AI故障诊断的进化：从临时助手到知识体系

前文介绍了AI如何从一个缺陷顺藤摸瓜找出5个关联问题。本文扩大视野——观察AI诊断的完整流程：它能实现什么、经验怎样积累、遇到过哪些障碍。

三个实际场景，一个知识库的形成，四个典型难点。

情况：某生产线检测界面，大约半数对象缺失温度信息。

要求AI检查后端记录，发现关键异常：批量获取传感器信息时，连接被设备主动中断。进一步让AI查看获取配置——程序一次读取100个数据节点，但该设备处理性能有限，无法承受批量请求。

原因：批量获取的节点数量超出设备承受范围。调整为30个后恢复正常。

AI的贡献：从记录异常入手，定位到获取配置不当。人工也能实现，但AI能在瞬间从大量记录中提取关键错误，然后关联到配置程序。

情况：首页多条生产线的流量信息全部呈现为0。

要求AI批量查询多条生产线的数据，发现仅有某条生产线的流量为0，而且信息在变动——首次查询有数值，再次查询变为0。让AI对比两个参数的存储时间：流量参数比主参数晚46至56秒才存入数据库。但实际生产流程是先获取流量、后获取主参数——存储顺序与获取顺序颠倒。

原因：不同参数的存储延时不同，造成页面查询时流量信息尚未入库。

AI的贡献：跨多个表格关联查询，同时对比多条时间线，发现存储顺序异常。人工编写SQL也能完成，但AI更迅速。

情况：某对象的温度呈现为1546，正常应为154.6——四位数值，明显不正常。

要求AI对比两个程序文件：质量评估程序对温度做了除以10处理，页面呈现程序没有。再查询数据库确认：传感器原始数据单位为0.1℃，保存时未转换。

原因：同一份数据在“评估”和“呈现”两个步骤被不同方式解读。

AI的贡献：并行阅读两个程序文件，逐行比较温度处理方式，准确指出差异所在行。人工翻阅两个数百行的文件容易疏忽，AI瞬间完成。

AI并非单独执行某一任务，而是将查信息、读程序、串联逻辑三件事同步进行。人工诊断时这三步是分离的，AI将它们融合成一个连贯的动作。

但这三个场景都是一次性诊断——下次碰到相似问题，仍需重新指导AI。能否将经验积累下来？

把过往诊断经验依照8D报告形式整理：

关键在于统一格式。分散各处的经验，只有写成一致格式，AI才能查找和配对。

有了知识库，AI根据用户描述的问题自动配对最相近的过往案例。配对不是关键词查找，而是按维度加权：

例如用户说“某生产线温度不正常，昨天下午开始的”，AI配对到一条过往案例：“温度不正常，原因是传感器校准偏离”，可信度85%。

仅配对过往案例不够——案例的原因未必适用于当前问题。配对到案例后，AI不会直接下判断，而是先检查该设备最近一小时的实时数据，与案例中描述的不正常模式比较。比如知识库中有一条“温度不正常→传感器校准偏离”的记录，AI配对到后，检查该设备的温度走势——如果走势一致，确认原因；如果走势不一致，排除该案例，提示其他可能性。

知识库提供方向，实时数据验证判断。两者配合，比单独使用任何一个更精确。

知识库初期可以从小范围开始——每次诊断完顺便把8D格式填写完整，一天5分钟。重点是“着手做”，不是“做到完美”。

运用AI诊断并非一路顺畅。挑选四个有代表性的。

让AI编写脚本调用API获取设备数据，脚本直接遍历返回结果，报错：'str' object has no attribute 'get'。

所有API的响应都是封装格式{"code": 0, "msg": "success", "data": {...}}，不是直接返回数组。AI不知道这个封装层，直接对整个响应做遍历。

启示：AI不了解你的API约定。首次调用时要告知它响应结构，或者提供一个返回示例。

用户输入“水2”，API返回的名称是“水02”——带前置零。AI编写的匹配逻辑直接用等于比较，结果为空。

启示：任何和API返回值做名称匹配的情况，都要考虑前置零兼容。

查询温度数据，某生产线返回9至11℃，明显偏低。不同生产线的传感器原始数据单位不同——有的就是实际温度，有的需要除以10。AI默认假设“同类数据同一种处理方式”，这个假设在工业场景里经常不成立。

启示：同一类数据在不同生产线/设备上的处理方式可能不同。

让AI读取设备的设定温度，返回结果全部为空。API字段名是settingTemp，AI程序里写的是setTemp——少了三个字母。没有任何报错，只是静默返回null。

启示：字段名错误不会报错，只会返回空值。看到“数据全部为空”，首要反应应该是检查字段名。

都是AI不知道的“隐藏规则”——API有封装层、名称有前置零、单位不统一、字段名有细微差别。这些规则没有记载在任何文档里，只有经历过才知道。

这四个难点现在已录入知识库。下次AI碰到相似场景——比如调用带前置零的名称——它会先做前置零兼容，而不是直接比较字符串。经历过的障碍变成规则，这就是从“临时助手”到“知识体系”的价值。

撰写本文时，正好测试发现一个问题交给AI帮我分析。AI的诊断过程：

从一次性诊断到知识体系，三步递进：

AI诊断的意义，不只是帮你找到一个缺陷，而是帮你把找缺陷的经验变成体系——经历过的障碍写进知识库，下次碰到相似场景，AI就不会再陷入其中。