① PHM 龙头容知日新自研 PHMGPT 诊断大模型 + 观星OS 工业AI原生操作系统（9月发布），行业从「算法模块」走向「平台化生态」，数据孤岛被操作系统级方案正面破解。
② 多个工业 AI 智能体集中亮相——中设智控六大场景智能体、华为云+滴普数据智能体、国家电投风电诊断 Agent，「智能体矩阵 + 设备运维」成为最确定的落地形态，从单点算法升级为覆盖建档-诊断-维修-保养全链条的「数字员工」。
在 2026 年「活力中国调研行」安徽主题采访中，安徽容知日新科技股份有限公司自研的 AI 运维专家平台——PHMGPT 设备故障诊断大模型 受到多家媒体关注。系统相当于给工业设备戴上 24 小时动态心电监测仪，不间断「测体温、听心跳」，内置 AI 大脑实时读数据、判故障、发预警。
据容知日新高级副总裁罗曼曼介绍，AI 运维专家以海量一线工业数据为训练基础，不仅能读懂设备运行数据，还能精准定位故障并给出检修决策。目前该系统实时看护全国超 21 万台关键工业设备，累计为全球 1400 余家工业客户提供服务，业务覆盖欧洲、南美洲等地区。
更值得关注的是，今年 9 月容知日新将正式发布自研工业 AI 原生操作系统「观星OS」，支持企业、第三方服务商自主开发运维小程序，有望破解工业领域长期存在的数据孤岛难题，推动构建开放共享的工业 AI 应用生态。
关注原因：容知日新是 A 股 PHM 第一股，从「监测算法供应商」升级为「大模型 + 操作系统平台商」，这是 PHM 行业从项目制走向生态化的标志性事件，直接影响竞争格局与方案选型。
国家电投数字科技有限公司启动 AI Agent 创新创业孵化专项行动，其自主研发的风电设备云边协同智能诊断 Agent「起风」正式亮相。依托集团 B1 类课题《风电自主可控系列智能传感器研发与应用》，借助 AI 技术让风电智能传感器数据「从看见到看懂」，让每一台风机都拥有一位 24 小时在线的「AI 诊断分析专家」。
三个改变重塑风电运维方式：① 对话式交互取代传统界面——运维人员开口即问「3 号风机有没有异常」，系统秒级回馈健康分、告警清单、趋势曲线和专业研判，背后是基于大模型意图识别与 ReAct 推理循环；② 多算法融合会诊替代单一阈值告警——传统阈值告警在复杂风况下误报率高达 30%~50%，「起风」把十余类 PHM 算法结论视为「会诊意见」，用 D-S 证据理论进行融合裁决，实现多算法一致性精确判定；③ 能力越用越强——构建技能注册框架与知识闭环引擎，每次运维人员的确认、纠偏都会强化系统知识。
关注原因：风电是 PHM 的传统主战场（齿轮箱/叶片/塔筒），央企自研 Agent 把「大模型 + 多算法融合 + 对话式交互」做成产品形态，对德姆斯同类风电客户方案设计具有直接参考价值。
8 月 12 日，华为云与数据智能平台服务商滴普科技联合宣布推出数据智能体解决方案，围绕智能制造和零售行业提供覆盖数据治理、智能决策到业务执行的全链路数据智能基础设施，推动 AI 深入真实生产与业务流程。
合作模式上，华为云提供昇腾算力、云底座、数据湖仓、智能体平台等底层基础设施，滴普科技聚焦上层业务闭环，承载全域数据治理、数据工程、统一业务语义本体、企业智能体工作台建设。滴普科技董事长赵杰辉指出，当前 AI 产业化落地的关键瓶颈正在从模型能力逐步转向数据和算力。
以制造行业的工业设备故障诊断场景为例，滴普科技的工业智能体能够主动发现并解决问题：在设备故障报警时，可读取设备信息，自主做本体实例推理、本体动作执行，大模型推理诊断故障原因并给出解决方案，效率可提升 3 倍。在零售运营决策场景中，2000 余项行业技能被封装为可调用的 AI 能力。
关注原因：「本体推理 + 智能体工作台」是工业知识图谱与大模型融合的代表性路径，华为云背书 + 滴普业务闭环的组合，对理解大型企业如何系统性建设工业智能体具有标杆意义。
为响应国家「人工智能 + 制造」融合发展政策，破解通用大模型不懂工业机理、落地难、误差高的行业痛点，中设智控依托二十余年设备资产领域海量运维数据集，自研垂直领域专属工业大模型，推出工业 AI 智能体全场景解决方案。方案深度联动 EAM 管控平台，覆盖多行业全运维流程，推动设备管理从被动抢修全面转向预测性维护，为制造、能源、机场、烟草等行业打造智能化运维新范式。
方案打造六大标准化场景智能体：① AI 建卡助手——OCR 多模态识别，拍照扫码自动提取设备参数，批量生成标准化电子资产卡片；② AI 保养助手——结合运行时长、负荷、历史故障动态生成差异化保养方案，告别「一刀切」；③ AI 故障根因分析 + AI 维修方案助手——自动检索数万条历史维修案例，精准定位故障根本诱因，同步输出标准化维修步骤、所需备件、安全操作规范，大幅降低对老师傅个人经验的依赖。
中设智控直指通用大模型三大短板：缺乏设备专业机理知识、输出易产生「信息幻觉」、无法对接企业现有台账/工单/备件系统。其智能体矩阵以工业设备运维场景为核心底座，打通设备全生命周期数据链路。
关注原因：六大智能体覆盖建档-保养-诊断-维修全链条，是「数字员工」理念在设备运维领域最完整的落地之一，EAM 联动也切中 TPM 管理的工单闭环痛点。
西门子数字工业软件博客发表《AI 驱动的预测性维护：解决半导体晶圆厂停机挑战》。文章指出，厂务系统（空压机、水系统、冷水机、泵和风机）占 fab 停机时长的约 30%，是预测性维护最优先的切入点；工艺设备则可跟进考虑配方、设备行为和质量信号的模型。
关于 AI 模型如何在故障发生前检测，文章以等离子刻蚀为例：系统监测特定信号，如通过光发射光谱监测刻蚀速率漂移、RF 阻抗变化指示腔壁退化、微弧 signatures 出现在介质击穿之前。每台资产都有基于电流、电压、振动、温度、流量、压力等参数的独有运行指纹。
在 LLM 辅助故障排查方面，大模型可调用维护规程、决策矩阵、流程图和设备特定数据，总结发生了什么变化、展示证据并建议优先检查项，尤其在新人经验不足时提供实用指引，并帮助沉淀车间知识。20-40 分钟的早期预警让维护团队可以选择何时行动、派谁、带什么信息——将反应式维护转化为主动规划。
关注原因：西门子从半导体厂务系统切入，给出「厂务系统 30% 停机占比」「20-40 分钟预警窗口价值」等可量化数据，对高价值产线（半导体/面板/精密制造）PdM 方案设计有直接参考价值。