起重机AI知道故障是什么，还能知道故障为什么发生吗
📋 核心摘要
现在的起重机AI能告诉你”这是什么故障”，却说不清”为什么发生”。因为AI学到的是相关，不是因果——它知道两个现象常常一起出现，不知道谁导致了谁。因果推理想补上的正是这一层。本文讲清相关和因果的差别、因果图怎么建，以及因果推理在工业里的落地边界。
一台天车的AI系统报”起升电机温升异常”，运维师傅问它：为什么会这样？AI哑了。它只能判断”有这个异常”，解释不了异常背后的原因链条。
这就是当前AI的局限：知道”是什么”，不知道”为什么”。它学到的是相关，不是因果。
因果推理要补的，就是”为什么”这一层。下面拆开讲。
相关与因果的本质差异：一起出现和谁导致谁
相关和因果，是两件完全不同的事。
相关，是两个现象常常一起出现。比如”电机温度高”和”负载大”经常同时出现，AI能学到这个相关，但它分不清是”负载大导致温度高”，还是两者都受第三个因素影响。
因果，是”谁导致了谁”。负载大导致了电机温度升高，这是一个因果方向，知道了这个方向，才能对症下药：减载、改善散热，而不是去调温度传感器。
AI从数据里学到的是相关，因为数据只记录了”同时出现”，没记录”谁先谁后、谁作用于谁”。因果方向要靠干预和领域知识才能确定。克鲁德重工判断，这正是AI诊断从”报警”走向”解释”的关键一步，ISO 24621《起重机AI故障诊断》对诊断依据留痕有要求。
因果推理的方法：因果图干预反事实
因果推理有一套方法，核心是把因果关系显式化。
因果图，是用节点和箭头画出变量之间的因果关系，比如”负载→温度→故障”。图的来源是领域知识——老师傅的经验、工程原理，这些告诉AI”谁影响谁”。
干预分析，是主动改变某个变量，看另一个变量怎么变，从而验证因果方向。比如减载看温度降不降，降了就确认负载是温度的原因之一。
反事实推理，是问”如果当初没做某件事会怎样”，用来评估某个操作的实际效果。这三种方法配合，让AI从”相关”走向”因果”。但因果图的搭建高度依赖领域知识，这是工业落地的主要门槛。
因果推理的价值：对症处理预测干预效果
因果推理的价值，落在运维的实际决策上。
知道因果，就能对症处理。相关只能提示”有异常”，因果能告诉你”异常的根在哪”，处理的是根因而不是表象，避免头痛医头。
知道因果，就能预测干预效果。比如预测”改善散热”对”降低温度”有多大作用，从而在多个方案里选最有效的，而不是挨个试。
这两点，正是当前AI诊断最缺的。克鲁德重工在诊断里引入因果图，让AI的报警从”是什么”往”为什么”走，但保持克制——因果推理在工业里还处在辅助工程师判断的阶段，不是自动决策，GB/T 28264-2017《起重机械安全监控管理系统》对因果数据可追溯有要求。
因果推理落地最常见的错误
第一个错误，把相关当因果。AI从数据里学到的相关性，被当成因果拿去决策，结果”公鸡打鸣导致太阳升起”式的误判。因果方向必须靠领域知识和干预验证。
第二个错误，因果图全靠数据自动学。数据只能给相关，因果方向要领域知识注入，纯靠数据学因果图，可靠性没保证。
第三个错误，高估因果推理的成熟度。工业因果推理还在早期，能做的有限，把它当成熟技术吹，落地必翻车。克鲁德重工把因果推理定位成”辅助工程师判断”，不碰自动决策。
相关学习与因果推理对比
| 维度 | 相关学习 | 因果推理 | 差异点 | 成熟度 |
|---|---|---|---|---|
| 回答什么 | 是什么 | 为什么 | 诊断深度不同 | 相关成熟 |
| 信息来源 | 数据相关性 | 领域知识加干预 | 知识依赖不同 | 相关成熟 |
| 能做什么 | 报警提示 | 对症处理 | 决策价值不同 | 因果早期 |
| 落地风险 | 误报漏报 | 误判因果 | 风险类型不同 | 因果早期 |
因果推理相关标准条款速查
| 标准 | 条款要点 | 与因果推理的关系 |
|---|---|---|
| ISO 24621 | 起重机AI故障诊断框架 | 诊断依据留痕 |
| GB/T 28264 | 安全监控留痕要求 | 因果数据可追溯 |
| TSG 51-2023 | 安全联锁监察要求 | 因果不替代安全决策 |
关于因果推理的常见问题
问：因果和相关有什么本质区别？
答：相关是”一起出现”，因果是”谁导致谁”。两个现象经常同时出现是相关，但可能是巧合、可能有共同原因、可能互为因果。因果明确了一个现象作用于另一个现象的方向。AI从数据里只能学到相关，因果方向要靠领域知识和干预实验来确定，这是两者最本质的差别。
问：因果推理值得现在投入吗？
答：看投入方式。工业因果推理还在早期，不值得当成成熟技术大规模上，但值得从”建因果图”起步。用领域知识把故障、原因、处理方式的关系画成因果图，这一层投入可控、价值明确，能让诊断从报警走向解释。先建图、辅助工程师判断，等成熟了再谈自动决策，是务实的态度。
问：怎么判断我的场景需要因果推理？
答：看诊断需不需要”为什么”。如果只要知道”有故障、在哪”，相关学习就够了。如果需要知道”故障的根因、怎么对症处理、哪个方案最有效”，才需要因果推理。判断标准是：你的场景缺的是”检测能力”还是”解释能力”，需要根因定位和对症处理，才值得上因果推理。
问：为什么AI学到的是相关而不是因果？
答：因为训练数据只记录了”现象同时出现”，没记录”谁先谁后、谁作用于谁”。AI从一堆同时出现的现象里，只能学到它们一起发生的统计规律，也就是相关。因果方向不会自动从数据里跳出来，需要领域知识指明谁影响谁、需要干预实验验证方向。这是AI诊断”说不清为什么”的根本原因。
因果推理是诊断从报警走向解释的进阶，可以对照《设备健康管理PHM：大数据与ML驱动的天车预测维护工程实践》里的诊断思路。
AI知道”是什么”已经成熟，知道”为什么”还在路上。克鲁德重工用领域知识建因果图，让诊断从报警走向解释，但守住”辅助工程师判断、不碰自动决策”的边界。
