产线上很多东西都有人盯着：电机、变频器、PLC、机器人。唯独有一台机器，平时不起眼，出事却最要命——那台放在电柜里、或者挂在设备旁边的工控机。

        它一宕，整条线停。但很少有人提前盯着它。

       很多车间里，工控机是“黑盒”。它平时不声不响，出问题基本是突发：夏天高温跳闸、内存越吃越紧最后卡死、硬盘用了几年SMART已经报黄、半夜掉电系统起不来。等人发现，都是停机之后的事了。

       其实这些故障在发生前，早就留了一堆痕迹：

1. CPU温度不是突然飙升的，是几个月里一点点往上爬；
2. 内存占用不是某天突然满的，是每个班次之后都比上一个班次高一点；
3. 硬盘SMART里的重映射扇区数、待映射扇区数，一直在涨，只是没人去看；
4. 页错误率长期偏高，说明内存已经吃紧，离卡死不远了。

       问题从来不是“没有数据”，是“没人去看”。

一、它盯的是一台机器，不是一条产线

       先把定位说清楚，避免误会。

      成直PHM检测系统监测的对象，是工控机这个计算节点本身，不是电机、减速机、主轴。它不测振动，不接PLC，不采集转速电流。如果你的需求是给设备做振动监测，那是另一类产品，这套不是干这个的。

      为什么要单独盯一台工控机？因为在工业现场，工控机就是那个“单点”。它不是产线里最贵的设备，却是最脆的那一环——它挂了，底下所有受它控制的东西一起停。电机坏一台，产线还能降速顶一顶；工控机死机，是全停。

所以这套系统的逻辑很简单：把那个最容易被人忽略、但停一次就全线瘫痪的节点，当成一等公民去管。

二、它到底采什么

     具体到指标，采的是工控机主机自己的硬件状态：

1. CPU：温度、负载、功耗、电压、频率；
2. GPU：温度、负载、风扇、功耗、显存；
3. 内存：使用率、已用、总量；
4. 磁盘：温度、SMART（重映射/待映射/不可纠正扇区、健康分）、读写速率；
5. 系统：页错误次数、USB插拔事件。

       这些指标不是凑数的。每一类背后都对应一类真实故障：

1. CPU温度、功耗、频率，对应的是散热和供电问题。温度爬升、降频、掉压，都是板子要出事的信号。
2. 内存使用率和页错误，对应的是内存泄漏和容量不足。很多工控程序跑久了会慢慢吃内存，掉不出来，最后就是越用越卡、越卡越死。
3. 磁盘SMART是很典型的“提前量”。机械盘和SSD在彻底报废之前，重映射扇区数会先涨，健康分先掉。这些数据不读，盘就是突然坏的；读了，就能提前换。
4. USB插拔对应的是现场有人动硬件、或者接口接触不良。1秒一次轮询，同型号的设备用“名称+PNP设备ID”区分，不会因为两台一样的U盘插拔而漏报。

三、数据从哪来，为什么普通机器也能用

      采这些数据，靠的不是外接传感器，而是系统级的接口：

1. CPU温度，优先读主板MSR，读不到回退PDH，再不行走WMI，最后还有一套LibreHardwareMonitor的兜底实现。
2. GPU走nvidia-smi，读不到同样有回退。
3. 磁盘和SMART，走WMI。

        这套四层回退的意义，说白了就是不挑硬件。不是非得某款高端主板、某个特定型号的传感器芯片才能用，普通工控机、组装机都能跑起来，只是能采到的指标多少有差别。现场最常见的机器往往是杂牌主板、老平台，这种场景下，回退机制比“参数漂亮”实在得多。

四、数据怎么流，判断在哪做

         采集到之后，数据大致是这样走的：

工控机本地采样 → 写进CSV和状态文件 → AI引擎读CSV做分析和预测 → Server出API → 看板渲染

        这里有两点值得单独说。

第一，异常判断在本地完成，不是全丢到云端再等回来。这样外网断了，本地照样监测、照样报警，过热了该弹的警告当场弹，不用等网络恢复。原始数据也不用全量上传，省带宽。

第二，它留双份记录：runtime目录和日志目录各一份，留存90天。CSV是53列、中文表头、带BOM，用Excel直接打开不乱码。这看着是小事，实际排查故障的时候，数据能直接打开、能看得懂，比什么都强。

五、AI在干什么，以及它什么时候不说话

        AI引擎做两件事：异常检测，和趋势预测。

检测用的是ADTK+PyOD这套组合，预测用statsforecast的AutoARIMA/AutoETS。它的价值不在“现在多少度”，而在“按这个爬升速度，还能撑多久”。CPU温度、内存占用、磁盘健康分，都能出预测曲线和剩余寿命估算。

        但有一点要提前说清楚，这也是刻意设计的：数据不够的时候，预测宁可留空，也不瞎报。刚上线前一两个月，主要是状态监控；要做到有意义的寿命预测，得攒一段真实运行数据，尤其是故障样本。这期间看到预测曲线是空的，不是坏了，是它知道自己还没把握。对一套要做“预测性维护”的系统来说，“不装懂”比“瞎给数”重要。

六、告警怎么发，为什么不会刷屏

         告警机制也是这套系统里下了功夫的地方。

        健康分是统一打分的，不是哪个指标超了就报哪个。分数分优秀、良好、警告三档，异常分级处理，每一条告警都带原因，不是给个数字就完事。

          防误报做了几件事：

1. 持续时长门控：不是瞬时超标就报警，要持续一段时间才触发，滤掉毛刺。
2. 递增冷却：同一类告警报了之后，冷却时间从5分钟逐渐拉长到2小时，避免同一个问题反复刷屏。真的事态升级了，可以绕过冷却强制再报。
3. 合并通知：环形缓冲区攒16条，桌面弹窗和事件页统一呈现，而不是一条一条往外蹦。

        目标是：该报的一条不漏，不该报的不烦人。现场最怕的就是告警系统天天“狼来了”，报多了人就麻木了，真出事反而没人看。

七、从异常到修完，能不能串起来

        能。预警触发之后，系统会生成维保工单：指派人员、跟踪备件、记录检修结果。这样“发现异常”到“完成维修”这一段，是有记录的，不是弹一条报警就结束。

        这个能力决定了它到底是“监测工具”还是“运维系统”。单点监测工具只告诉你“出事了”，然后就没下文了；成套方案把后面的处置也接上。这也是它和那种只看温度的小工具的本质区别。

八、它自己能活下来吗

        一个监测系统，最尴尬的是自己先崩了。所以它对自己的稳定性是有要求的：

       授权和守护是分开的。有个看门狗进程，每分钟自拉起，链上的采集、Server、AI任何一个挂了，都会被打起来。停电重启之后，靠计划任务也能自己恢复。

       掉电前会存传感器快照，真遇到蓝屏（BSOD），事后能知道“死之前是什么状态”，排查不用全靠猜。

       授权方式有两种：加密狗绑定，或硬盘序列号绑定，二选一或两者都认。token有300秒有效期，拔了狗或授权失效，5分钟内关停。

        一句话：它是按“7×24常年不关机、且挂了要能自己爬起来”这个标准来做的。

九、它管不了的事，也提前说清

       第一，前面反复强调的：不测振动、不接PLC、不测电机主轴。定位就是工控机主机监控。

       第二，模型需要数据。上线初期是状态监控，精准预测要攒数据，这是物理规律，不是软件能跳过的。

       第三，硬件得选对。车间高温、多尘、电压不稳的地方，工控机本身要工业级宽温、冗余存储、防掉电设计。软件再好，硬件拖后腿，监测系统自己先趴下，就谈不上保护产线。

      第四，管理要跟上。系统给出维保建议，现场没有执行机制，建议就等于没给。软件解决“看到”，解决不了“有人去修”。

十、怎么落地，建议分三步

       真要上，别一上来就全厂铺开。稳妥的做法是：

1. 先挑一条关键产线试点。选那条停一次损失最大的线，把工控机装上，跑一到两个月。
2. 这段时间看两件事：一是看它报的东西准不准，有没有漏报、误报；二是攒数据，让预测慢慢长出来。
3. 跑通了再扩。试点验证过告警逻辑、工单流程都顺了，再往其他工位、其他厂区铺。

       总之一句话：这套系统的定位，就是给那台最容易被人忽略、但停一次就全线瘫痪的工控机，做一个7×24的“体检+预警+工单”闭环。

       如果你们车间停过线，最后查来查去，结论是“上位机不知道怎么回事就死了”——那这套东西就是干这个的。

        https://www.zidonghua.com.cn/uploadfile/2026/0917/20260917020814714.pdf