从状态数据到工单：机器人车队的预测性维护

大多数机器人预测性维护项目都在同一点停滞：传感器装好了，模型训练完了，仪表盘变黄了，然后什么都没有发生。异常分数不是决策，仍然需要有人指派技术员、确认减速器备件在库、并找到四小时停线窗口。检测与执行之间的这道鸿沟，决定了监测项目是收回投资还是打水漂。对单台机器人，勤勉的维护主管用一张电子表格就能弥合；但对跨六条产线、两百台机械臂的车队，这行不通。

车队与单机表现不同。两台同批次的六轴机械臂，由于负载、臂展、节拍和热环境不同，老化速度完全不同。一台在产线末端高温区、接近额定负载运行的码垛机器人，其手腕减速器磨损速度，远快于另一台在起始位置附近做轻量拣选的同型号机器人。因此，车队维护不能照搬数据手册上的日历周期。

车队规模改变的是注意力的算术。如果每台机器人每月产生三条状态警报，而只有二十分之一代表真正退化，那么两百台车队的月警报量就是六百条，对应约三十个真实问题。如果没有排序和路由，团队会学会忽略黄灯，项目最终死于「警报疲劳」。

真正携带信息的信号并不需要 exotic 传感器。大多数有用数据已经在控制器内部，只需以合理采样率导出即可：各轴电机电流和扭矩，与一个月前执行相同轨迹时的数值对比——在路径不变的情况下扭矩上升，是减速器磨损的经典特征；伺服跟随误差和位置重复精度，会在机器人报故障前就开始漂移；齿轮箱和电机温度，需结合环境温度而非固定阈值判断；加速度计采集的振动和声学数据，可用于轴承和皮带诊断；节拍时间漂移和管线包弯折次数，比任何振动模型更能预测线缆和软管故障。

关键纪律是「同类比较」。振动特征只有在相同姿态、负载和速度下比较才有意义，这正是机器人原始阈值警报噪声巨大的原因。ABB、Fanuc、KUKA 的控制器都能提供必要的过程数据，只是导出机制差异较大，通常需要一个集成层。

把异常变成可执行工单，是决定这一切能否收回成本的关键一步。