设备智能运维 AI 日报

铜陵有色报 10 月 1 日头版报道，安徽省工业和信息化厅公布 2026 年省级特色工业大模型、工业智能体名单，金隆铜业与容知日新联合申报的"PHMGPT 多模态故障诊断工业智能体"入选全省 26 个省级特色工业智能体。该智能体面向冶炼旋转设备构建预测性维护体系，直击传统诊断对专家依赖强、经验难传承、算法黑盒、预警滞后四大痛点。

技术架构上，项目以 PHMGPT 工业大模型为核心，融合多种大模型与基础网络，配套八大信号分析子模型，并针对冶炼恶劣工况做专项微调；采用"定量感知 + 定性推理"双引擎，接入多源设备数据，结合机理图谱与 RAG 技术复刻专家诊断逻辑，自动完成故障因果推理。系统具备多模态解析、早期故障识别、白盒报告输出、风险分级、模型迭代、平台对接六大功能，关键部件早期故障识别准确率超 90%，推理全程可复盘，并采用本地私有化部署保障数据安全。项目 2025 年 4 月分步上线、11 月全部建成，2026 上半年影响闪速炉高负荷作业的设备故障次数同比下降 27.5%、影响时间下降 57.1%；作为铜冶炼首套双引擎大模型示范工程，可复用现有硬件，落地成本低，向有色、石化、钢铁行业复制。

值得关注：名单 9 月下旬公布后，这是首个交出"完整工程细节 + 半年量化实绩"的落地案例。"白盒报告输出 + 推理可复盘"配合省级背书，说明"可解释"已成国内 PHM 采购的硬门槛；而"复用现有硬件、恶劣工况微调"的轻改造路径，对重资产老厂比推倒重来更具参考价值。

齐鲁壹点 10 月 8 日报道，在 2026 人工智能产业大会（AIIC 2026）上，山钢集团旗下山鼎云科自研的尚智冶金 AI 大模型集中亮相。其技术链路为"行业知识 - 模型能力 - 场景智能体"三层：以自建冶金工业知识图谱为核心知识引擎、自有高性能 GPU 集群为算力底座，形成"多模态感知 - 知识约束 - 大模型推理 - 智能体编排 - 现场控制"的全闭环作业能力。垂类端聚焦生产管控、质量检测、设备运维、安全生产四大方向。

设备运维侧的落地清单具体而密集：炼铁工序以智能巡检机器人、烧结设备智能运维、皮带故障智能检测等预防性维护应用，结合高炉大模型算法，实现设备从被动检测到自主诊断、提前预警、智能决策的升级；中厚板产线以"视觉感知 - 数据协同 - 智能决策"三级架构覆盖加热炉、粗轧机、精轧机、水冷、矫直等核心设备，装钢定位误差小于 30mm、智能转钢成功率 95%。目前大模型已落地 40 余个核心工业场景，整体实现冶炼能耗降低 3%、轧钢成材率提升 0.5%、物流效率提升 25%、管理耗时缩短 70%，并入选工信部工业大模型典型案例。

值得关注：钢铁行业的设备 AI 正从单点项目走向"集团垂类大模型 + 40 场景矩阵"的规模化复制阶段。"知识约束推理"的架构再次印证垂类大模型的护城河在知识工程而非参数规模；山钢体系内已跑通的运维场景清单（巡检机器人、烧结、皮带故障检测），本身就是一份现成的行业需求地图。

新浪财经 10 月 7 日转载报道，宝武集团中南股份轧材厂查安鸿创新工作室分享了基层班组探索 AI 的实践。这个直面设备、扎根现场的班组对 AI 的期许极其具体：能不能减少设备故障的发生？能不能降低职工作业安全风险？能不能把老师傅沉淀几十年的实操经验留存下来？

围绕这些诉求，团队已落地四项尝试：①运用历史数据做设备状态分析，推动运维模式从"坏了再修"逐步转向"预判风险、提前预警"；②梳理归集历年事故案例与安全规程，搭建安全知识助手，在关键作业前增加一重提醒；③搭建经验知识库，收纳老师傅长年积累的故障处置心得，帮助新员工加速成长；④借助 AI 协助整理创新成果、专利材料，让技术人员聚焦钻研。他们也坦承 AI 偶尔"答非所问，甚至看似有理地给出错误结论"，靠一次次试错校准边界。方法论则是定下的"10 分钟 AI 微分享"：每周一次、不讲算法代码，只聚焦"这周还能让这位新同事多做些什么"，人人可提想法、人人当 AI 的师父。

值得关注：此前日报多报道央企巨头的中央式 AI 部署，这条恰好补上"最后一公里"的基层样本——AI 设备运维的成败，不在总部买了什么平台，而在班组愿不愿意把老师傅的经验"投喂"进去。"承认 AI 会犯错 + 用微分享机制组织一线智慧"，是经验数字化最便宜也最可持续的组织路径。

洛桑联邦理工（EPFL）Olga Fink 团队（智能维护与运行系统实验室）的 PHM 物理信息机器学习（PIML）系列综述 Part II，于 2026 年 10 月刊于可靠性领域权威期刊《Reliability Engineering & System Safety》第 274 卷。该系列 Part I 讲"归纳偏置"——把物理知识直接嵌进模型结构；Part II 聚焦另外两类偏置：学习偏置（以物理约束损失函数、控制方程、单调性等约束训练过程）与观测偏置（通过虚拟传感估计未测量状态、基于物理仿真做数据增强、多传感器融合策略），引导模型给出物理一致、可靠的预测。

综述进而把议题推进到"从被动预测到主动决策"：强化学习智能体在尊重物理约束的前提下学习维护策略，闭合"模型预测 - 仿真 - 实际运行"回路；最后直面 PHM 规模化落地的关键挑战——从单资产扩展到机队级部署，系统评述元学习、小样本学习的快速适配方法与域泛化技术。全文对每类方法均讨论优势、局限与适用任务，是 PIML for PHM 的方法论集大成。

值得关注：工业界反复出现的"物理约束、虚拟传感、数据增强、小样本迁移"等关键词，在这份综述里都有了系统坐标。做设备 AI 选型与研发的团队可将其当作技术路线图使用——哪条路线成熟、哪条仍在前沿，一查便知；其对机队级扩展的强调，也指明了 PHM 从"单点示范"走向"规模化复制"的学术依据。

arXiv 10 月 7 日发布的论文（arXiv:2610.06880）将不确定性量化系统引入轴承故障诊断：把 Random Forest + XGBoost + 逻辑回归集成分解为四个指标——顶类证据、竞争类证据、预测熵与决策分歧，在 CWRU 与 JNU 两个基准上以留一工况协议测试。结果极具警示性：CWRU 上集成模型在四个留出负载中三个达到 100%、最低 92.27%；但换到 JNU 留出 1000rpm 时，集成模型崩至 40.64%、低于多数类基线，反而是简单的逻辑回归泛化更好（57.91%）。

研究还给出两点延伸发现：其一，时域与频域双模型融合、以 Jensen-Shannon 散度评分，是唯一在 CWRU-vs-JNU 分布偏移对照下"正确移动"的不确定性指标；其二，在 CWRU 单基准上，用文献验证的轴承特征频率经包络谱正确解调后，仅三个可解释特征就能以 99.57% 分离多数故障类。作者如实报告了全部边界条件，并开源代码、日志与图表供独立验证。

值得关注：这篇论文的价值在于"诚实"——同一模型在两个公开基准上的表现可以从近乎满分崩到低于基线，说明榜单精度≠现场可靠，跨工况泛化与不确定性量化才是工程可信的前提。它与本期金隆铜业"恶劣工况专项微调 + 推理可复盘"形成学术—产业呼应：面对工况漂移，产业侧给出的解法正是工况级微调与白盒证据链。