设备智能运维 AI 日报

9月9日，京东工业在北京发布JoyIndustrial 2.0工业大模型及应用产品族。该系列形成三层能力体系：底层工业大模型理解工业对象和业务状态，中间通过"研、产、供、服"专业Agent完成任务规划和工具调用，上层连接业务系统将模型判断转化为真实业务行动，业务执行结果再回流推动模型持续进化。

具体落地产品包括：AI CAD（自然语言完成机械设计、图纸解析与标准件选型）、工业AI+AR眼镜（看来访物料即可识别BOM/铭牌/实物并自动匹配SKU）、AI智采管家（智能预判选型卡点）、一体化数智运维平台等。工业多模态理解模型今年累计调用量超10亿次，获工联院国际第一梯队认证。

值得关注：京东工业的路线是将AI定位为"行动体"而非"答题器"——从理解工业语言到解析工业结构，再到连接物理世界执行任务。这与当前多数工业大模型仍停留在"问答助手"阶段形成鲜明对比。对设备运维领域而言，"研产供服"闭环意味着AI不仅诊断故障，还能自动匹配备件、生成采购订单、调度维修工程师——PdM从"预测"走向"处方+执行"。

9月9日，2026全球工业互联网大会在沈阳开幕。工业和信息化部原部长李毅中指出："工业互联网是工业数字化的基础设施，人工智能让海量数据增值创效。没有工业互联网，AI没有数据来源；没有AI，数据无法充分释放价值。"

大会传递了几个关键数据：全国已有13个省市出台"AI+制造"专项政策；中国工业互联网研究院测算，"AI+制造"每1%的效率提升可创造年均超3400亿元经济增长。浪潮集团副总裁孟玲指出，依托工业大模型，工匠长期沉淀的隐性机理可转化为可复用数字能力，推动生产从"事后故障处置"转向"事前预判、自主优化"。

值得关注：朗坤智慧副总裁张薇直言"不少工业AI应用'重展示、轻落地、重概念、轻实效'"，破局需要三条路径：优先选择专业数智化平台服务商、围绕安全生产和设备运维等刚需场景小切口突破、管好用好真实工况数据。这恰是PdM领域从业者最该听的建议——别追大概念，先跑通一个设备运维闭环。

9月8日，第26届中国国际投资贸易洽谈会在厦门开幕。硕橙科技重点展示两大核心产品：九畴工业大模型采用"大模型+小模型"混合架构，是国内完成生成式AI服务备案的工业智能运维垂直大模型，今年7月入选福建省人工智能优质行业垂直模型名单，聚焦设备运维、安全监测、质量检测等业务场景。

硕橙多通道AI质检分析仪依托非接触式声振感知技术，无需改动产线布局即可实现秒级产品良莠自动判别，搭配高可复用故障特征库，把老师傅"听音辨故障"的专家经验沉淀为标准化AI模型。该技术已广泛应用于电子元器件、微型电机质检等场景。

值得关注：硕橙的核心打法是"声振温特征体系"——通过声音、振动、温度多模态融合实现设备健康评估，这与传统振动单一维度的PdM方案形成差异化。其解决方案已落地电力能源、钢铁冶金、石油化工、汽车制造等二十余个行业，面向精密机床、重型轧机等重大装备提供国产化预测性运维服务，是国产工业AI在PdM领域的标杆案例。

中国能源科学技术研究院（成都）团队在《Discover Artificial Intelligence》发表研究，针对水电设备提出五层架构：设备层（水轮发电机组、轴系、轴承、阀门）→感知层（压力/流量/温度/转速/功率多维观测）→传输层（边缘处理时敏数据、云端处理历史与训练）→分析层（数字孪生本体）→服务层（告警、风险评分、维修决策）。

核心创新是"物理-几何-行为"耦合孪生模型，将设备分解为几何模型（三维结构与装配关系）、物理模型（基于连续介质力学计算应力应变）、规则模型（运行约束与故障判据）、行为模型（机电耦合方程模拟动态响应）。孪生通过同步残差反馈机制持续校准——预测状态与实际测量之差超出阈值时触发故障诊断，准确率达98.2%。

值得关注：该研究解决了PdM领域一个核心难题——"区分传感器在撒谎还是设备真坏了"。系统对压力传感器故障（固定偏差、线性漂移、突变）和设备级故障（轴承磨损、转子不平衡、轴偏心、水力扰动）分别注入测试，压力残差在传感器故障下从0.021升至0.074 MPa，而转速和功率残差在机械故障下飙升。边缘-云协同使端到端告警延迟仅56ms（纯云116ms、纯边67ms），满足工业级实时性要求。

Meng Yuan在《International Journal of Artificial Intelligence and Machine Learning》发表RIGNNet（Recurrent Interpretable Gradient Neural Network），专门面向智能电力系统的故障诊断与预测性维护。该框架打破了以往"单一故障诊断或单一状态预测"的局限，在统一架构内完成故障诊断、退化预测、失效风险评估、维护优先级排序和可解释决策支持。

RIGNNet融合五种方法：InceptionTime做多尺度电气故障特征提取，GRU学习时序依赖，N-BEATS做未来状态与退化趋势预测，LightGBM做故障分类/严重度评估/失效风险估计，RBMD（基于风险的维护决策）做维护优先级与动作选择，LIME做特征级可解释性分析。实验验证准确率达96.23%。

值得关注：PdM落地的最大阻力之一是"黑箱AI不可信"——运维工程师无法判断AI给出的故障预测依据是否合理。RIGNNet通过LIME提供特征级解释，让工程师看到"为什么模型认为这台设备要出问题"，这正是PdM从"实验室精度"走向"现场采纳"的关键一步。其"诊断+预测+风险+决策"一体化设计也为PdM软件架构提供了参考范式。