140XBE10000
140XBE10000 检查传感器位置是否出现偏移
由于设备维护人员的疏忽，可能某些传感器的位置出现差错，比如没有到位，传感器故障，灵敏度故障等。要经常检查传感器的传感位置和灵敏度，出现偏差及时调节，传感器如果坏掉，立刻更换。很多时候，如果在保证电源，气源和液压源供应无误的情况下，更多的问题就是传感器的故障。尤其是磁感应式传感器，由于使用，很可能内部搭铁相互粘住，无法分开，出现常闭信号，这也是该类型传感器的通病，只能进行更换。此外，由于设备的震动，大部分的传感器在使用后，都会出现位置松动的情况，所以在日常维护时要经常检查传感器的位置是否正确，是否固定牢固。
检查继电器，流量控制阀，压力控制阀
继电器和磁感应式传感器一样，使用也会出现搭铁粘连的情况，从而无法保证电气回路的正常，需要更换。在气动或液压系统中，节流阀开口度和压力阀的压力调节弹簧，也会随着设备的震动而出现松动或滑动的情况。这些装置与传感器一样，在设备中都是需要进行日常维护的部件。所以在日常工作中
说起AI，不少人会追溯近百年前科幻作家们的拟想或是六十四年前图灵提出的假说，但在我看来，整个人类文明史都贯穿了对机器智能的追求。例如被杨振宁先生称为“世界上*早的计算机”的算盘，直至PC普及之前都是主流的计算工具，上世纪七八十年代，许多中*长都会送孩子去学心算和珠算——算盘本身正是被人类赋予了规则、体现了人类智慧的工具，本质上，这与的PC、智能手机、平板设备可谓一脉相承。
击败了卡斯珀罗夫的IBM“深蓝”被许多人视为AI研究的里程碑。在对弈时，能想出更多后续杀招、对方可能的应手、由此带来的变化、变化后对应的棋路调整的棋手赢面显然更大，而计算机在此方面的优势不言而喻。人脑只能设想出几步、十几步棋，但机器则能模拟出所有的可能性。也就是说，即便不是“深蓝”，也迟早会有其他的计算机选手挑战人类*，而且基于当前的信息科技发展水平，如果将国际象棋世界*的人机之争变成每年例行的赛事，那极有可能已无人能够战胜机器对手——哪怕只是一台Windows Phone。当然，计算机棋手短期内还无法攻陷源起于的围棋的阵地，这很让我们为老祖宗的深邃智慧感到自豪——有人估算，围棋的变化可能性出象棋10的122次方倍。计算机下棋的方法是穷举所有的可能性，而人类则可以根据经验选择性地精减（prune）和深入。可以想象，若仅仅通过提升机器性能、存储棋谱、优化算法来作出“判断”，因为需实时处理的计算量太大，现有的*强大的计算机也还是不可能战胜人类大师。
不过，的确计算机不同于人类以往发明的任何工具。这种不同体现在，一是它不是出厂时用途便已固化的工具，像脚踏车、影碟机，它的能力取决于用户安装的程序。二是它可以为各种工具注入新的生命力，比如近来被热议的“可穿戴设备”，只是将某些计算能力植入腕带、手表、眼镜等“传统工具”，将之与手机、PC之间建立起数据关联而已。
但凡“工具”，皆包含了其人类创造者的智能、经验与巧思。广义的AI是给予制造物以契合事理的功能特性，与人类一起共同完成我们做不到和做不好的事，达到“人+机器=级人”的效果。就像锤子、斧子是人们手臂的强化和延续，汽车、轮船和飞机是人们腿脚的强化和延续。近年来无人驾驶汽车很受关注，似乎这是一种新形态的智能机器，但无人驾驶的飞机多年以前便已发明——同样无需人来驾驭，飞机和汽车相比，能说哪个更智能呢？
过去的几十年来，计算机硬件性能的演进和软件适用领域的拓展越了所有人的想象。若是以广义的视角来观察AI的外延，承认所有灌注了人类对世界的思考的工具都体现了某种程度的“智能”，那么可以说生活中已然随处可见智能设备。
让机器用自己的方式思考和成长
“耳聪目明”是对人的夸赞。科学家们一直在尝试让计算机能用人类的方式来了解世界，所以语音识别和计算机视觉始终是AI研究的重点——我们已经可以和Cortana对话、或是坐在配有360°无死角摄像头的无人汽车里感受机器驾驶员的技术。
Cortana和无人汽车是机器人的一种吗？某种意义上是的。但如果说“真正的机器人”必须既能像人那样思考，又具备类人的体貌——好吧，谁知道我们要用像人一样的机器来做什么呢？大家对于人形机器的固执迷思的背后，很可能是想找到替自己做粗重工作的帮手吧。
然而现实是已经出现了很多能帮我们做粗重工作的机器，无论是煮咖啡、烧烤还是洗碗、打扫……人们是喜欢一台四肢粗壮的机器人系着白围裙跑来跑去给我们做所有的家务，还是惯于用各种小巧的设备来完成不同的任务？
假设人人都爱机器人，在通往产品的道路上也还是有着许多障碍。比如，从桌上的茶壶里倒杯茶而不打翻杯子或洒出茶水，这对人类小孩来说都不算挑战——孩子们不假思索就可以完成任务。但对*“聪明”的机器人而言，却要经过艰难复杂的运算。首先他要看到桌子，认出茶壶和茶杯，用适当的力度拿起茶壶（手指太粗可能还不成），举起茶壶、以刚刚好的角度对准茶杯，实施倒茶的动作，还得判断怎样才能让杯中的茶水将满不溢。就算碰巧*了一次，下一轮换全然不同的桌子、茶壶、茶杯，还是可能会失败。
长期以来，从事AI研究的科学家，也包括那些执迷于创造出类人机器的学者，是梦想着将人类思考、计划、执行的能力移植给机器，但是否人怎样行动，机器就应怎样行动？是否人达成目标的路径是由A到B，机器就应遵循完全一样的路径？这种研究诚然有着非同寻常的科学价值，却也会因“赋予钢铁工具以人的特征才算*”的偏执而举步维艰。
另一条思路是跳出窠臼，站在机器的角度去模拟和延展人的思维，而不是用人的视角和惯去限制机器。无人驾驶汽车并非只有“两只眼睛”，而是装备了多个雷达传感器、全景摄像头和激光测距仪。i-Robot清洁机器人也是，她的身材圆润扁平，一点儿也不像人，但吸尘的时候一定比两米高的机器保洁员好用。
*初，AI研究遭遇的瓶颈是，人的逻辑思考模式几乎无法复制给机器，无论是将低阶的声音、影像、气味等信号升华到认知，还是把有共性的现象抽炼成规律，都不是机器所能掌握的技能——机器学与大数据将AI研究带入春天，*近还出现了深度学、深度神经网络等新概念。更大规模的数据量和更少的假设、限制可以让机器用自己擅长的方式（数据存储、挖掘、分析）“思考”和成长，进而在实用化路途上走得更快更远。
