设备智能运维 AI 日报

9 月 25 日，美国炼油巨头 Phillips 66 执行副总裁 Tandra Perkins 在得州奥斯汀一场会议上披露：公司已部署 AI 系统预测炼厂设备故障并提升原油处理量。这是美国大型炼企迄今最具体的 AI 落地公开披露之一。Phillips 66 运营 12 座炼厂、去年营收 1150 亿美元，其 AI 系统分析泵、压缩机、换热器等关键动设备的传感器数据，在故障发生前发出预测，让检修得以安排进计划停工窗口——而非被动承受非计划停机。行业估算显示，一座 20 万桶/日的炼厂非计划停机每天损失约 200 万美元，可用率每提升 1%，对这一体量的公司即意味着每年数千万美元。

更值得注意的是叙事升级：与 Marathon、Valero 等同行在财报电话会上对数字化监测的模糊提及不同，Phillips 66 首次把 AI 与"原油处理量提升"并列陈述——前者省的是维护费，后者直接是收入引擎。报道测算，其 190 万桶/日的炼油板块吞吐量每提升 0.5%，按当前裂解价差折算年化价值超过 3 亿美元。Phillips 66 未披露技术供应商，业内推测为自研或多供应商组合；若 AI 系统能跨 12 座炼厂共享学习，将形成真正的数据护城河。公司三季报（10 月底）中的开工率与维护支出数据，将成为检验这笔 AI 投入的首个公开坐标。

9 月 24 日，中国能源新闻网报道，大唐河南清洁能源公司宣布完成 17 座风电场的"无人值守"建设改造，全面落地智能化巡检与数字化管控体系。传统风电运维的三大老问题——人工全覆盖巡检成本高、纸质台账记录低效、故障被动处置——被一套"智能巡检机器人 + 在线监测系统 + 远程管控平台"的组合方案系统性替代：从塔筒、机舱、叶片的设备状态排查，到机组运行数据采集分析与隐患闭环管控，全部实现数字化、自动化处理，运维方式从"人找问题"转向"数据找人"。

效益账本相当具体：累计减少现场运行人员 54 人、后勤保障人员 38 人，年节省人工费用约 230 万元；设备隐患发现准确率从不足 70% 提升至 90% 以上，隐患平均处置时长缩短 30%，因巡检不及时引发的故障次数明显下降，风机可利用小时数稳步提升。安全侧的收益同样关键：过去运维人员需攀爬数十米塔筒进入机舱巡检，高空坠落、物体打击风险高企，智能化巡检体系投用后，危险工况下的人工巡检被智能设备全面替代。下一步该公司将围绕风机故障智能预判、发电功率智能优化迭代管控体系。

9 月 24 日，中国铁路沈阳局集团介绍，作为东北地区最大的货车检修单位，苏家屯车辆段率先开发 5T 运用数智化管控平台，深化 PHM（货车故障预测与健康管理系统）应用，推动货车检修、运用、经营全面智慧化。过去 TFDS 动态检车作业全靠人眼逐帧甄别检测图像，劳动强度大、疲劳漏检风险高。现在，列车到达前系统即可依据轨边设备检测提前收集车辆故障信息，集中推送 5T 预警、定检到（过）期车辆、重点车等关键信息，实现风险超前预判、隐患精准锁定。

系统按事前设定的分级分类评分标准自动生成质量评价报告，精准识别高风险车辆，让安全管控从"被动应对"转向"主动预防"。更具创新性的是数字孪生的引入：融合职工作业数据与工位视频监控数据构建数字孪生镜像，实现对作业人员、岗位分布、作业状态的远程可视化管控——以往只能"事后分析"的不良作业，如今前置为"事中干预"。TFDS 集中部署后，动态检车定员由全局 512 人优化至 238 人，精简幅度达 53.5%，故障识别精准度大幅提升，货车动态故障防控能力显著增强。

9 月，元硕数科刊文梳理 PHM 系统正在经历的范式转移：2026 世界制造业大会上容知日新发布观星 OS，提出设备运维正从状态维修走向"多专业智能体协同的自主运维"；同一时期，IEEE Reliability Magazine 刊发专题文章，明确"Agentic AI"正在成为 PHM 的下一个范式——系统不再只是预测故障，而是能够推理、学习和自主行动。文章总结了传统 PHM 架构的四个"天花板"：模型是静态的（离线训练部署后精度随工况漂移衰减）；流程是碎片化的（检测、寿命预测、维护决策三个模块间缺乏推理环节）；数据是异质的（传感器信号之外的维修日志、巡检报告等文本信息被忽略）；交互是脆弱的（只给健康指数和报警标志，不解释"为什么"和"有多确定"）。

打破天花板的两股技术力量正在汇合。其一是 LLM：一篇 ScienceDirect 综述显示，大语言模型正从"语言解释器"演变为"通用信号处理与特征工程引擎"——工程师可用自然语言指定诊断意图，例如"提取齿轮啮合频率周围的边带特征""对脉冲声发射进行去噪""构建早期点蚀的包络谱"，LLM 生成处理逻辑并解释依据，同时提供决策支持。其二是智能体编排：多专业智能体分工协作，把"感知—诊断—决策—执行"串成闭环。这与观星 OS"自感知、自预测、自决策、自执行、自进化"五项核心能力的提法相互印证。

arXiv 9 月刊出一项来自意大利帕多瓦大学（欧盟 Horizon Europe"AIMS5.0"项目资助）的研究，聚焦半导体制造的剩余使用寿命（RUL）估计与风险感知维护决策。半导体产线组件高度互联，单台设备故障即可中断整条生产管线，维护计划必须在"意外断裂"（Unexpected Breaks, UB）与"未利用寿命"（Unexploited Lifetime, UL）之间取得平衡——太晚维护会断线，太早维护则浪费设备寿命并推高成本。

研究提出一套 PdM 框架：深度学习序列模型 + 同时分位数回归（SQR），输出不确定性感知的 RUL 区间估计，再以成本加权目标函数驱动维护决策。团队在 2018 PHM Data Challenge 的离子铣削数据上系统对比了状态空间模型（S4、S4D、S5）、TCN、LSTM 等多种架构，结果显示对角状态空间模型 S4D 在各分位上给出最优 RUL 估计；以"意外断裂 + 未利用寿命"业务成本衡量，相对预防性维护基线，该方法通过避免系统性的过早干预显著降低了总成本。研究证实：不确定性感知、成本敏感的维护规划在半导体生产中切实可行。