预测性维护培训：如何教会技术人员解读人工智能警报而不是忽略它们

预测性维护系统发出警报，指出冷却泵的齿轮箱轴承存在故障风险：“故障风险升高，请在14天内检查”。技术人员打开泵的振动读数，显示正常。三周前写的最后一次检查记录显示“轻微噪音，需监测”。警报与一个传感器的数据不符，但与一份无人复查的记录勉强吻合。技术人员还有十二个待办事项。警报被排到列表末尾，但没有人记录原因。

这是一个示例场景，并非已记录的客户案例。它展示了预测性维护培训需要技术人员具备哪些能力：权衡警报信息与设备上的其他证据，决定应对措施，并能够解释决策过程。本指南面向工厂培训经理以及负责警报响应的维护或可靠性负责人，重点在于培训设计。使用前，请务必由维护专家验证每个案例和答案。

什么是预测性维护培训？

预测性维护培训旨在帮助技术人员对设备性能下降的早期预警做出反应。对于人工智能警报，这意味着要结合机器本身、其历史记录以及其他传感器数据来解读警报，然后选择并论证后续措施的合理性。这是一种决策技能，而非工具操作技能。

要闻速览

1. 描述性能问题

先从工作本身入手，而不是软件。用美国能源部的话来说，这就是预测性维护。 运行和维护最佳实践指南“旨在检测劣化机制的早期迹象，以便在发生显著恶化之前纠正劣化。” 同一章节还指出，正确的应用和培训“至关重要”，并且各场所不应在没有认真承诺进行操作人员培训以及监测和维修的情况下购买此类设备。

人工智能警报是对判断的提示。技术人员必须判断警报是否符合他们对机器的了解，还需要检查哪些方面，以及应该采取何种紧急措施。由此会产生两种错误。一是忽略真正的警报，因为它与任何单一读数都不匹配。二是追查每一个警报，这会浪费检查时间在误报上，并让人们不再信任该系统。

警报过载是一个由来已久的问题。一篇基准测试论文指出…… ASM联盟 研究人员针对流程工厂的37个操作员控制台，对照EEMUA 191指南（稳定运行期间每10分钟报警次数少于1次）进行了研究。约三分之一的控制台符合该指南，作者指出，他们的样本倾向于性能较好的控制台。这些是控制室报警，而非维护警报，但人为因素造成的问题是相同的：当警报到达的速度超过人们的评估速度时，人们就会学会过滤掉它们。

2. 诊断学习和情境差距

将工作所需技能与你目前的培训实践和评估方法进行比较。

1. 目前的培训是否使用真实的警报案例？ 如果技术人员只学习仪表盘上显示的内容，他们只是练习了导航，而没有练习如何判断警报对特定机器的意义。
2. 认知需求是什么？ 在布鲁姆修订后的分类法中，将警报与传感器数据和检查历史记录进行权衡，并区分相关证据和无关证据，这属于分析；判断哪些后续行动是合理的，这属于评估。记住警报类别则处于较低的层级。我们的指南…… 将学习活动与布鲁姆分类法相匹配 解释如何解读这些要求。
3. 技术人员能否获得他们所处理警报的反馈？ 如果没人告诉他们检查是否确认了警报，他们就无法进行校准。请向你的可靠性团队询问是否存在这种循环。
4. 除了技能之外，还有其他因素阻碍了吗？ 检查警报数量、传感器数据质量、升级路径和可用时间。如果大多数警报都是误报，忽略它们是合理的应对措施，培训也无法改变这一点。

3. 设计有目的的准备和练习

给每个阶段分配明确的任务。

准备工作：确认基本知识。 对相关设备的故障模式、每个传感器测量的内容、系统如何评估风险以及您的升级步骤进行简短的自查。此类召回检查仅确认前提条件，请勿将其作为能力报告。

练习：故障注入和相互矛盾的证据。 三项练习，按难度递增顺序排列：

• 警报还是噪音？ 展示一系列警报，包括传感器趋势和近期检查记录。对于每条警报，学习者需要判断证据是否支持该警报，以及他们的置信度如何。也包括后来被证明是误报的警报。
• 选择后续步骤。 当存在相互矛盾的证据时，发出警报。学习者需要在以下选项中选择：监控、再次读取数据、立即检查、安排维修或上报，并说明选择理由。
• 写一份交接单。 学习者写下他们要留给下一节课的两三句话，包括他们仍然需要知道的内容。

使用安全的故障案例，这些案例可以参考您设备以往的故障记录，也可以由专家构建。切勿为了测试人员而将故障注入运行中的设备。

与决策相关的反馈。 “你只依赖一个正常的传感器读数，而没有查看指向相反方向的检查记录”比百分比分数更有用。

实时输入还是异步审核？ 实时反馈在处理疑难案例时最为有价值，因为聆听经验丰富的同事解释他们为何会或不会采取行动至关重要。异步复习足以掌握基础知识，并能对照专家答案核对通话记录。常见的做法是先进行自主学习，然后针对疑难案例进行辅导。

4. 通过一个实际例子进行分析

仅供参考。维护专家在使用前应验证案例和答案标准。

案子。 人工智能系统检测到冷却泵齿轮箱轴承故障风险较高。一个振动传感器读数在正常范围内。最后一条检查记录显示“轻微噪音，需监测”。该泵是冷却回路的一部分，没有备用装置。

任务。 学习者说明证据是否支持警报，列举证据，选择后续行动，并说明他们还需要了解什么。

第一次尝试。 “振动读数正常，所以这很可能是误报。我就不管它了。” 这位学员只使用了一个传感器，忽略了其余的。

反馈并重试。 引导员要求学员将警报与检查记录进行比较，并询问振动传感器能够检测到哪些故障模式，以及无法检测到哪些故障模式。重试环节要求提供证据、后续跟进情况以及未解决的问题。

一次更有力的尝试。 “警报和之前的检查记录都指向轴承，只有一个传感器读数不一致。我不知道这个传感器是否离轴承足够近，能够检测到这个故障。没有备用泵，所以等待是有成本的。我会在轴承座处进行第二次读数，并要求提前进行检查。如果第二次读数也正常，并且检查没有发现任何问题，我会记录下来，以便可靠性团队可以审查警报设置。如果本周无法安排检查，我会向上级维修主管汇报情况并说明原因。”

解释每种回应的合理性或不足之处。 评判每项尝试都应依据既定标准，而非主持人的个人偏好。第一次尝试仅基于一次解读。更严谨的尝试则会权衡各种信息来源，明确指出自身认知不足之处，考虑出错的后果，采取相应的措施，并形成反馈闭环。它并不声称自己知道原因。

5. 评估能力并制定转移计划

能力证明是指学习者对未曾遇到的新警报案例做出的反应。请根据您的维护专家制定的评分标准，对每个标准进行0到2分的简短评分。

评分标准：0 分表示缺失或缺乏支持，1 分表示部分缺失但存在相关遗漏，2 分表示完整且符合既定标准。请单独定义关键错误，例如在未进行任何检查的情况下关闭安全关键警报，以免高分掩盖此类错误。每次评估都应包含误报警报，以便了解学员是否存在反应过度或反应不足的情况。本评分标准仅供参考，并非已验证的准备标准。请参阅我们的指南。 评估培训中的判断力和问题解决能力 涵盖校准评估员和编写锚点。

工作场所后续跟进。 经过适当的工作时间后，与可靠性专家一起，根据检查结果，审查技术人员近期的一些警报决策样本。在确定总体、分母和时间点的情况下，比较基线和后续的相同两项指标（证据使用和合理升级）的变化。

衡量发生了哪些变化

如果您还跟踪计划外停机时间或需要检查的警报比例，请在将培训效果归功于培训之前，检查同一时期内还有哪些其他变化，例如新传感器、返修型号或新的备件政策。培训后停机时间的减少本身并不能证明是培训导致了停机时间的减少。

互动式教学有助于

交互式形式有助于解决设计中需要所有参与者在小组会议前承诺通话的部分。在实时会议中，主持人可以展示包含传感器趋势和注释的警报，并要求每位技术人员承诺跟进，然后再进行小组讨论。同样的案例也可以作为准备工作，参与者可以自主安排学习进度。 AhaSlides 支持交互式学习，并可在直播和自主学习模式之间灵活切换。请将您计划使用的任何创作、反馈或报告功能与自身的工作流程进行比对，并在验证其运行效果之前，将模拟器、人工智能和系统集成视为外部或未经确认的功能。有关相关的制造设计，请参阅我们的指南。 操作员故障排除培训.

哪些培训解决不了的问题

• 警报过多。 如果大多数警报都是误报，技术人员就会学会忽略它们，而修复工作则落在了模型调优人员的肩上。上文提到的 ASM 基准测试论文就是一个早期且有据可查的警报过载案例。
• 传感器数据缺失或质量不佳。 基于故障传感器生成的警报需要修复，而不是吸取教训。
• 事态升级情况不明。 如果没人就何时需要关闭警报由谁来决定达成一致，技术人员将随机应变。
• 没有时间调查。 检查时间是日程安排上的一个决定。
• 证据有限。 对一组案例的评分并不能反映技术人员在现场做出的每一个决定。

尽早将这些问题告知赞助商，并商定由谁负责解决每个问题。

常见问题

什么是预测性维护培训？

培训旨在帮助技术人员对设备性能下降的早期预警做出反应。对于人工智能警报，培训重点在于结合上下文解读警报信息，并论证后续行动的必要性。

为什么技术人员会忽略预测性维护警报？

常见原因包括警报过多、上下文信息不足、缺乏关于警报是否正确的反馈以及时间不足。在设计培训之前，请检查这些因素。

技术人员是否应该学习人工智能模型的工作原理？

教导他们如何判断警报：输入信息是什么，模型能够看到什么和不能看到什么，以及模型在他们的设备上的可靠性如何。很少需要了解模型的内部结构。

你怎么知道培训有效？

对新的、未曾见过的警报案例进行评分，以确定证据使用情况和升级的合理性，与基线进行比较，然后与可靠性专家一起审查实际的警报决策。

从哪儿开始

选择一种警报频繁出现的资产类别。请一位可靠性专家挑选十条过往警报，其中一些经检查确认，一些为误报，并就每条警报的后续处理方案达成一致。拟定包含三项标准的评估准则，先在一个团队中进行“警报还是噪音？”的评估，然后在正式推广之前，对一组新的警报进行评分。

要了解此类警报审查如何实时运行并在之后以自定进度重复使用，请探索 AhaSlides.