资源介绍
视频数量：66个
总时长：1小时52分
课程介绍：
工业AI落地指南：预测性维护、数字孪生与智能制造实践
凌晨两点，你被手机铃声惊醒——工厂一台关键设备突然停机，维修团队被迫深夜赶到现场。更糟糕的情况是：设备昨天还运转正常，今天早上却毫无征兆地宕机，导致整条生产线陷入瘫痪，损失难以估量。这种两难困境正是传统维护模式面临的核心问题——要么过度维护导致资源浪费，要么维护不足引发突发故障。工业AI正是为了解决这个问题而诞生的，它不是在描述一个遥不可及的未来图景，而是在讲述一个正在发生的事情：工厂已经开始用数据预测设备故障，在问题发生之前就采取行动。
这门课程带你从零开始理解工业AI。我会解释为什么PLC擅长执行规则但无法预测问题，AI则能发现那些人工难以察觉的规律，同时也要诚实地指出AI的局限性。课程采用五级OT-IT融合模型来分析你的企业现状，通过成熟度评估帮助你确定应该从哪里起步。
一、数据：那些已经被忽视的信号
工业AI的燃料是数据，但很多工厂的数据资产远没有你想象的那么丰富。你知道你的historian每秒采样一次数据吗？轴承缺陷发生在1000到20000赫兹的频率范围，低于40000赫兹的采样率根本无法捕捉这些信号。不是AI算法不够好，而是采样率太低，关键信息在物理上就已经丢失了。我会教你如何检查自己的传感器配置，如何在不更换现有historian的前提下，通过边缘设备实现高频采样，在一周内就建立起轴承缺陷检测能力。
课程会深入讲解四个导致AI项目失败的数据问题，帮你理解监督学习和无监督学习各自适合什么场景，手把手教你从历史数据中提取有意义的特征，建立从数据采集到模型训练再到部署验证的完整管道。这些内容不需要你有数据科学背景，关键是理解数据的语言。
二、预测智能：让机器自己说出故障
当设备出现异常时，它不会开口说话，但会发出振动、热辐射、电流变化等各种信号。振动分析是旋转机械预测维护的核心——轴承缺陷有特定的频率指纹，通过FFT频谱分析可以识别出不平衡、不对中、轴承磨损还是齿轮问题。我会详细讲解热成像、声学分析、油液分析、电流特征分析等不同监测手段各自的优势和适用场景，告诉你如何根据设备特点选择最合适的技术组合，而不是被供应商忽悠买一堆用不上的设备。
剩余使用寿命评估是这个部分的关键指标，它把机器健康的语言翻译成管理层能理解的语言——这台设备还能运转多少天，维修窗口应该安排在哪里。课程最后提供了预测性维护的完整试点模板，让你可以直接在自己的工厂落地。
三、数字孪生：在虚拟世界里复制你的工厂
数字孪生不是炫酷的3D模型，而是一个能够反映