在选型上，新的对比框架应先回到失效机理。旋转类设备优先看振动与电流，热失控或润滑退化相关问题需要温度与压力，早期异常或局部冲击往往要引入声学信号。单一传感器方案部署快、改造轻，适合先做可行性验证，优势是维护简单、故障定位路径清晰；但在复杂工况下，单信号容易受噪声和工况波动影响。多模态组合可提升异常识别的稳健性，尤其对复合故障更友好，不过代价是同步难度、边缘算力需求和运维复杂度上升。是否上多模态，不应只看“识别更准”，还要看现场团队是否能长期维护采集与标注流程。实施步骤的调整同样明显。过去常见做法是先采一段数据再讨论治理，现在更可行的路径是从试点阶段就明确标注口径、事件定义和数据留存策略，并同步设计采集频率与时间对齐规则。对于高频信号，边缘侧预处理已从“可选项”变成“基础项”，例如降噪、特征提取、异常片段缓存，能显著降低回传压力并提升可用性。更重要的是建立闭环：采集—标注—训练—上线—反馈—再训练，避免出现“模型在实验室可做，现场却难以维护”的断层。

不同场景下，传感器组合与部署节奏应区别对待。连续流程行业通常更重视稳定运行，适合从关键工段的温度、压力、电流等已有信号切入，再按风险点补充振动或声学；离散制造设备类型多、节拍变化快，宜采用“高覆盖、分层精度”的策略，先用成本可控的基础传感器建立广域监测，再对高故障频设备加密高精度采集；高价值关键设备停机代价高，即使部署复杂，也更值得采用多模态与更严格的同步方案。简化判断就是：故障代价高、工况复杂、诊断窗口短时，优先高精度；设备数量大、改造预算紧、维护人力有限时，yabo的app优先高覆盖。从决策层面看，传感器选型不应被当成一次性采购，而是预测性维护体系建设的一部分。可按四个轴评估：停机风险、改造预算、现有自动化基础、团队数据能力。若自动化基础较好但算法团队薄弱，可先用规则与浅层模型跑通流程，再逐步引入深度学习；若已有较完整数据平台，则应尽早把多源时间对齐和模型迭代机制做实，避免后续返工。务实路线通常是小范围验证可迁移方案，确认在相近设备与工况下可复用，再分阶段扩展到产线级、车间级，最终走向全厂级预测性维护，而不是一开始追求“大而全”。