收益：
- 能够识别预测性维护、振动/温度指示器和典型故障模式的概念
- 能够使用 AI 配置传感器时间序列中的异常、趋势和特征频率分析
- 能够交叉检查人工智能解释与物理故障机制、校准和现场检查
预测性维护是在设施中提供最高回报的应用程序之一，它可以减少计划停机时间，并通过持续监控机器状况并在故障发生之前预测故障来防止意外故障。我们没有采用传统的“损坏时修复”或“按计划更换”的方法，而是从振动、温度、电流和声学等传感器数据中读取机器的实际状态。人工智能 (AI) 在这一领域非常强大：时间序列数据中的异常（偏离正常）检测、趋势分析、特征故障频率的解释和报告生成。但AI给出的“可能出现的故障”只是一种假设，而不是诊断。传感器可能会损坏，其校准可能会关闭，数据可能有噪音，人工智能可能会为非物理模式赋予意义。做出维护决定之前的人工智能解释；特征故障频率应与传感器校准、数据质量和现场检查进行交叉检查。在本单元中，您将学习使用人工智能安全地解释传感器数据。
测量数量和典型故障模式
旋转机器（电机、泵、风扇、轴承、齿轮）的健康状况可以通过几个基本量来读取。每个数量对某些故障模式都很敏感：
尺寸
对什么敏感
典型故障模式
振动（加速度/速度）
不平衡、不对中、轴承/齿轮
不平衡、不对中、轴承损坏
温度
摩擦、失去润滑、过载
轴承发热、油劣化
电机电流
电气和机械负载变化
转子条断裂、负载异常
声学/超声波
轴承过早损坏、泄漏
油膜退化、气体泄漏
振动分析的基本工具是频谱：我们通过傅立叶变换将时间信号分离为其频率分量（FFT：将信号分离为其频率分量的数学过程）。每种故障模式都会在特征频率处产生峰值。例如，不平衡出现在旋转频率（1X）处，轴不对中大多发生在2X处，轴承损坏出现在取决于轴承几何形状（例如BPFO、BPFI、BSF）的特殊频率处。
提示：在让 AI 解释频谱之前，请提供机器的转速 (RPM) 和轴承编号（如果适用）。如果没有这些信息，就无法计算特征故障频率；没有它们，人工智能对“轴承故障”的解释仍然悬而未决。
异常、趋势和误报
人工智能在时间序列中擅长做两件事：异常检测（突然偏差）和趋势分析（缓慢衰减）。但有两个陷阱。第一个是误报：噪声、临时负载变化或传感器振动可能看起来是真正的故障。第二种是假阴性：可能会错过缓慢、逐渐恶化的情况，因为它仍处于“正常范围”内。良好的监控还可以根据机器自身的历史记录（基线）而不是绝对阈值来跟踪变化。
注意：传感器本身可能会发生故障。虽然未校准的温度传感器可能会发出“过热”警报，但机器完全正常；或者松动的加速度计会产生虚假振动。 AI看到的只是数据；现场控制告诉您数据来源是否可靠。 “首先验证传感器”是预测性维护的第一条规则。
一步一步：用人工智能解释传感器数据
- 给出上下文。机器类型、转速、轴承/齿轮信息、测量点。
- 检查数据质量。采样频率是否足够，是否有遗漏/异常值？
- 确定基线。健康的状态是什么样的？
- 提取异常/趋势。用人工智能标记偏差和趋势。
- 请求物理解释。哪种故障模式，发生频率如何，为什么？
- 现场验证。校准、目视/触觉检查、必要时进行第二次测量。
光谱解释提示
角色：振动分析（状态监测）专家。背景：以 1450 RPM 旋转的离心泵，驱动端轴承 6206。数据：振动速度谱中的峰值频率 [列表、Hz 和振幅]。任务：将每个峰值与可能的故障模式相关联（1X 不平衡、2X 轴不对中、轴承 BPFO/BPFI 等）。使用 RPM 和 6206 几何形状计算特征轴承频率，并说明您显示的频率。规则：这是一个假设；对于每条评论，写下我如何在现场验证它。
异常/趋势分析提示
分析以下温度时间序列：[日期，值列表]。- 基线（正常范围）是多少？- 何时存在异常（突然偏差）？- 是否存在缓慢上升趋势，斜率是多少？规则：评估误报风险；您建议进行哪些额外检查来区分传感器错误和真正的过热？
数据质量和传感器验证提示
该抖动测量中的采样频率为 2 kHz。我感兴趣的最高故障频率约为 800 Hz。这个采样是否足够（奈奎斯特），评论。数据突然跳跃和削波的症状如下：[描述]。这些可能是真实信号还是传感器/记录错误，我如何区分？
维护决定草稿提示
根据以下调查结果撰写维护建议草案：[调查结果]。将您的建议分为三个级别：立即停止、定期维护时检查、继续监控。为每个级别写下理由和现场验证。规则：由主管维修工程师做出最终决定；陈述这一点。
弱提示/强提示
弱提示：
这个震动高吗？
无机器类型、转速、测量单位、基线和轴承信息； AI不能说“高/低”，即使说了，也是不支持的。
强力提示：
1450 RPM 离心泵，轴承 6206，驱动端计量。振动速度谱峰值频率：[列表]。将每个峰值与可能的故障模式相关联，计算并显示特征轴承频率。声明每个评论都是一个假设，并写下如何在现场验证它。还要考虑传感器错误的可能性。
第二个提示包含机器上下文、频谱数据和验证请求；它将解释定位为假设。
三个迷你箱（按数字）
案例 1 - 特征频率验证。在一台泵上，AI 评论“内环故障 (BPFI)”。工程师以 1450 RPM (24.2 Hz) 和 6206 轴承几何形状计算 BPFI：~131 Hz。频谱中的峰值实际上约为 130 Hz，并且有谐波。解释与特征频率一致；工程师在计划维护期间拆卸轴承，发现内圈上有凹坑。确认将假设转变为诊断。
案例 2 - 误报。在一台风扇上，温度传感器发出 95°C 警报，AI 表示“轴承过热”。现场工作人员进行人工检查：床温热，正常。传感器连接松动，校准发生变化。实际温度~55°C。当传感器被拧紧并校准后，警报消失。如果一味听从AI解读，实心床就会被无谓地拆除。教训：首先验证传感器。
案例3——抓住缓慢的趋势。变速箱中的绝对振动阈值并未超过，但 AI 显示振幅在 8 周趋势中每周增加约 6%。据推测，预计 5 周内将超过阈值。在计划的停车期间，团队分析油液，找到金属颗粒，并以受控方式更换齿轮；防止意外停止。教训：趋势在绝对阈值之前发出警告。
常见错误
- 在没有上下文的情况下寻求评论：在没有转速和轴承信息的情况下解释频谱。
- 不验证传感器：将校准/连接错误误认为是真正的故障。
- 将假设误认为诊断：将人工智能解释转化为无需现场控制的维护决策。
- 只看绝对阈值：错过了缓慢衰减的趋势。
- 欠采样：忽略奈奎斯特规则，忽视高频故障。
- 对误报反应过度：将噪音误认为是真正的故障并停止了健康的机器。
综上所述
- 预测性维护从振动、温度和电流等传感器读取机器状态，并提前预测故障。
- 在振动谱中，每种失效模式在特征频率处产生一个峰值；该评论需要转速和轴承知识。
- AI给出的故障解释是一个假设；特征频率必须通过校准和现场检查来验证。
- 传感器本身可能出现故障； “首先验证传感器”是第一条规则。
- 趋势与绝对阈值一样重要；缓慢的降解可以提供早期预警。维护决定属于主管工程师。
应用任务
选择旋转机械（泵、风扇、电机）。记下机器的转速和轴承编号（如果适用）。获取实际或样本振动频谱/温度时间序列，并让人工智能根据上下文对其进行解释。对于人工智能显示的每个故障假设：您自己检查特征频率（如果是轴承，请验证 BPFO/BPFI 计算），评估传感器故障的可能性，并写下您将如何在现场验证它。最后，将调查结果提炼成三级建议（立即停止/按计划检查/继续监控），并说明为什么最终的维护决定仍由合格的工程师做出。
清单
- [ ] 给出机器背景（类型、RPM、轴承/齿轮、测量点）。
- [ ] 检查数据质量和采样频率（奈奎斯特）。
- [ ] AI显示的故障频率经过特征频率计算验证。
- [ ] 评估传感器校准/连接错误的可能性。
- [ ] 除了绝对阈值之外，还检查了趋势。
- [ ] 意见经实地考察确认；维护决定由主管工程师决定。