测性维修的技术链条其实分三段，难度递增：

监控：把数据采下来。发动机有 FADEC 和发动机健康监控，机体有各家的健康监控系统，飞行数据有快速存取记录器一路的记录。这一段技术成熟度最高，波音、空客的公开材料里都讲了他们怎么采集和传输。

诊断：判断”哪里出问题了”。基于阈值和规则的告警很成熟，基于模型的诊断在部分系统里能用。

预测：判断”还能用多久”。这就是剩余寿命预测（RUL），这一段是最难的——它需要故障演化过程的物理模型，或者大量带标签的失效样本。

监控数据不缺，缺的是”这条数据对应的真实状态是什么”。

一次发动机轴承的早期损伤，可能在几万条飞行数据里只是几条曲线的轻微偏移。要训练一个能捕捉它的模型，需要有足够的样本，并且每个样本都要有明确的报废检验结论做标签。

而航空业的特点是：部件可靠性高、失效样本少。这是好事（安全），也是坏事（数据科学）。为了补样本，常见做法是台架加速试验和仿真数据——但仿真和真实工况的差距，又引入了新的不确定性。

这一点反直觉，但很实在。

漏报的代价是安全问题，谁都不敢轻视。误报的代价听起来小——“多检查一下嘛”。可实际上，一次误报触发的是：拆件、送修、装一个周转件上去、走一遍测试、可能还占用了本来要给别人用的备件。如果这个件拆下来检验发现是好的（无故障发现，NFF），这套流程的成本就白花了，而且周转件的循环被额外消耗了一次。

所以误报率高的时候，运营方会做的事很现实：把告警阈值调宽，或者干脆不信任这个功能。系统就这样被”软性废弃”了。

一个健康监控系统好不好用，衡量的不该是模型准确率，而是每次告警带来的净收益。这个指标要求运营数据回流，而数据往往在两个组织手里。

预测性维修省钱的前提是，维修方案允许你”不按固定间隔修”。如果维修大纲还是强制每多少小时拆检一次，那么即使你预测得很准，也只是多知道一点信息，省不下工时。

所以预测性维修要真正省成本，需要一整套东西配合：维修方案的调整、可用件与备件的调拨、修理能力的响应速度、以及合同里对可用度的约定。它不是一个技术项目，是一次维修体制的调整。

跟保障合同的关系也很大。如果备件和修理是按飞行小时打包付费的，那么减少拆换量省下的钱归谁，直接影响供给侧愿不愿意推这件事。

只看模型指标，健康监控的评估很容易做偏。工程上更关心的是这几个数。

拆换率与无故障发现率（NFF）。 前面提过 NFF 的代价，这里把它当指标看：报修拆下来的件，检验后发现是好的，这个比例越高，说明告警越不可信，维修成本越难看。

每次告警的净收益。 一次告警带来的收益（避免的空中停车、避免的非计划停场）减去它的成本（拆装工时、备件消耗、周转件占用、测试费用）。这个数是负的，功能再先进也不该用。

告警响应时间。 从系统出告警，到有人做出处置决定，中间隔多久。这个数值暴露的往往不是技术问题，而是流程问题——数据到了，但没人负责看。

误报与漏报的比例关系。 这两者可以互相替代，阈值调宽就少误报、多漏报。关键是调到哪个位置最划算，而”划算”要用上面那个净收益来定义。

这四个数都要求把运营数据和维修结果回流。它们不在飞机上，也不在算法里，在两个组织的中间。

这里有个容易忽略的门槛：当算法参与维修决策时，它算不算设计的一部分？

监管方在审的是”这个决策过程可不可信”。欧洲航空安全局在 2020 年提出的 AI 路线图里给了一个分级的框架，大致思路是：AI 承担的角色越关键、越不可解释，对它的要求就越严；人在回路里的程度不同，门槛也不同。2023 年出的更新版本又往具体应用推了一步。

翻译成工程语言就是：如果你想用一个模型决定某个件要不要拆，你得能说清楚它的输入是什么、训练数据从哪来、失效模式是什么、以及出错的时候谁负责。这一套文档工作，工作量比训练模型大。

传感器、通信、算力这些东西都在变便宜，技术门槛在下降。真正没有下降的是”从告警到处置”这条链路上的组织成本：谁看数据、谁有权限做决定、拆换的账记在谁头上、出了问题谁签字。

看几家制造商的公开材料，会发现他们讲的重点也已经从”我们有多少数据”转向”我们怎么帮客户做决定”。这个转向本身就说明问题在哪。

数据不缺，缺的是敢用数据做决定的人，和一套让人敢做决定的规则。