现状
一家 SG 总部的精密工程出口商跑两条产线（CNC + 后处理检测），高混合、低产量地为医疗器械与航空供应链生产零件。约 18% 的计划生产工时被非计划停机吃掉 —— 一半是主轴轴承故障，一半是人工检测站的”假阳”误判。
代价：每条产线每月损失约 3 天生产，加上不能按时发货的客户预订带来的库存持有成本。他们评估过 3 个”预测性维护” SaaS。没有一个接得上他们的用友 NC Cloud ERP，没有一个能适配他们主轴的具体故障模式，也没有一个能在不让人把告警手抄进现有维护系统的前提下闭环。
我们做了什么
主轴振动监测
给主轴轴承装三轴加速度传感器，OPC UA → MQTT 流进 Azure IoT Hub。训练按资产的异常模型，把振动特征跟具体故障模式绑定（不是泛泛的”离群”打分） —— 轴承磨损、润滑流失、不对中各自的频域指纹不同，维护班的响应也不同。
视觉 AI 检测站
在产线旁部署视觉 AI 检测台 —— 边缘盒子上跑小卷积模型，置信度低于阈值时自动落到人工。60 件/分钟吞吐，2 秒内决策。前 8 周让人工检测站并行跑，量一致率、调参、然后把人工转到例外审核。
用友 NC Cloud 工单集成
告警流进现有的用友维护工单模块 —— 预填资产 ID、故障模式预测、推荐备件、推荐的 48 小时排单时段（最小化生产影响）。维护班在他们用了多年的同一个屏幕上确认并派单。
结果
- 两条试点产线非计划停机 -41%
- 60 件/分钟持续吞吐下 < 2 秒 瑕疵识别
- 生产期首 6 个月 零误判导致的客诉退货
- 预测后 48 小时内告警到排单率 92%（之前 38%）
- 按时发货改善带来的客户 NPS 提升；客户预订不再滑期
我们学到了什么
最大的解锁不是模型 —— 是让维护班相信告警到愿意据此排单。我们花在人的流程变更上的时间比花在 ML 上的多：每一次”假阳”调查都公开复盘，每一次抢救下来的轴承故障都庆祝一次，模型置信度阈值跟维护 lead 一起在房间里调。
用友集成的重要性超出我们预期。之前 SaaS 工具的采用失败因为告警走邮件 —— 被过滤、被忽略、最终被不信任。作为预填工单进现有团队已经在用的系统，闭环用了几天，不是几个月。