设备智能运维 AI 日报

9 月 12 日，2026 中国算力大会在廊坊举办，会上发布河北省"人工智能+制造"100 个典型案例，覆盖钢铁、化工、医药、建材、电子信息、机器人等领域，其中钢铁领域 32 个案例入选，数量居首。

最值得关注的是设备侧：首钢京唐搭建了大模型赋能的设备管理数字化平台，融合 DeepSeek 大模型、知识图谱与工业智能体，实现故障原因推理、维修方案自动生成、点检标准 AI 辅助编制，构建起"监测—预警—维护决策—资源调度"全流程智能运维闭环。河北旭阳能源基于 AI 大数据的工业设备智能监测与诊断系统，建设管理驾驶舱、远程在线监测、智能诊断三大模块，投用后有效减少非计划停机。中信重工开诚智能的 AI 炼化防爆巡检系统搭载轮式巡检机器人，形成"自主巡检—AI 研判—联动预警—闭环处置"闭环，支持 7×24 小时无人巡航。

大型科研仪器运维长期面临三大痛点：多品牌仪器日志格式五花八门、故障排查依赖人工巡检"发现太晚"、备件分散"维修太慢"。华中科技大学先进微纳加工中心依托仪器设备开放共享基金项目，研发并部署了"多模态设备故障智慧预警系统"。

技术上采用"边缘感知—网络传输—云端智能分析—应用交互"四层架构，日志自动上传模块兼容 10 余种主流品牌仪器数据格式；融合 YOLO 目标检测模型与 Qwen 多模态大模型——前者对泄漏、仪表超限等设备异常及人员违规行为实时高精度检测，后者深度理解复杂场景、研判潜在风险，实现从"看见"到"理解"的跨越。系统可"看"视频、"读"日志、"感"振动温度电流。经实测，设备故障检测精确率达 96.8%，人员违规行为识别精确率 95.2%，可实时处理 1080p 高清视频流。

随着加工流程集成度与自动化程度提高，机床停机的影响越来越大，而设备维护又往往依赖特定操作者的经验，技能人才越来越难留。为此，DMG MORI 在 WALC CARE 服务体系中推出 Condition Agent，让客户可视化机床状态，获得高精度预测性维护，且"不依赖操作者的技能与经验"。

Condition Agent 的诊断范围覆盖主轴、进给轴、刀具与托盘交换器等关键部件：通过专用 NC 程序采集数据，与 DMG MORI 自有的设计制造数据及云端 AI 算法匹配，对磨损与异常进行早期自动诊断，结果在 my DMG MORI 平台清晰呈现。客户无需任何专用测量设备，仅在机床端做几项简单输入，几分钟即可完成诊断流程，适合作为日常状态监测与数据驱动维护的常规工具。

传统电网评估方法常把设备视为"正常/故障"二态，忽略了决定电网能否扛过极端天气的关键中间状态。魁北克大学三河分校团队提出的 A-RAS 框架分两级工作：第一级用基于残差的异常检测引擎持续扫描传感器与 SCADA 运行数据；第二级由 AI 智能体把异常交给检索增强（RAG）LLM 管线，不仅识别异常，还生成人类可读的解释，并给出"数据严重度+语义上下文"的双评分标签。

其韧性评估智能体不依赖静态阈值，而是在极端天气窗口内并行计算两个亏量：一个反映供电损失，一个反映资产累积磨损。团队在真实风电场验证，把韧性轨迹映射到具体风机与变压器的残余健康亏量，发现部分部件劣化速度快于此前预期，运营商可借此提前调配备件、安排预防性检修。框架刻意做成模块化，方便接入新的检测模型与气象数据源。

过去十年，制造业的"AI 维护"是一块仪表盘：模型预测 3 号线 14 号轴承 22 天后失效，人类计划员决定怎么处理。2026 年，这种分工正在瓦解。行业文章指出，智能体现在直接起草维修方案、核查备件库存、排定技师班次，并把工单直接写入制造执行系统（MES），把过去需要数天的协调链压缩到约 30 秒。

数据同样惊人：Deloitte 预计制造业 Agentic AI 采用率年内将从 6% 增至 24%，77% 的制造企业已在某种程度上使用 AI；西门子报告智能体驱动的维护项目使维护成本降低 20%、正常运行时间提升 15%；已部署项目平均投资回收期 1.6 年。但风险类别变了——当智能体获得 MES 写权限、能调整产线参数、派技师进入危险区域时，"AI 判断错了"就不再是一条没人看的报告，而是物理世界被错误改变。行业共识的六项控制包括：决策边界（成本上限、安全阈值、影响半径）、按风险分级的人工审批检查点等。目前仅约 1/5 的企业具备成熟的智能体治理模型。