设备智能运维 AI 日报

传统预测性维护模型往往优先优化统计指标，可能违背基本物理定律，导致不可信的预测结果。研究人员最新提出的 Physics-Guided Explainable Predictive Maintenance（PG-XPM）框架，采用六模块架构，将机械功率、热梯度和应变指数作为核心特征，对 XGBoost 增加四个闭式特征与选择性单调约束，并引入负载自适应决策阈值。

实验显示，该框架的 Physics Violation Index 从 0.291 提升至 0.348，同时将假阴性（故障漏检）降低超过 50%。这意味着模型不仅更准，而且输出更符合物理现实。对追求高可靠性的关键设备而言，这种“可解释 + 物理一致”的 AI 是边缘网关部署和工程决策信任的重要基础。

在自动化产线中，机器人数量快速增长，但预测性维护技术相对滞后。传统方式依赖目视或定期点检，难以捕捉两次点检之间电机、减速机的缓慢磨耗。韩国声学 AI 企业 Deeply 在机器人驱动单元安装麦克风，实时分析运行声音，将偏离正常模式的声音量化为分数并自动报警。

该技术已在多机器人并行、高噪音环境中完成验证，可在异常出现时精确定位可疑生产线，避免逐台排查。Deeply 计划进一步扩展至故障部位诊断与剩余使用寿命（RUL）预测，把声学 AI 从质量检测推进到设备健康管理。

针对制造业人才经验传承和隐性知识沉淀难题，雪浪云提出“AI 总工程师”理念，打造“雪浪工匠·机械工业基础模型 MEM 系列”和“工匠 Cowork 工业智能体操作系统”。MEM 系列将流体力学、热力学、电磁学等物理定律融入工业基础模型，使 AI 从“理解信息”走向“理解工业和物理世界及其演化规律”。

工匠 Cowork 作为任务执行中枢，可自主规划并调度 CAD、CAE、MES、ERP、PLC 等工业软件与设备协议，实现需求理解、方案生成、工具调用、结果验证的完整闭环。在 40 万吨有机硅装置等流程工业场景中，关键调控参数稳定性提升 20% 以上，能耗降低约 0.8%，操作员劳动生产率提升 30% 以上。

制造企业已在传感器、连接、分析和 AI 上大量投入，但“检测到异常”并不自动等于“绩效改善”。Tech Mahindra 与工业 AI 企业 Infinite Uptime 宣布合作，将 PlantOS“工业结果智能引擎”与 Tech Mahindra 的 SIIM 方法论（模拟-集成-实施-维护）结合，帮助制造商跨越从预测到处方的鸿沟。

PlantOS 把机械信号、过程信号与物理感知上下文化，为前线人员提供“做什么、为什么、何时做”的明确建议，并支持在工厂层面验证效果。双方初期聚焦北美和欧洲的大型转型项目，覆盖钢铁、水泥、化工、金属采矿等行业。Infinite Uptime 表示，其平台已在全球 28 个国家 1000 多家工厂实现超过 16.7 万小时经操作员验证的停机节约。

2026 年 TMC 秋季年会把 AI 工具与车队现有数据基础设施（故障码、远程信息处理流、维修历史）结合，帮助维护经理在多个故障码同时出现时快速定位根因。AI 系统解析历史维修记录和 OEM 服务公告，建议最可能的故障模式，从而减少车间诊断时间。

预测性维护应用分析发动机、变速箱、轮端等传感器数据，标记异常振动、温度趋势和油液分析结果，提前发现灾难性故障征兆。会议还关注 AI 在技师培训中的作用：通过模拟故障场景并根据技师水平调整维修手册内容，缩短新员工入职时间并减少误诊返修。对于小型车队，会议提醒需权衡每月每车 10–30 美元的额外订阅成本与避免故障带来的收益。