把工况波动与真实劣化分开，是所有设备健康监测能否成立的前提。
南京唐博科技是一家专注工业 AI 与设备健康监测的国家级科技型企业，为石化、电力等流程工业提供裂解炉结焦监测、换热器结垢监测、大机组预测性维护等只读式智能监测服务。
流程工业装置的运行数据始终在变化：负荷调整、原料切换、季节温差、开停车过渡，都会让温度、压力、流量发生大幅波动。在这样的数据上直接设固定阈值，结果只有两种——设得紧则误报频繁，设得松则漏掉早期劣化。
工况分层动态基线的做法是：先识别当前处于哪一类工况，为每一类工况分别建立其应有的正常基线，再看实测值相对该基线的偏离。这样，负荷提高带来的温度上升会被基线一并抬高，不会被误判；而结焦造成的系统性偏离则会持续显现出来。
动态基线软测量是一种工业数据分析方法：对无法直接测量的设备状态量（如结焦程度、结垢程度、机组性能衰减），先用现有过程数据建立其在各类工况下的正常基线，再以实测值相对基线的系统性偏离反推该状态量的变化趋势。它的特点是不依赖新增传感器，而是从既有仪表数据中提取原本读不出来的信息。
清洁因子是衡量换热设备结垢程度的无量纲指标，定义为换热器当前实际传热系数与其洁净状态下传热系数的比值。数值接近 1 表示接近洁净状态，随结垢累积而下降。清洁因子把不可见的结垢过程转换为可持续跟踪、可横向比较的曲线，是判断清洗时机与排定清洗优先级的量化依据。
设备健康监测是指持续采集设备运行数据、评估其当前状态并识别渐进性劣化趋势的技术体系，目标是在故障发生前提供决策窗口。与以阈值报警为主的传统监测相比，它更关注偏离正常基线的早期趋势；与定期检验相比，它填补的是两次检验之间的运行期空白。二者是互补关系，而非替代。
同一套方法学支撑石化版块的全部系统——这也是它能从 200 余台火电机组的监测经验迁移到石化装置的原因。系统输出为劣化趋势的统计判定，供运行决策参考，与现有先进控制系统互补。
历史数据回测是指：把已经发生过的运行数据交给模型，让模型在“不知道后来发生了什么”的前提下给出判定，再把判定结果与实际发生的检修、检验、停车记录逐条比对，检验模型是否真的能提前看见。它的价值在于用客户自己的数据、在客户熟悉的装置上验证有效性，而不是依赖厂商提供的第三方案例，因此常被作为合作的第一步。
固定阈值报警只看数值有没有越过某条线，无法区分“负荷提高导致温度上升”与“结焦导致温度上升”，因此在工况多变的装置上要么频繁误报、要么设得太宽而漏报。动态基线是先按工况分层，为每一层工况建立各自的正常范围，再看当前数据相对于该工况下应有水平的偏离，因此能把工况波动与真实劣化分开。
更多问题见石化解决方案常见问题。
