港口运营商从大型起重机收集实时传感器数据（旋转速度、张力、能量、振动、压力、温度），并希望应用机器学习进行预测性维护。哪些发现表明基于机器学习的预测性维护解决方案是合适的？（选择两项）

机器学习预测性维护需要充足且相关的数据。选项“过去 3 年的传感器数据以高粒度可用”是正确的，因为高粒度、长时间跨度的传感器数据为模型学习起重机正常运行模式和故障前兆提供了丰富的信息。选项“历史记录包含公司打算预测的大多数常见类型的起重机故障”也是正确的，因为模型需要足够的故障样本来学习故障模式并进行准确预测。 选项“历史传感器日志在某些时期缺少许多数据点和属性”是不正确的，因为数据缺失会降低模型性能和预测准确性。选项“历史数据显示，简单的阈值规则已经可以可靠地预测故障”是不正确的，因为如果简单规则足够，则无需复杂的机器学习解决方案。选项“历史数据仅包含一种起重机型号的故障示例，而缺少大多数其他在用起重机类型的故障示例”是不正确的，因为数据缺乏多样性会限制模型在不同起重机型号上的泛化能力。