AI故障诊断怎样读懂设备信号，又会在哪些地方判断失准
AI能够从振动、温度和网络事件中寻找异常，但模型必须先理解正常状态怎样随负载和环境变化。
设备信号不是一句正常或异常
传感器记录的是连续变化，负载、温度、转速和安装位置都会改变波形。
诊断首先要知道数据在什么工况下产生。
基线需要覆盖真实运行周期
只用平稳时段训练模型，会把启动、停机或季节变化误认为故障。
有效基线应包含设备正常但条件不同的多种状态。
特征提取决定模型看见什么
频域峰值、趋势斜率、事件间隔和多传感器关系分别反映不同机制。
错误特征可能让模型抓住环境噪声而不是设备变化。
告警分数不是故障结论
模型输出用于排序和提示，无法自动知道维护记录、临时施工或传感器更换。
工程人员仍需把告警放回现场语境。
数据漂移会降低旧模型表现
设备老化、软件升级和业务变化会让正常分布缓慢移动。
模型上线后仍需监测输入特征和误报变化。
缺失数据本身也有意义
传感器断线、时间不同步或上传失败可能形成看似平稳的空白。
诊断系统应区分真实低波动与数据没有到达。
可解释结果帮助选择行动
指出哪些信号、哪个时段和哪种工况偏离，比单一风险等级更有用。
维护者才能决定检查轴承、网络、供电还是采集设备。
人工反馈不能污染训练资料
确认的新正常状态可以补充样本，但未经核实的告警不能直接回写。
否则模型会把真正异常慢慢学习成正常。