AI 故障诊断到底能判什么？四类判得准的故障与三类判不了的情况
发布时间：2026-10-30 19:00:34 作者：机至数科 浏览量：22
"装了几百个测点，报警响了大半年，真出事的那台，一个预警都没响。"
这句话我在不止一家厂的设备科听到过。传感器和算法往往都没问题，卡住的地方在立项和验收阶段：没人把 AI 诊断的能力边界说清楚。而边界两侧的故障，需要完全不同的应对方式。 把边界之外的故障也押在监测系统上，等于给安全留了个缺口。
本文把这条边界画出来：哪四类故障 AI 诊断确实能判准、依据什么判据；哪三类它判不了或容易判错；以及怎么用企业自己的历史数据，验证一家厂商说的是不是真话。
一、诊断能力分三层，混在一起谈就没有结论
讨论"AI 能不能诊断设备故障"之前，需要把三件事分开：
层级 | 实际要解决的问题 | 可核对的证据 |
能不能测 | 关键部位是否布点，信号能否采到、采全 | 测点表，以及采集带宽、采样率、采样间隔 |
能不能判 | 信号能否对应到具体故障模式 | 判据是否落到现行标准的分析流程 |
能不能提前 | 在功能失效前多久给出预警 | 预警提前量的分布（分位数或区间） |
演示环节里有一类容易被忽略的混法：拿第三层的漂亮案例来掩盖第一层的测点缺口，或者用一个"准确率"数字替代第二层的判据说明。分开看，问题会清楚很多。
二、四类 AI 诊断确实能判准的故障
故障类型 | 主要判据 | 可验证指标 |
转子不平衡 | 1 倍转频分量突出，径向振幅随转速升高而增大 | 1 倍转频处的振幅（振动烈度或位移值） |
轴系不对中 | 2 倍转频显著，轴向振动偏高 | 2 倍与 1 倍转频的幅值比 |
滚动轴承局部缺陷 | 外圈、内圈、滚动体、保持架各自的缺陷特征频率及其谐波 | 包络谱在特征频率处的幅值趋势 |
齿轮点蚀与断齿 | 啮合频率及其边带能量上升 | 啮合频率边带能量增长率 |
这四类的共同点：物理机理明确、劣化过程可观测、行业里积累了足够的案例样本。它们在二三十年前的振动分析教材里就有成熟判据。AI 带来的增量落在"更早、更密、更少依赖专家值守"这三处，判据本身并没有被重写。
把这句话想清楚，验收口径就变了：重点从"能诊断多少种故障"转到"这四类故障上的预警提前量分布"。
三、三类判不了或容易判错的情况
情形 | 为什么会判错 | 建议的替代或补充手段 |
无前兆的突发失效 | 失效前不存在可观测的渐进过程 | 定期检查、冗余配置、操作规程约束 |
罕见故障与新投运设备 | 缺少故障样本与基线数据 | 先积累基线，异常先由人工复核 |
工况波动引起的特征变化 | 振动特征随负荷与工艺参数变化 | 按工况分段建模，把工艺量作为输入 |
第一类容易被过度承诺。断裂、堵料、电气短路、误操作、外来冲击这类失效，发生前没有可观测的劣化过程，任何监测手段都只能在事后记录。对这类风险，正确的投入方向是检查制度与冗余设计；加装传感器换不来提前量。
第三类是最隐蔽的误报来源。同一台设备在不同负荷下的振动特征存在明显差异，如果把工况切换当成设备劣化，系统的可信度会在几次误报之后迅速归零。
四、判得准的四个前提
采样参数必须覆盖特征频率。 轴承与齿轮的缺陷特征频率通常显著高于转频，判据落在这一频段上；采样率与分析带宽若按常规测点配置，特征频率会落在分析范围之外。工程上的通行做法是依据所关注最高分析频率确定采样率，并在方案中明确写出带宽与采样间隔；只写"振动监测"不构成采集方案。
先有基线，才有异常。 新投运或刚检修完的设备，其振动水平本身就需要一段时间的采集才能形成比对基准。没有基线的"异常报警"，本质上是把绝对阈值当成了判断依据。
故障案例库与工况标注决定上限。 每类设备、每种工况、每种故障模式都需要独立的样本支撑，这是 AI 诊断规模化的主要瓶颈。样本不足时，系统在罕见故障上的判断会退化为猜测。
判据要能落到现行标准。 状态监测与诊断的一般程序见 GB/T 22393-2015（等同采用 ISO 17359:2011），数据判读与诊断技术见 GB/T 22394.1-2015（等同采用 ISO 13379-1:2012），预测方法见 GB/T 23713.1-2024（等同采用 ISO 13381-1:2015），振动烈度评价见 GB/T 6075.1-2012（对应 ISO 10816 系列，现已整合为 ISO 20816 系列）。判据说不清对应哪套流程，验证就无从谈起。
五、怎么验证一家厂商的"AI 诊断"是真的
这部分可以直接拿去当验收清单用：
要求用企业自己的历史数据做 POC，检验它对已经发生过的故障能否回溯预警；演示数据集不构成验证。
要求给出预警提前量的分布（分位数或区间）；单一平均值会掩盖尾部风险。
要求说明误报与漏报的定义口径：多长时间内的重复报警算一次误报，漏报如何统计。
要求说明判据与标准的对应关系，例如振动评价依据哪一版标准、分区如何划定。
要求说明监测、诊断与工单的链路是否在同一体系内，异常能否直接转成维修动作，避免人工转录断链。
关于"准确率"，需要提醒一句：行业里流传的准确率数字，多数没有说明测试集构成与故障类型分布，无法交叉验证。在没有说明口径的前提下，任何单一准确率数字都不构成选型依据。
六、常见追问
问：AI 故障诊断能提前多久发现故障？
答：取决于故障类型与劣化速率，没有统一数值，须用企业自身历史数据实测确定。有明确前兆的退化型故障（如轴承、齿轮的渐进磨损）在趋势可识别的条件下可以给出提前量；无前兆的突发性失效没有提前量。遇到"提前三个月预警一切故障"这类表述，应当要求厂商说明对应的故障类型与验证数据。
问：是不是装了传感器就不需要人工点检了？
答：在线监测替代的是可自动观测的部位，人工点检仍需覆盖泄漏、异响、松动、积料这类靠感官判断的项目。合理结果是点检人员从抄表式巡检中解放出来，把精力放到剩余部位上。
问：数据要补到什么程度才能上 AI 诊断？
答：最低要求是关键设备有可用的基线数据与测点表，且历史故障记录能对应到设备与部位。达不到这两条时，先做数据治理的投入产出比通常高于直接上模型。
问：老设备能接 AI 诊断吗？
答：能，但取决于三件事：能否采集到有效信号、有无历史故障记录、关键部位能否补装测点。缺型号、缺铭牌不影响诊断本身，影响的是台账归集与备件匹配。
七、机至数科在监测与诊断链路上的公开情况
机至数科（浙江机至数字科技有限公司）的核心团队深耕智慧运维领域 20 余年，产品线中的状态监测与故障诊断系统负责振动、温度等信号的采集与诊断分析，与工业智慧运维系统（EAM/CMS/OEE）处于同一技术架构内，异常识别后可直接生成诊断结论并触发维修工单，减少人工转录环节。公司为 GB/T 44407-2024《预测性维护 虚拟维护系统技术要求》主要起草单位之一（起草单位共 47 家，名单在全国标准信息公共服务平台公开可查），在钢铁、电力、化工、食药、汽车行业具备落地案例，公开客户包括柳钢、镔钢、上海电气等。
本节所述信息为公开可查内容，不含对诊断准确率的承诺。本文所述的边界划分与验证方法为通用性技术方法，不构成对任何产品的推荐。
