你有没有想过，人体其实是一台精密的机器？凌晨三点，你还没感觉到任何不舒服，体温计却显示 38.2℃——发烧了。身体的免疫系统早已开始工作好几个小时，而你浑然不觉。工厂里的设备也一样：轴承的微小裂纹、齿轮的悄悄磨损，早在整台机器轰然倒塌之前，传感器就已捕捉到一丝异常。故障预警这门技术，就是给机器装上“智能体温计”，让 AI 像一位细心的家庭医生，24 小时盯着体温曲线，在设备真正“躺倒”之前，提前一步说：该检修了。本文将从原理、数据、特征、算法、评估到实战，带你完整走一遍“机器健康体检”的旅程。

岗位关联

故障预警是 AI+制造落地的黄金入口。掌握它，意味着你能把“事后救火”变成“事前防火”，成为工厂里那个用数据守护机器的人——这正是预测性维护工程师的核心竞争力。

目录
  1. 可视化演示
  2. 预警原理
  3. 数据采集
  4. 特征工程
  5. 预警算法
  6. 模型评估
  7. 实战落地
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

围绕故障预警展开深入探讨，从基本概念出发逐步深入到高级应用。内容涵盖AI行业应用、AI+制造中的故障预警原理、... 切换模式查看不同维度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

故障预警概念：核心原理 动态展示关键流程与数据流动 交互控件调节参数实时渲染 f(x) = transform(x) 核心概念的可视化呈现

预警原理

记得上次体检吗？你精神抖擞、毫无异样，体检报告却标红了一个箭头——“甘油三酯偏高”。机器也一样，故障从来不是瞬间发生的。轴承的磨损、齿轮的裂纹、电机的过热，都是从微小异常开始，像小火苗慢慢烧成大火。故障预警要做的，就是在大火烧起来之前扑灭那个火星。这个概念在工业界叫“故障预警”（Fault Early Warning），它是预测性维护的核心环节，负责从设备状态数据中发现“病情前兆”。

在制造业里，传统做法有两种：坏了再修（事后维修），或者不管坏没坏定期更换（定期保养）。前者代价惨重——产线停机的每一分钟都在烧钱；后者同样浪费——好好的零件被提前换掉。故障预警提供了第三条路：按需维护。它让传感器 24 小时盯守设备，一旦发现异常征兆就提前报警，维护人员只在高风险时刻出手，这就是它最大的核心价值。

那么，如何界定“异常”？统计过程控制中最经典的方法是 3σ 界限：先算出设备正常运行时的均值和标准差，再画一条“警戒线”。如果某个数据点到正常中心的距离超过 3 个标准差，就认为设备大概率出问题了。

这条 3σ 线，相当于人体“38.5℃ 算发烧”的分界线。设备“体温”越过这条线时，预警系统就会自动发警报。理解了这条分界线，你就抓住了故障预警的源头——所有复杂算法，本质上都是在寻找更聪明、更精准的“体温界限”。

P(∣x−μ∣≥3σ)≈0.27%\displaystyle P(|x - \mu| \ge 3\sigma) \approx 0.27\%
这句话的意思是：在设备完全正常时，某个读数偏离“平均体温”超过 3 倍“日常波动幅度”的概率不到 0.3%。这么小的概率居然发生了，那多半不是巧合，而是机器真的病了。
  1. x 与 μx 是当前采样到的振动值或温度值，μ 是所有历史正常数据的平均值，相当于“正常体温的平均线”。
    x,μx, \quad \mu
  2. |x - μ|计算当前读数偏离正常中心的距离，就像看体温比平均值高了多少。
    ∣x−μ∣|x - \mu|
  3. σ 与 3σσ 是标准差，反映数据正常的波动范围；3σ 是工业界公认的异常警戒线。
    3σ3\sigma
  4. P ≈ 0.27%正常数据里走出这条警戒线的概率极低，一旦出现，预警机制就触发。
    ≈0.27%\approx 0.27\%

数据采集

医生看病先要“望闻问切”，每一招都是为了收集身体信息。设备没有嘴巴，说不出自己哪里疼，所以工程师要替它装上“感官”。振动传感器像听诊器，贴在轴承座和齿轮箱上，捕捉每一次细微的颤抖；温度传感器像体温计，监视电机有没有发烧；电流传感器像血压计，反映负载和功率的变化。选对传感器类型，就相当于选对了体检项目——怀疑心脏问题就不能只查视力。

采集到原始信号后，还不能直接用。第一个关键问题是采样频率：拍照太模糊，病灶就看不见。奈奎斯特定理告诉我们，为了完整保留信号中的周期成分，采样频率至少得是目标最高频率的两倍，否则波形会发生“混叠”，就像车轮转太快时目测看起来在倒转。

采样频率就像听诊器的灵敏度——太糊的听诊器听不清心跳杂音。定好采样频率后，还要做数据清洗（Data Cleaning），把丢包、断电造成的毛刺和缺失值处理掉，再用滤波方法去掉高频噪声，让干净的数据流进入下一站。这一步决定了后续所有分析的质量，正如体检前要空腹，不然化验结果全被“污染”了。

fs≥2fmax\displaystyle f_s \ge 2 f_{max}
采样频率 f_s 必须不低于信号中最高频率成分 f_max 的两倍，否则高频成分会伪装成低频信号，把诊断方向彻底带偏。
  1. f_s采样频率，即每秒采集多少个数据点，相当于每秒给设备拍多少张照片。
    fsf_s
  2. f_max信号中最高频率成分，即设备振动里最快、最尖锐的那部分变化。
    fmaxf_{max}
  3. ≥ 2 倍最低安全倍数。低于 2 倍，高频信息会被“折叠”变形，产生混叠。
    ≥2\ge 2

特征工程

拿到体检报告，医生先看什么？不是一长串原始数字，而是白细胞、CRP、血糖这些“指标”。原始振动数据动辄几十万行，直接丢给模型只会让它头晕。特征工程就是化验师的工作：把波形变成一张清晰的“化验单”。工程师从信号里提取三类特征：时域特征描述幅值大小，比如均方根（RMS）表示振动的“平均能量”；频域特征描述周期规律，比如通过快速傅里叶变换（FFT）找出故障齿轮的特征频率；趋势特征则观察指标随时间的变化方向，判断病情是好转还是恶化。

特征不是越多越好。过多的特征会让模型过拟合，就像化验单列了 200 项没有意义的指标，反而干扰医生判断。特征选择的任务就是做减法，用相关性分析或重要性排序，留下最“能说明问题”的几项。其中，振动均方根是最经典的时域特征之一：

RMS 就像体温计上的数字：37℃ 是平稳，38.5℃ 是发热，40℃ 是危险。时域特征给出“烧到几度”的直觉，频域特征则告诉医生“病灶在哪”，两者结合，化验单才算完整。一个好的特征工程，能把复杂的波形翻译成医生一眼能看懂的指标，这是 AI 预警准确率的地基。

xrms=1N∑i=1Nxi2\displaystyle x_{rms} = \sqrt{\frac{1}{N}\sum_{i=1}^{N} x_i^2}
均方根把一段时间内所有振动幅值先平方、再平均、再开方，得到的数值与振动的“做功能力”直接相关。它越大，说明设备震得越厉害，离故障通常也就越近。
  1. x_i第 i 个采样点的振动幅值，代表此刻设备抖动的剧烈程度。
    xix_i
  2. 平方把所有值平方，避免正负抖动相互抵消，同时放大大幅值的影响。
    xi2x_i^2
  3. 1/N 求和对所有采样点的平方取平均，得到这段时间内的平均能量。
    1N∑i=1Nxi2\frac{1}{N}\sum_{i=1}^{N} x_i^2
  4. 开方把单位还原到原来的尺度，最终得到均方根值。
    ⋅\sqrt{\cdot}

预警算法

有了化验单，还需要医生下诊断。最简单的方法是“看数字超不超线”——阈值预警：RMS 超过 1.2 就报警，就像体温超过 38.5℃ 就吃退烧药。这个方法直观、好解释，但真实设备的状态在负载变化时会波动，固定阈值容易误报。于是工程师们发明了统计监控方法：给“体温曲线”加一层平滑，别让单次抖动触发警报。指数加权移动平均（EWMA）就是其中的代表，它让每个新读数都带着一点“记忆”，既对突变反应迅速，又对噪声保持淡定。

再进一步，机器学习方法（如随机森林、SVM）可以融合振动、温度、电流多个特征，像综合门诊一样跨科室会诊；深度学习方法（如 LSTM、自编码器）则直接啃原始时序，擅长捕捉那些人类肉眼察觉不到的细微退化模式。EWMA 的公式看似简单，却奠定了“平滑监控”的思想根基：

想象一位淡定的家庭医生：他不会因为病人咳嗽一声就大惊小怪，但如果连续几天体温悄悄爬升，他会立刻警觉——EWMA 就是这种“有记性”的诊断方式。从阈值到深度学习，预警算法的演进，本质上是从“一锤定音”走向“综合研判”，让机器的健康判断越来越接近经验丰富的医生。

zt=λxt+(1−λ)zt−1\displaystyle z_t = \lambda x_t + (1 - \lambda) z_{t-1}
z_t 是平滑后的体检指标，x_t 是当前读数，λ 控制“新信息”与“历史记忆”的比例。λ 越大，对最新数据越敏感；λ 越小，曲线越平稳。
  1. x_t当前时刻的观测值，比如刚刚测得的振动 RMS。
    xtx_t
  2. z_{t-1}上一时刻的平滑值，相当于之前所有历史的“浓缩记忆”。
    zt−1z_{t-1}
  3. λ 与 1-λ两者之和为 1，代表新旧信息的权重分配，λ 通常取 0.1~0.3。
    λ,1−λ\lambda, \quad 1-\lambda
  4. z_t新的平滑值，是“当前体温”和“历史体温”的折中，比原始数据稳定得多。
    ztz_t

模型评估

好医生也会误诊。一种情况是“虚惊一场”：设备明明健康，模型却拉响警报，这叫误报；另一种是“漏诊”：故障已经悄然发展，模型却毫无反应，这叫漏报。工厂里，误报太多，维修师傅疲于奔命，最终对警报视而不见——“狼来了”喊多了，真狼来了也没人信；漏报太多，小故障拖成大事故，一次非计划停机就能让整个月的利润归零。因此，评估一个预警模型，不能只看准确率，还要把混淆矩阵铺开看。

混淆矩阵的三项关键指标各有意义，其中误报率（FPR）衡量的是“健康设备被冤枉的比例”：

除了误报率与漏报率，实战中还要看模型的实时性——检测一个窗口的数据要多久？在钢铁产线上，几秒的延迟就可能让预警错过最佳停机窗口。鲁棒性也很关键：设备在不同工况、不同负载下都能稳定工作，不能换了台机器就“水土不服”。评估预警模型，就像考评一位家庭医生：既不能整天吓唬病人，也不能放过真病灶，还要在凌晨三点的急诊随叫随到。

FPR=FPFP+TN\displaystyle FPR = \frac{FP}{FP + TN}
FP 是“没病喊有病”的次数，TN 是“没病说没病”的次数。误报率越低，警报就越有公信力，维修师傅才会把每次报警当回事。
  1. FP假阳性，设备正常却触发了报警，对应“虚惊一场”。
    FPFP
  2. TN真阴性，设备正常且模型判定正常，对应“相安无事”。
    TNTN
  3. FP + TN所有健康样本的总数，分母保证了比例有实际意义。
    FP+TNFP + TN

实战落地

体检中心之所以受欢迎，是因为它提供“检查—诊断—建议”的完整链条。故障预警系统落地工厂，同样是一套端到端的健康管理方案。风电场的齿轮箱是最典型的案例：风机建在几十米高空，人工巡检又慢又危险，工程师在齿轮箱上安装振动传感器，采集数据传到云端，AI 模型提取特征、计算健康度，一旦异常就自动派发工单。轴承作为旋转机械的“关节”，其故障预警能提前数周捕捉到磨损信号，给维护团队充足的备件采购和停机规划时间。

在数控机床场景，刀具磨损直接影响加工精度。刀具刚装上时光洁如新，随着使用，切削力逐渐增大，振动频谱悄悄变化。预测性维护系统跟踪 RMS 和切削力特征，估算刀具的剩余使用寿命（RUL），并给出最合适的换刀时机——既不错过寿命，也不浪费成本。RUL 的简化估算公式如下：

落地从来不只是算法问题。实际项目中最常见的挑战是数据质量差——标签缺失、工况变化、传感器漂移，都会让模型“水土不服”。成熟的团队会用数据闭环来应对：每个报警和检修记录都反馈回模型，让它像老中医一样不断积累经验。从风电场到半导体晶圆厂，故障预警正在把“工厂医生”变成现实：设备一旦开始“发烧”，AI 第一时间开出处方，让每一次停机都变成有准备的、可控的检修，而不是灾难性的突然瘫痪。

RUL=Dlimit−Dcurrentr\displaystyle RUL = \frac{D_{limit} - D_{current}}{r}
D_current 是当前已累计的退化量，D_limit 是设备能承受的极限退化量，r 是退化速度。剩余寿命就是“还能撑多久”的数学表达。
  1. D_current当前累积的退化量，比如轴承已经磨损掉的金属厚度。
    DcurrentD_{current}
  2. D_limit失效阈值，退化超过这个值设备就会出故障，相当于人的“极限失血量”。
    DlimitD_{limit}
  3. r退化速率，通常通过历史趋势拟合得出，代表病情恶化的速度。
    rr

AI 应用场景

风电齿轮箱远程预警

阶段：数据采集 + 预警算法 + 工单派发

解决的问题：传统风电场巡检需要工程师爬上几十米高的塔筒，用听音棒听齿轮箱异响，效率低且危险。AI 预警系统通过分布在齿轮箱上的振动传感器，实时采集数据，用 RMS 特征与 EWMA 监控算法识别轴承磨损的早期征兆，在故障恶化前自动生成维护工单。

具体案例：某风电场在 40 台风机上部署振动监测与预警系统，运行 6 个月内捕获 3 次齿轮箱早期异常。工程师提前更换润滑油并调整对中，避免了 2 次潜在的重大齿轮箱损毁，单台风机节省维修成本约 60 万元。

半导体晶圆厂设备预警

阶段：数据清洗 + 特征工程 + 机器学习分类

解决的问题：半导体设备停机损失极高，一片晶圆在工艺中途报废可能损失数万美元。传统做法是定期保养，但保养过频影响产能，保养过晚又面临突发故障。AI 预警用多传感器融合特征（温度、射频功率、腔内压力），训练随机森林分类器，对刻蚀机腔室状态进行实时健康分级。

具体案例：某晶圆厂在刻蚀设备上采集 30 余个通道的时序数据，工程师通过特征选择保留 8 个关键特征，预警模型提前 12 小时识别出腔室聚合物累积异常，团队利用碎片时间完成预防性清洁，设备可用率提升 7%。

数控机床刀具寿命管理

阶段：趋势提取 + RUL 估算 + 换刀决策

解决的问题：刀具磨损是渐进过程，肉眼难以判断。换早了浪费刀具寿命，换晚了导致工件表面粗糙甚至崩刃。AI 系统跟踪主轴电流、振动 RMS 和声发射信号，拟合刀具退化曲线，估算剩余寿命 RUL，在最佳时机提示换刀。

具体案例：一家汽车零部件工厂在 12 台加工中心部署刀具寿命预警，利用历史换刀记录训练退化速率模型，刀具利用率提升 22%，因刀具磨损导致的废品率下降 41%。

Python 演示

python37 行
import numpy as np def generate_signal(n=1000, fs=100, fault_start=600):    t = np.arange(n) / fs    signal = np.zeros(n)    for i in range(n):        if i < fault_start:            signal[i] = 1.0 * np.sin(2 * np.pi * 5 * t[i]) + 0.2 * np.random.randn()        else:            growth = (i - fault_start) / (n - fault_start)            signal[i] = (1.0 + 2.5 * growth) * np.sin(2 * np.pi * 5 * t[i]) + 0.2 * np.random.randn()    return signal def rolling_rms(signal, window=50):    rms = np.zeros(len(signal))    for i in range(len(signal)):        start = max(0, i - window + 1)        window_data = signal[start:i + 1]        rms[i] = np.sqrt(np.mean(window_data ** 2))    return rms def early_warning(signal, threshold=1.2, window=50):    rms = rolling_rms(signal, window)    alerts = []    for i in range(len(rms)):        if rms[i] > threshold:            alerts.append(i)    return rms, alerts signal = generate_signal()rms, alerts = early_warning(signal)if alerts:    first = alerts[0]    print("首次预警时间点:", first)    print("预警时间点RMS值: %.3f" % rms[first])else:    print("未触发预警")
目的：模拟一段“先健康后退化”的振动信号，用滑动窗口计算均方根（RMS），当 RMS 超过阈值时触发故障预警——这是工厂里最简单实用的预警原型。
  1. 1.0 * np.sin(2 * np.pi * 5 * t[i]) + 0.2 * np.random.randn()生成健康振动信号，5Hz 基础振动叠加随机噪声
  2. (1.0 + 2.5 * growth) * np.sin(...)故障段振幅随退化程度线性增大，模拟设备逐渐恶化
  3. rolling_rms(signal, window=50)对信号做 50 点滑动窗口 RMS，平滑瞬时抖动
  4. rms[i] = np.sqrt(np.mean(window_data ** 2))核心 RMS 公式：先平方、再平均、再开方
  5. if rms[i] > threshold:超过阈值即记录为预警点，threshold 对应 3σ 警戒线
  6. print("首次预警时间点:", first)输出首个警报位置，供维护人员定位异常开始时刻

常见误区

误区很多初学者认为只要把几万条传感器数据一股脑喂给模型，故障预警自然就准了。数据少了 1 分钟就心慌，觉得模型“没吃饱”。

正解垃圾进，垃圾出。如果数据里混入大量停机检修段、传感器漂移段和缺失段，模型学到的根本不是设备正常状态，而是各种脏乱差的混合体。数据质量远比数量重要，这就像化验前喝了酒，再多的血样也测不准肝功能。真正该做的是先清洗、去噪、标注工况，再用高质量数据训练。

为何常见：深度学习“数据越多越好”的舆论太强，导致大家把大数据奉为圭臬，忽略了工业数据与互联网数据的本质差异——工业数据需要精确的标签和工况语义。

误区“把报警线调低一点，稍微有点波动就报警，总比漏掉故障好吧？”这是现场老师傅最爱提的要求，仿佛预警灵敏度越高越保险。

正解阈值过低会导致误报率飙升。维修师傅一天收到几十条假警报，很快就对系统失去信任，真警报来了反而被当成“狼来了”。正确做法是根据误报率与漏报率的权衡来标定阈值，同时结合 EWMA 等平滑手段过滤噪声，保住警报的“公信力”。

为何常见：人天然对“漏掉坏事”更恐惧，于是用 100% 报警来对冲焦虑，忽视了频繁干扰对运维行为的长期伤害。

误区老板说“买一批传感器装上，AI 预警系统就建好了”。很多人以为硬件到位就等于智能化，剩下的事交给电脑自动完成。

正解传感器只是“体温计”，没有医生和化验单照样白搭。从采样频率设计、数据清洗、特征提取到模型训练与评估，这是一个系统工程。更关键的是，还需要设备专家的领域知识来给数据打标签、解释报警含义。硬件成本只占整个项目的一小半，软性的数据治理与建模才是真正的大头。

为何常见：制造业对“看得见的硬件”有天然信任，无形的数据与算法工作投入容易被低估。

误区“预警准确率不够？换 LSTM、换 Transformer。”初学者遇到故障预警问题，第一反应就是上深度学习，觉得传统统计方法上不了台面。

正解工业故障样本极其稀缺，故障类别往往只有千分之几的比例，深度学习很容易过拟合。而 3σ 阈值和 EWMA 这类方法可解释性强、部署成本低，在小样本和稳定工况下往往更可靠。深度学习适合数据量大、模式复杂的场景，但需要用自编码器或迁移学习来解决样本不平衡问题。

为何常见：学术界和媒体的聚光灯总打在深度学习的 SOTA 结果上，让初学者误以为“越复杂越好”，忽略了工业场景最看重的稳定、可解释与低成本。

误区“多报一次警顶多让师傅白跑一趟，漏报一次可就出大事了。”这种观点默认误报的代价只是“麻烦一点”。

正解频繁误报会摧毁整个预警系统的信任基础。当“狼来了”习以为常时，维修人员会养成忽略警报的习惯，甚至手动关闭报警功能——这时漏报率反而会灾难性上升。真正安全的系统，是误报率与漏报率一起压到可接受范围，让每一次报警都值得被认真对待。

为何常见：误报的代价散布在日常琐碎中，难以量化；而漏报的代价是剧烈的事故，容易记住，人的认知偏误放大了这种不对称。

面试题

Q1. 故障预警最核心的目标是什么？

单选题 · easy

  • A.故障发生前提前发现异常征兆← 正确答案
  • B.等设备坏了第一时间抢修
  • C.降低传感器的采购成本
  • D.让设备外观保持整洁美观

答案：A。故障预警的本质是“事前防火”，在设备实际故障前捕捉异常信号，这与事后维修有本质区别。抢修、降成本、美观都不是预警的核心目标。就像体温计的意义在于发烧早期就提醒你，而不是等烧到 40℃ 才报警。

Q2. 3σ 准则中，正常数据点落在 ±3σ 范围之外的概率约为多少？

单选题 · easy

  • A.5% 左右
  • B.0.27% 左右← 正确答案
  • C.32% 左右
  • D.50% 左右

答案：B。对于正态分布，数据落在 ±3σ 内的概率约 99.73%，落在外面的概率约 0.27%。这个概率极其微小，所以一旦出现超出 3σ 的读数，就极可能是设备异常而非随机波动，相当于体温超过了“发烧警戒线”。

Q3. 设计传感器采样频率时，主要依据是什么？

单选题 · mid

  • A.完全听从工程师的个人直觉
  • B.采样频率越低越能省钱
  • C.根据奈奎斯特定理选取← 正确答案
  • D.只要大于零就一定会理

答案：C。奈奎斯特定理要求采样频率至少是信号最高频率成分的两倍，否则会发生混叠，高频信号伪装成低频信号。采样频率不是拍脑袋定的，也不是越低越好或越高越好，而是由目标信号的频率范围决定。

Q4. 以下哪些属于时域特征？

多选题 · mid

  • A.峰值因子← 正确答案
  • B.峭度指标← 正确答案
  • C.均方根 RMS← 正确答案
  • D.快速傅里叶变换

答案：ABC。峰值因子、峭度指标、均方根都是直接在原始波形上计算的时域特征，描述振幅的大小或分布形态。快速傅里叶变换（FFT）是频域分析工具，用于把时域波形转换到频率域，不属于时域特征本身。

Q5. EWMA 公式中的 λ 参数起到什么作用？

单选题 · mid

  • A.决定传感器的安装位置
  • B.控制新旧数据的权重分配← 正确答案
  • C.影响数据压缩的比率大小
  • D.决定故障维修的具体费用

答案：B。EWMA 的核心是 z_t = λx_t + (1-λ)z_{t-1}，λ 越大，当前读数占比越高，曲线对突变越敏感；λ 越小，历史记忆占比越高，曲线越平滑。它控制的是“新信息”与“历史经验”之间的平衡，就像医生决定多大程度上相信眼前的化验单、多大程度上参考既往病史。

Q6. 以下哪些措施有助于降低预警系统的误报率？

多选题 · hard

  • A.引入工况上下文信息← 正确答案
  • B.把报警阈值无限调高
  • C.融合多传感器的证据← 正确答案
  • D.使用多个模型交叉验证← 正确答案

答案：ACD。引入工况上下文可以让模型区分“正常的高振动”和“异常的振动”，多传感器融合提供更全面的证据，多模型交叉验证降低单模型偏差。而无限调高阈值虽然误报少了，漏报率会飙升，等于把预警系统变废，是典型的错误做法。

Q7. 数据清洗在预警流程中的主要目的是什么？

单选题 · mid

  • A.为了增加传感器的部署数量
  • B.让所有数据都变成好看的图形
  • C.降低设备本身的运行速度
  • D.剔除离群点和缺失的异常值← 正确答案

答案：D。数据清洗处理的是丢包、断电、传感器漂移造成的坏数据，防止脏数据污染统计基线。这就像体检前要求空腹，不然化验单上全是饮食干扰的假指标。清洗不是为了让数据好看，而是为了后续特征和模型吃到“干净的饭”。

Q8. 深度学习在故障预警中面临哪些典型挑战？

多选题 · hard

  • A.海量故障样本往往难以获取← 正确答案
  • B.模型的可解释性相对薄弱← 正确答案
  • C.训练和推理需要大量算力成本← 正确答案
  • D.无需任何真实运行数据就能训练

答案：ABC。工业故障样本稀缺且类别极不平衡，深度学习容易过拟合；黑盒模型难以解释报警原因，工程师不敢依据它做停机决策；算力成本在边缘侧部署时同样是瓶颈。D 选项完全错误——深度学习再强也需要真实数据，没有数据就是无米之炊。

Q9. 简化估算设备剩余寿命 RUL 时，最需要哪两类信息？

单选题 · extreme

  • A.设备外观的新旧视觉程度
  • B.保修期剩余的具体时间
  • C.退化速度与失效阈值← 正确答案
  • D.操作员个人的主观心情

答案：C。RUL = (D_limit - D_current) / r，核心输入是“还能退化多少”（失效阈值与当前退化量之差）和“退化得多快”（退化速率 r）。外观新旧、保修期和主观心情都不是量化健康度的数据依据。

Q10. 频域特征主要通过哪种工具来提取？

单选题 · easy

  • A.人工目测波形的变化曲线
  • B.直接查看设备的铭牌参数
  • C.传感器随机抽样统计结果
  • D.快速傅里叶变换 FFT 分析← 正确答案

答案：D。FFT 能把时域波形分解成不同频率成分，找出故障齿轮或轴承的特征频率，是频域特征提取的标准手段。人工目测只能看个大概，铭牌参数和设备频率特征无关，随机抽样统计也得不到频谱结构。