一台注塑机装几百块钱的传感器，避免一次非计划停机就回本

MEMS 振动传感器的单价，已经从 30~50 美元降到 5~8 美元（工控行业媒体，2026 年 7 月）。

降了大约六分之五。这个降幅对一间开着几十台注塑机的厂意味着什么，第二节会把量级算给你看。但在算之前，先说一句泼冷水的：十家厂里有八家，第一笔钱花错了地方。

一、买了大脑，没有神经

大多数厂启动预测性维护这件事的顺序是这样的：先有人推荐一套系统，能画振动曲线、能设阈值报警、能自动出周报；老板看完演示觉得清楚明白，签了；三个月后系统上线，界面很漂亮，里面没有数据。

因为那套系统需要的东西，你厂里从来没有过——连续的、带时间戳的、能对应到具体机台和具体故障的运行数据。

这不是我的推断，是这个领域里被反复说的一句话：预测性维护的真正挑战是数据不是算法（工控行业媒体，2026 年 7 月），具体卡在三处——数据采集、数据标注、故障样本稀缺。

把这句话翻译成采购顺序，就是：先有采集，再有样本，最后才轮到算法。

而销售的拜访顺序恰好是倒过来的。这不能怪销售——算法平台是有毛利、有版本、有年费的商品，传感器是几美元一只的耗材，没有人靠卖传感器上门做一次拜访。你被推着从第三步开始做，是这个生意结构决定的，不是你判断力差。

所以第一个动作不是选型，是把顺序掰回来。

掰回来之后，第一年你要做的事其实非常朴素，朴素到不需要开项目会：把传感器装上去，把数据存下来，把每一次停机的原因记下来。就这三件。三件里没有一件需要模型，也没有一件需要供应商的年费。

这里要先堵一个常见的反驳：「那我先装着，数据攒着，不知道有没有用，不是浪费吗？」在传感器还是 30~50 美元一只的年代，这个反驳是成立的——那时候装错一个点位是要心疼的。跌到 5~8 美元之后，这个反驳就失效了。下一节讲为什么。

二、硬件成本塌了，到底意味着什么

单只 30~50 美元跌到 5~8 美元，带来的不是「省了一笔钱」，是三件性质上的变化。

第一，「装不装」从投资决策降级成了消耗品决策。 一台设备装六个点位，过去是 180~300 美元，这个数在多数厂是要打报告、要走审批、要论证必要性的；现在是 30~48 美元，跟一台机器一年的润滑油差不多，班组长的日常物料就能报掉。审批链条一短，这件事才有可能真的启动——很多技改死在的不是钱，是那三个签字。

第二，你可以先装再想，而不是先想再装。 过去传感器贵，所以必须先论证「装在哪儿最有价值」，而论证要请懂行的人来做，请人的钱比传感器还多，于是项目在论证阶段就停了。现在可以反过来：多装几个点位，让一年的数据自己告诉你哪个点位有信息量、哪个点位一年到头都是平的。用几十美元换一次不用争论的实验，这笔交换在过去不划算，现在划算。

第三，也是最要泼冷水的一条：便宜的只有传感器那一层。 下面四项都不在 5~8 美元里，而且每一项都比传感器贵：

• →走线。 车间里最难的从来不是把传感器贴上去，是把线从机台安全地走到采集点，避开油污、高温、行车和叉车。
• →采集与存储。 数据落到哪台机器上、断网的时候在哪儿缓存、存多久。
• →安装需要的停机窗口。 这是隐性成本里最真实的一笔。要么占用计划检修的时间，要么就是一次计划内停机。
• →每天有人看一眼数据有没有断的那个岗位。 这一项没有采购单，但它决定了前面三项是不是白做。

算一下你自己的量级：单只 5~8 美元，乘上你要监测的点位数。四个点位是 20~32 美元，六个点位是 30~48 美元。标题里说的「几百块钱」，指的就是这个量级折成人民币的样子——请注意，它指的是传感器本身，上面那四项要另算。

至于回本，我不给你一个月份数，因为那个数不是我能算的。你自己做这道除法：一次非计划停机的损失 ÷ 你这台机器的传感器投入。 分子怎么算，我给你口径：停机小时数 × 该机台每小时产值，加上赶工加班费，再加上如果耽误交期所付出的代价（违约金、空运补货、或者一次说不清价格的客户信任损失）。分母就是上面那个几十美元加上那四项。这道除法只有你能做，因为分子里的每一个数都在你厂里，不在任何一份报告里。

三、风电到了 60%，离散制造不到 15%：差的是哪三件事

一组对照：预测性维护在风电行业的渗透率已经超过 60%，而在离散制造业仍然低于 15%（工控行业媒体，2026 年 7 月）。

先给这个 15% 找个坐标系，免得你觉得自己特别落后。据长江商学院对全国 2016 家规模以上工业企业的调研（澎湃新闻，2026 年 5 月），工业企业整体 AI 渗透率是 10.0%，其中小企业只有 5.4%。放在这个大盘里，离散制造预测性维护那个不到 15%，其实不算低。

真正值得研究的是风电为什么能到 60%。三个原因，一个都不神秘：

第一，工况标准化程度。 一台风机常年在做同一件事——转。载荷谱窄，转速带集中，振动特征稳定，什么叫「正常」有一条清晰的基线，偏离了就好认。你的注塑机这一班跑 A 模、下一班换 B 模，锁模力、注射速度、料温全变一遍，换一次模具，振动基线就换一套。所以离散制造的第一难点不是算法不够聪明，是「正常」这个基准本身在动。

第二，故障样本的积累。 风电场机型集中，一个业主手上可能有几百台同型号机组，坏过的样本能横向拼在一起，一个厂的教训能喂给所有同型号。你厂里同型号的注塑机可能只有三台，三年坏过两次。样本稀缺这件事在你这儿是结构性的，不是多努力就能短期解决的——这也正是那三处卡点里「故障样本稀缺」的现实含义。

第三，单次停机损失的可计算性。 风机停一小时，损失等于那一小时本该发的电乘上电价，是一个能直接报到董事会的数。你的注塑机停两小时，损失取决于那两小时本来在跑哪个单、赶不赶得回来、客户能不能等——而大多数厂根本没有这个数。没有这个数，立项的时候就说不清收益，说不清收益，项目就立不起来。

这三条里，第一条和第二条你短期改不了，那是行业结构。但第三条你在这一年之内就能改，而且不花钱——把每一次停机的损失记成一个数。这件事本身不需要任何系统，它是所有后续投入的立项前提。

四、第一年只做一件事：装上、采数、记录每一次停机的原因

第 1 步：选设备。 只选那种「一停就直接卡住交付」的机台。选几台？先三到五台，别全上。全上的结果是第二个月就没人维护数据了。哪些设备不该选，最后一节专门说。

第 2 步：定点位，然后一年不改。 每台先装最基础的几处：电机端、泵端、传动端，再加一个环境温度做参照。不追求覆盖全面，追求这几个点位一年之内不动。点位改来改去，前面攒的数据就没法跟后面的比，等于作废。

第 3 步：定采样与留存规则。 写清楚四件事：采样频率多少、单条数据留多久、存在哪台机器上、谁有权限删。这一步没人爱做，但它决定了一年之后你手上是一年的连续数据，还是只剩最后一个月的数据加十一个月的空白。

第 4 步：建停机台账。这是全年最重要的一步。 每一次停机记七列，一列都不能省：

• 1停机开始时间（精确到分钟）
• 2恢复生产时间（精确到分钟）
• 3机台编号
• 4当时在跑的产品或模具
• 5停机现象——写操作工的原话，不许美化。他说「有异响」就写有异响，说「屏上跳了个红字」就写跳了个红字
• 6处理动作：换了什么、调了什么、谁处理的
• 7事后判断的原因（允许当场留空，三天之内补上）

第 5 列是最容易被写坏的一列。班组长习惯把它填成「设备故障」，那样填，一年之后这一列一点用都没有。原话难看，但原话有信息。

第 5 步：每周一次，十五分钟对账。 把过去七天的停机台账和同期的振动数据摆在一起看一眼。不是做分析，就是看一眼，目的是尽早发现「数据断了三天没人知道」「时间戳对不上」「某个点位一直是零」这类问题。这类问题在第一周发现是十分钟的事，在第十一个月发现是一年白干。

第 6 步：满一年，再谈算法。 到那时你手上有三样东西：一年的连续振动数据、一份带原因的停机台账、以及若干次故障前后的对照片段。带着这三样去谈平台，你问的问题会从「你们准不准」变成「拿我这份数据跑一遍给我看」。这两个问题的谈判地位，差着一整个身位。

什么设备不值得装，以及第一年别期待准确率

先说不值得装的，四类：

第一类，单价低、坏了两小时之内能换上备件的设备。装了只是给自己多一个要维护的数据源。

第二类，停了不影响交付的设备。判断口诀很简单：如果这台设备停一整天，你的发货计划不用改，就别装。

第三类，一年之内准备淘汰或大修的设备。数据攒到一半设备没了，白攒。

第四类，你没有人负责的设备。第 5 步那十五分钟对账，如果找不到一个具体的名字来做，这台机器的数据一定会在第三个月断掉。

再说期待值。第一年不要期待预测准确率。 第一年的产出不是「提前三天报警」，而是另一件更基础的东西：你终于知道自己厂里一年到底非计划停了多少次、每次多久、分别为了什么。绝大多数厂在做这件事之前，对这三个问题的答案都是印象，不是数字。

从印象变成数字，这一步本身就值那几十美元。而且它是唯一一步，做完之后你才有资格判断后面那笔大钱该不该花。

反过来说——如果你连第 4 步那七列台账都坚持不下来，那么第 1、2、3 步也就别做了。没有台账的振动数据，一年之后还是一堆没有标签的波形，谁也帮不了你，包括你后来买的那套系统。

至于「这笔钱到底该买设备还是该租」，那是另一类支出的账，本站另有一篇专门拆它的三年总账。