收益：
- 能够了解维护方法和状态监测指标（振动、温度、压力、油液分析）并利用人工智能从基线标记异常
- 能够在环境（负载、空气、循环）中评估异常信号，对其进行物理验证，并将诊断维护决策留给总工程师。
- 能够理解人工智能说“有故障”是一种假设，而它的沉默并不能保证“没有问题”，常规的人类控制是必不可少的。
机舱是船舶的心脏。主机（驱动船舶的主机）、发电机、锅炉、水泵、分离器、冷却和燃油系统每天24小时运行。海中的断层比陆地上的断层危险得多：最近的服务可能需要几天的时间。预测性维护——通过监控设备状况并在故障发生之前预测故障来规划维护——可以最大限度地降低这种风险。人工智能在从传感器数据中提取模式和异常方面非常强大；但诊断和维护决策由总工程师负责。
在本单元中，您将学习如何在机器监控（状态监控）、异常检测和预测性维护中安全地使用人工智能。
维护方法和人工智能的地位
基本的维护方法有以下三种：
- 故障后维护：成本最高、风险最大；机器出现故障时进行维修。
- 计划性维护（PMS - Planned Maintenance System，按照固定周期/工作时间进行维护）：是船舶上的标准，但有时提早（不必要）有时推迟。
- 预测性维护（基于状况）：根据设备的实际状况；就像“振动和温度增加，轴承将在200小时内需要维护”。
人工智能特别支持预测性维护。状态监测是对设备健康状况的持续测量；主要指标：
- 振动：轴承、齿轮和不平衡故障的早期指标。
- 温度：轴承、排气、冷却液温度。
- 压力：油、燃油、空气、冷却压力。
- 润滑油分析：油中的金属颗粒表明磨损。
- 性能：功率、转速、油耗、排气温度分布。
人工智能了解这些数据的历史，并标记与基线的偏差——设备的健康正常行为。但偏差意味着什么（哪种故障，有多紧急）是工程师的解释。
提示：当出现AI异常标志时，一定要给出设备的健康基线和正常运行情况。传感器值通常会随着负载、天气和速度变化而变化；不知道这一点的人工智能会产生误报。
从异常标记到诊断
当人工智能标记异常时，过程如下：
- 标志：“4 号气缸的排气温度比其他气缸高 25°C，并且在过去 12 小时内一直在升高。”
- 上下文检查：这种增加是由于负载/转速变化还是实际偏差？它与其他指标交叉看待。
- 物理验证：工程师手动读取仪表板，检查相关设备（喷油器、排气阀）。
- 诊断与判定：找到原因；计划维护、推迟维护或进行紧急干预。
AI在第1步很强；步骤 3 和 4 属于工程师。人工智能说“出现故障”并不是诊断，而是假设。
注意：如果预测模型遇到与训练数据不同的情况（新的燃料类型、不同的负载曲线），则它可能是错误的；可能会错过实际故障（误报）或将正常设备指示为有故障（误报）。因此，在关键设备中，如果没有物理控制和工程师解释，AI信号不会转换为维护/停止决策。
三个迷你箱子
案例 1 — 及早发现轴承故障。在发电机中，YZ 标志着振动频谱中某个频率（轴承故障频率）的上升。第二位工程师手动验证振动测量，发现油液分析中金属含量增加，并更换了第一个端口的轴承。导航时不会出现故障。 AI提前预警；工程师验证并计划。
案例 2 — 误报。 AI的头机突然出现“异常”。总工程师检查时发现，偏差是由于当时计划的负荷变化造成的；设备健康。该模型并未“正常”学习这种操作。不进行不必要的干预。教训：没有上下文的异常会产生误报；每个信号都经过验证。
案例 3 — 错过了缓慢恶化。团队不会注意到冷却泵正在慢慢失去效率，因为人工智能永远不会发出警报；该模型认为这种缓慢的漂移是“正常的”。下降的流量在常规性能控制（人眼）中被捕获。教训：人工智能沉默并不意味着“一切都好”；定期的人工检查至关重要。
四个可复制模板
1）异常优先级：
您的角色：机器状态监测顾问。我将为您提供过去[时期]的振动/温度/压力数据以及[设备]的健康基线。我还将记录该期间的负载/周期变化。任务：标记与基线的显着偏差；将每一项评估为“是否是由于负载/循环造成的”？诊断和决定是我的；你只需标记它即可。
2）趋势总结：
我会给你【设备】30天的性能数据。总结缓慢的趋势（温度逐渐升高、效率降低、消耗增加），并将它们像图表一样放在表格中。区分突然跳跃和缓慢滑行。标记任何不清楚的地方。
3）油液分析意见稿：
我会给你一份油品分析报告的数值（金属颗粒、粘度、水分、总碱值）和正常范围。任务：偏离正常值的 DRAFT 值及其可能的含义。我会做出最后的诊断；将每条评论标记为“必须经过验证”并避免夸大其词。
4) 维护优先级（使用 PMS）：
我将为您提供未来 30 天的 PMS 维护列表和当前状态监控警报。任务：根据情况数据起草优先建议；哪些应该优先考虑，哪些可以安全地规划？限制：建议推迟安全关键设备；最终决定权在总工程师手中。
弱提示/强提示
弱提示：
是不是机器有问题？
没有数据，没有基线，没有背景； AI要么胡说八道，要么胡编乱造。
强力提示：
您的角色：机器状态监测顾问。设备：2号发电机。附上最近 14 天的振动/温度/油压和健康基线。注意：计划在第 6 天执行负载测试。任务：标记与基线的显着偏差，将每个偏差与负载/测试效果进行比较，写出 DRAFT 可能的意义并标记“需要物理验证”。诊断和决定是我的。
基线、上下文和验证请求可保护异常信号。
监控和维护：角色分配
任务
人工智能的贡献
工程师的工作
异常检测
偏差标记
物理验证
趋势分析
显示缓慢滚动
评论、理由
油/振动注释
草案
明确诊断
维护优先级
建议
决定、计划
停止/干预
（未决）
总工程师决定
缓慢降解
可能会错过
常规人工控制
常见错误
- 询问异常情况而不给出基线。上下文无关模型将负载/空气变化误认为是“故障”。
- 将AI信号误认为是诊断。信号是假设；物理检查和工程师解释至关重要。
- 相信人工智能的沉默。模型可能会错过缓慢的退化；常规的人类控制仍在继续。
- 通过人工智能建议推迟安全关键维护。关键设备的推迟由工程师决定。
- 在新条件下盲目信任模型。新的燃料/负载曲线可能会误导模型。
总之
预测性维护通过在故障发生之前检测到故障并进行有计划的干预来降低海上风险。人工智能是一种强大的预警工具，可以从状态监测数据中提取异常情况和趋势。但每个信号都必须在环境（负载、空气、循环）下进行评估、物理验证，并且诊断维护决策必须由总工程师决定。 AI 说“出现故障”是一个假设；沉默并不能保证“没问题”。人眼和日常检查缺一不可。
应用任务
选择一个设备（发电机、泵、机缸）。准备一个健康的基线和 14 天的样本数据（放入缓慢趋势和负载引起的反弹）。让AI用“异常优先级”模板进行标记，并评估它是否能够区分负载引起的跳跃和实际故障。写下您将如何实际验证每个标志。
清单
- [ ] 我在请求异常之前给出了基线和工作上下文。
- [ ] 我通过物理测量/控制验证了每个 AI 信号。
- [ ] 我将负载/空气相关的变化与实际故障分开。
- [ ] 我将诊断和维护决策交由总工程师负责。
- [ ] 尽管AI保持沉默，我仍然保持着人类的常规控制。