预测性维护到底能省多少钱？先看你在哪个起点

"预测性维护能降低维护成本 30%，减少停机 50%。"

这句话你大概听过。它没错，但它是个区间——而且是跨行业的。真正决定你能省多少钱的，不是你买了什么系统，是你现在处于哪个起点。

三个起点，三种算法

第一种：坏了再修（被动维修）

设备不出问题就不管，出了就抢修。

这个起点最容易出成果。因为改善空间最大——第一次"提前发现、避免了一次停机"，就足以说服全厂。

见效快，通常 3—6 个月能看到。

第二种：按周期换件（预防性维护）

有保养计划，到点就换轴承、换油、做检查。

这个起点的收益比较隐蔽。它体现为"少换了几次本来不用换的件"——需要准确的成本核算才能看出来。

但有个容易被忽略的好处：少拆一次，就少一次引入装配误差的机会。 轴承拆装本身是对中偏差和污染的来源之一。

第三种：已经有部分监测

装了测振或测温，但数据没形成闭环，报警了也没人管。

这个起点要解决的不是"加设备"，是"建流程"。见效最慢，通常 12 个月以上。

行业研究给的区间

三家机构给过的数，大致是这么几个：

McKinsey 在 2020 年那份预测性维护研究里，把维护成本降幅放在 10% 到 40% 之间，非计划停机最多砍掉一半。同一份报告里还有个更细的分法——如果拿传统预防性维护当对照，降幅收窄到 18% 至 25%；只有拿"坏了才修"当对照，才够得着 40%。

Deloitte 在 2017 年给的是另一组口径：可靠性往上走 30% 到 50%，维护支出最多降四成。

McKinsey 2023 年又补了一个跨行业均值——一次非计划停机每小时大约 26 万美元。

为什么是个区间而不是一个数？ 因为起点不同。18% 和 40% 之间那一段差距，不是方法差距，是基线差距。

所以下次看到"降本 40%"的宣传，先反问一句：它拿我现在的状态当基线，还是拿"坏了才修"当基线？

最容易被漏算的成本：误报

多数人算投入，算的是传感器、平台、实施费。

但真正决定项目成败的，是报警复核。

阈值设松了会漏报，设紧了会产生大量误报。每一次误报都要人去看、去判断、去排除。

如果没有配套的复核流程和责任分配，会发生什么？

运维团队在几个月内学会忽略报警。系统还在跑，数据还在采，但已经不起作用了。

这是这类项目失败的主要形式。 而且它在财务上不表现为"项目失败"——因为系统还在运行，看起来一切正常。

怎么算这笔账

用一个比值判断：

一年净收益
  = 省下的停机损失 − 一年的总花销
  = 过去年均故障次数 × 一次停机代价 × 能实现的降幅
    − 软硬件年化 − 复核工时费

关键是"预期降幅"取多少。

保守做法：取研究区间的下限，比如停机减少 30%。别取 50%。

理由很直接：50% 对应的是"起点为被动维修、且治理到位"的理想情形，多数企业达不到。

还有个更实际的办法：先做试点。

选一条产线或一台关键机组，跑 6 个月，用实际数据替代估算值，再决定要不要扩大。

试点最大的价值不是省钱，是它产生的数据比任何行业报告都有说服力。你拿自己厂里的真实数字去汇报，比引用 McKinsey 管用得多。

什么情况下不值得投

四种情况，建议先别上系统：

一、故障没有前期征兆

它防得住的是一点点坏下去的那类：磨损、疲劳、不对中逐步发展。防不住的是说坏就坏的：异物打进来、绝缘击穿、操作失误、材料内部缺陷直接断裂。

如果某类设备故障模式以突发为主，砸钱上监测的投入产出会很差。

二、设备快报废了

投入回收期不够，不如直接规划更新。

三、停机损失本身不高

有备机、可调度、非连续生产——这种场景定期检测就够了。

四、内部没人接报警

先建流程，或者把诊断外包，别急着上系统。

一个判断顺序

如果只能记一句话：

先给设备分级，再谈技术，最后谈预算。

按失效后果排序——安全环保影响、停机损失、维修成本、连带损坏范围。

别按"哪个设备好装传感器"排序。 这是最常见的错误，结果是数据都装在了不重要的设备上。

说句实话

预测性维护不是"上了就省钱"的项目。它是一个需要治理配套的工程——阈值谁定、报警谁看、工单谁闭、效果谁统计。

这四件事不解决，系统就是个昂贵的数据采集器。

作者：江苏振迪检测科技有限公司 技术团队
文中数字出自 McKinsey 2020／2023 两份研究与 Deloitte 2017 年研究｜“趋势优于绝对值”的表述见 ISO 20816-1