设备智能运维 AI 日报

腾讯新闻 10 月 8 日刊发上海电气国家人工智能应用中试基地（制造领域）建设一周年的系统盘点。该基地 2025 年 9 月启动，由国家发改委、工信部指导，上海电气承担建设，定位破解研发设计智能化不足、高端装备技术性能差距等共性难题。一年间，集团已建成 19 家智能工厂（其中 3 家入选 2025 年度卓越级智能工厂），陆续推出 51 个“星云智造”系列 AI 模型与智能体，覆盖研发设计、生产制造、运行维护三大核心环节。

运维环节的成绩单尤为具体：“风电关键部件一站式运维智能体”搭建风电运维智慧大脑，运维成本降低约 10%，故障停机时长、非计划停机次数均下降 20%；“智慧电梯”系统融合大模型与技能库，保养监管效率提升近 10 倍，受控保养合规率提升 43%。研发端，叶片工艺方案生成智能体把研发周期从月级压缩至周级，非结构化图纸解析智能体把单套图纸结构化时间从 30 分钟缩短至 1 分钟。同时 7 款具身智能机器人样机已下线投入真实工业场景实测，并发布《AI 原生工厂白皮书》。

值得关注：装备龙头把 AI+设备运维做成“国家级中试”工程，意味着工业 AI 从企业自选动作升格为行业基础设施建设项目——中试基地“技术验证→标准输出→行业复制”的模式，正是方案商对接头部装备企业的入口。风电运维智能体的量化指标（成本 -10%、非计划停机 -20%）也提供了可直接对标的 ROI 参照。

山东省政府官网 10 月 8 日刊发深度特稿《大模型里的“制造车间”》，解剖创新奇智奇智孔明 AInnoGC 工业大模型（750 亿参数）如何进入生产场景——IDC 数据显示其位列中国工业大模型应用市场份额第 1。文章开宗明义：大模型走进制造车间，第一件事不是写文案，而是“一台设备突然报警，它得知道该查哪几个参数”。

方法论分两关：第一关“听懂工厂的话”——通用大模型学不到企业内部的设备关系、工序传导和老师傅经验，奇智孔明的解法是构造“本体”，把设备、工艺、规则、物料、订单重组为实体、属性和关系，用户用自然语言提出需求后，大模型即可生成设备故障诊断工作流。第二关“不能只会猜，还得把依据摆出来”——现场演示中，系统诊断设备故障时直接读取现场实际数据，每一步查了什么、调用了什么、依据什么排除都可回看，“就像老师傅排查故障”；确认原因后给出处置方案，经现场人员审核确认再创建工单。

值得关注：工业大模型头部厂商把“设备故障诊断”作为进厂第一战场，且信任设计的重心不在模型精度而在“过程可追溯 + 人工审核后建单”——这与 PHM 行业对可解释 AI 的诉求完全同频。对设备管理团队，“本体工程”正在成为比“选哪个大模型”更重要的功课：先把工厂的设备关系和诊断知识整理清楚，AI 才有落地的基础。

广州日报 10 月 7 日报道，南方电网数字电网研究院的“大瓦特”模型体系是电力行业 AI 应用的“超级大脑”：它既引入市面优秀的通用模型，又针对电网特有复杂问题自研“科学计算”和“时序预测”两大专业模型。其人工智能创新平台累计模型调用量已超 200 亿次，支撑发电、输电、变电、配电、用电、调度、规划、企管全业务域的 AI 场景。

200 亿次调用的含义是：它不是展示品，而是经过频繁验证、已投入日常使用的生产工具。依托“大瓦特”打造的营配协同智能体，结合我国首个电力行业统一物联操作系统，能在短时间内完成“故障识别、定位、派单、通知”闭环处理——公众越来越少感觉到“停电”，背后正是这一体系在支撑。“无感停电”正在从宣传语变为日常体验。

值得关注：200 亿次调用是电网 AI 从“试点”走向“生产工具”的最硬核指标，其示范意义超出电力行业本身。对工业设备运维的直接借鉴在于两点：一是设备健康管理要拼进“故障识别→定位→派单→通知”的闭环速度，告警的价值在于触发处置而非生成报表；二是“通用模型 + 领域专业模型”的通专融合架构，为设备运维大模型的技术选型提供了已被大规模验证的路线。

腾讯新闻 10 月 5 日刊发对新华三的深度访谈，主题是打通工业 AI 的“最后一公里”。其今年新发布的灵犀运维智能体是代表性产品：基于 1.2 亿台在网设备的运维经验积累、100 万+ ICT 专业知识库与 5000 万+ 真实运维数据沉淀，通过多域、多模、多智能体的动态协作与统一调度，从前端的“运维工具”进化为“智慧伙伴”，赋能精准排障、隐患先知与故障自愈三类核心能力。

支撑这一路径的是“AI in ALL”技术战略——把智能体能力内建到全栈产品中，并创建工业智能体集群：以 AI PaaS 和 MaaS 平台化服务降低开发门槛，借助代理运行环境实现智能体双向协作，让 ICT 系统从传统的增删改查转向意图理解与自动化执行，具备自演进、自愈合与智能调优能力。落地侧，新华三已在未来工厂上线自研排产智能体，生产效率提升一倍以上。不过新华三也坦承：行业仍处技术验证期，真正能沉淀到技术底座里的实践方法占比还有限。

值得关注：ICT 基础设施巨头把“运维”做成 AI 原生能力，“精准排障→隐患先知→故障自愈”的三层递进与 PdM→RxM（处方性维护）的行业演进完全一致。对设备管理团队的启示是：运维智能体的核心竞争力不在算法本身，而在规模化真实运维数据的持续沉淀——数据飞轮才是护城河，这也再次验证了设备数据治理的先导价值。

剩余使用寿命（RUL）预测长期存在两条技术路线：基于磨损的老化模型捕捉累积退化物理过程，基于传感器的数据模型反映瞬时健康状态，两者各见其一。10 月 5 日提交 arXiv 的论文《Integrating Survival-Based Aging Models with Data-Driven RUL Prognostics》提出了一个概率融合框架：基于磨损、潜在健康、传感器观测与失效之间的显式结构假设，推导出有原则的组合规则，通过失效概率分布实现带自适应权重的不确定性感知融合。

工程实现上，磨损组件用参数化生存模型学习，传感器组件用一维卷积神经网络（1D-CNN）加事后不确定性模型学习。在多个 N-CMAPSS 航空发动机数据集上的实验显示：融合模型相比任一单独组件都提升了点预测精度，保持了 C-Index 一致性，并产生更窄且校准良好的预测区间——设备“还能撑多久”的答案变得既更准、也更诚实。

值得关注：这篇论文把“机理 + 数据融合”从口号推进为可形式化、可验证的工程路径——不是简单加权平均，而是让物理寿命模型与传感器模型在失效概率层面“两条腿走路”，权重随证据自适应。对构建设备健康管理系统的工程团队，这套带不确定性校准的融合设计可直接借鉴，尤其适合故障样本稀缺、安全裕度要求高的高价值资产场景。