工厂老师傅巡检的日常是这样的：拎着手电筒，按固定路线走一圈，看仪表读数、听电机声音、摸轴承温度，回到中控室再抄一遍表。两小时一趟，一天下来几十个点位。AI 巡检做的是同一件事，只是把手电筒换成了摄像头与传感器，把老师傅的经验装进了算法，让例行检查自动跑起来。
手电筒换成了摄像头与算法
一套 AI 巡检系统通常由三层组成。感知层：工业相机、热成像仪、声音传感器、振动探头，负责把现场变成数据。识别层：多模态模型对数据做判断，通义千问与智谱清言这类支持图文理解的模型，可以直接读仪表盘照片报出读数，判断指针位置是否越限。调度层：把识别结果变成工单、告警与报表。三层里最容易被低估的是感知层——摄像头装的角度不对、镜头积灰没清理，再聪明的算法也白搭，现场工程占了落地工作量的大头。带走一个判断：AI 巡检先是一个安装工程，然后才是一个算法工程。
一趟巡检跑下来要过几道关
以配电室巡检为例，流程是四道关。第一道采集，按计划点位拍照与读数，机器人巡检车或固定机位都能做。第二道识别，模型判断读数是否在范围内，同时看有没有冒烟、渗液、门未关这类外观异常。第三道复核，置信度不足的样本自动触发二次拍摄或转人工确认，避免误报刷屏。第四道归档，结果写进巡检台账，与上一次数据对比，趋势异常单独标记。人工巡检几十年攒下的「看、听、摸、闻」，在这里被翻译成对应的传感器与算法，缺哪样补哪样，不必一步到位。
| 关卡 | 这一步做什么 | 漏做或做偏会怎样 |
|---|---|---|
| 采集 | 按计划点位拍照与读数，巡检车或固定机位都能做 | 角度不对、镜头积灰，后面两步全白做 |
| 识别 | 判断读数是否越限，同时看冒烟、渗液、门未关这类外观异常 | 只看数值不看外观，漏掉一半异常类型 |
| 复核 | 置信度不足的样本触发二次拍摄或转人工确认 | 不复核就直推告警，误报刷屏，两周后没人看 |
| 归档 | 写进巡检台账，与上次数据对比，趋势异常单独标记 | 只记当下不存历史，趋势类问题永远发现不了 |
异常被抓到之后通知谁
识别出异常只是开始，处置链路才是价值所在。成熟做法是分级处置：一般异常生成工单派给当班人员，两小时内响应；紧急异常直接推送到值班主管手机并联动停机预案；趋势类异常进入周报，交由维护计划安排。这里要防的是告警疲劳——如果系统每天推几十条不痛不痒的提醒，用不了两周就没人看了。阈值宁可先设严一点，靠预测性维护把「快坏的设备」提前排进检修计划，巡检系统则专注「当下有没有事」，两个系统分工清楚才不会互相刷屏。
落地时人与算法怎么分
机器接管的是高频、重复、环境危险的点位，人保留的是例会决策、复杂故障判断和现场处置。巡检岗位不会消失，而是往「看告警、做判断、管设备」的方向转，这类岗位的技能要求写进招聘画像时，可以参考人才画像的拆法，把「会读算法告警」列为新硬条件。质量相关的外观检查与巡检边界容易混，简单区分是：盯产品缺陷的归视觉质检，盯设备状态的归巡检，两套模型别混着训。
AI 巡检落地自查清单
- 点位清单是否按风险等级排过序，先高后低？
- 每个异常类型是否都定义了响应人与时限？
- 告警推送有没有做分级，防住了刷屏？
如果现场还希望对整条产线做整体推演，把巡检数据喂给虚拟镜像做模拟，那就是更进一步的话题，可看数字孪生的玩法。先把单点巡检跑顺，再谈全局，顺序别颠倒。
关于AI巡检的三个常问问题
- 老设备没有传感器怎么办？：加装外置传感器或用视觉读表都是成熟方案，先覆盖高风险点位，不必整机改造。
- 夜间和粉尘环境可靠吗？：红外与热成像不依赖照明，粉尘环境则要配气密护罩与自动吹扫装置，按环境选硬件是关键。
- 误报多到没人看怎么办？：先把阈值调严、再加复核环节，最后用历史误报样本回训模型，三步通常能压下大半。
本文只介绍技术概念，具体实施请结合现场条件与设备厂商建议执行。
