设备智能运维 AI 日报

📌 核心观察

① 「预测之后给答案」成为新竞争点：天洑把 PdM 接到多目标优化、TwinThread 把告警接到可复用的处置规程，AI 的输出正从「这里要坏」升级为「下一步怎么做、谁来做、做到什么程度」。② 冶金成为 PdM 方法论最密集的试验田：同一场年会里同时出现多智能体协同诊断（故障找人）、维护策略五级演化到自主健康管理（AHM）、宝钢三种维护制度改造，头部钢企的课题已从「要不要上 AI」变成「维护制度怎么改」。

多智能体来源：中国金属学会 / 中国钢铁新闻网

2026 冶金设备智能运维年会：多智能体协同诊断登场，维护策略演进到「自主健康管理」

中钢协冶金设备分会专业年会上，北科大提出多智能体协同故障诊断，核心智能体自然语言目标驱动、危险动作人工审批；太科大梳理出 RCM→TBM→CBM→PdM→AHM 五级演化路径。

中国钢铁工业协会冶金设备分会 2026 年冶金设备智能运维专业年会近日召开，技术报告密度罕见。北科工研数字创新部部长刘恒文做了题为《基于多智能体协同的冶金行业设备故障诊断技术研究》的报告，直指多平台数据分散、动态工况感知不足两大行业痛点，提出三项技术创新：跨平台多场景数据汇聚、机理—数据双驱动特征分析、多智能体协同诊断。其核心智能体支持自然语言目标驱动与自主规划执行，并设置「人在回路」机制——危险动作须人工审批；电机、伺服阀、液压缸、调节阀、振动分析等专业诊断智能体各司其职，目标是让「故障找人」替代「人找故障」。更进一步的是，北科大把目光从设备「转不转」延伸到「转得好不好」，提出设备工艺精度评价模型，将轧机刚度、AGC（自动厚度控制）响应等直接关联产品质量，打通设备状态、工艺精度与产品质量的协同管控；液压系统的漏油报警模型已在产线见效。太原科技大学张晓红教授则从理论层面梳理了维护策略的五级演化：从 RCM、TBM、CBM 进阶到 PdM、AHM（自主健康管理），并强调设备固有可靠性由设计阶段决定，「后天再好的运维也无法弥补先天设计缺陷」；其团队在轧辊运维与库存联合优化上给出实绩——科学视情更换与备件订购协同，可延长设备使用寿命 15%~20%、库存周转率提升 30% 以上。值得关注的原因：这是少见的把「技术架构」与「维护制度」放在同一场会里对齐讨论的样本，AHM 的提法意味着 PdM 之后的新一代目标已经成型。

值得关注：「故障找人」只是起点，真正的分水岭是把停机交给 AI 判断之外——还要敢不敢让 AI 动执行机构；人在回路是当下最现实的答案。

原文链接：https://www.csm.org.cn/col/col6371/art/2026/art_732a54e522a836624cc28c6b577902e5.html

工业世界模型来源：中国经济新闻网 / 新浪财经

天洑工业世界模型：不只预测设备会坏，还要告诉你「怎么调」

南京天洑在河北某热电厂智慧运行项目中，把异常预警、故障诊断、磨损预测与风量优化装进同一套系统，用多目标权衡回答「已知状态变差，下一步该怎么办」。

预测设备故障已是工业 AI 最常见的应用——磨煤机振动异常可提前预警、汽轮机参数偏离可提前识别风险。但企业真正卡住的往往是第二步：已经知道状态在变差，下一步该怎么办？比如锅炉积灰后传热效率下降，及时吹灰可恢复换热能力，可吹灰本身消耗蒸汽、频繁吹灰还加剧受热面磨损，于是问题变成什么时候吹、吹哪里、吹到什么程度综合收益最好。南京天洑软件在河北某热电厂的智慧运行项目中重点回答了这一问题：把设备启停分析、异常预警、故障诊断、部件磨损预测与风量优化放进同一套系统，结合设备结构以及风速、风压、入口温度等参数，计算理论风量与推荐风量。燃气轮机水洗同理——固定周期清洗可能洗早了白洗，也可能等不到周期性能已明显下降。天洑的解法是工业世界模型：把工业数据、专家知识、专业小模型、物理机理模型与优化算法组织到同一框架，大模型负责理解需求与调度任务，专业工业小模型负责精准预测，物理机理模型负责规律与工程边界约束，工业智能体负责组织模型、算法与工业系统执行任务。值得关注的原因：这套分工解释了为什么工业 AI 不能只靠一个大模型——工业最优从来是多目标权衡，而不是把某个指标做到极值；PdM 的价值正从「少停机」向「多赚钱」迁移。

值得关注：「大模型调度 + 小模型预测 + 机理约束 + 智能体执行」——这条链路，是预测性维护走向「运行决策」的可参考架构。

原文链接：https://www.cet.com.cn/wzsy/cyzx/10597404.shtml

PdM 套件来源：中国工控网（gongkong）

TDK SensEI edgeRX Starter 上线 DigiKey，预测性维护走向「买得到、装得上」

DigiKey 成为 TDK SensEI edgeRX Starter 首家分销商并在 DigiKey.cn 开售。套件用 AI 多模态传感融合振动与温度数据，输出早期预警与指导性建议，面向缺乏 PdM 专业团队的企业。

2026 年 10 月 8 日，TDK SensEI 宣布其 edgeRX Starter 预测性维护（PdM）解决方案在 DigiKey 平台上架，DigiKey 成为该产品的首家分销商，中国区可在 DigiKey.cn 购买。edgeRX Starter 把 AI 驱动的多模态传感技术与高级分析能力结合在一起，核心是把振动与温度数据转化为设备潜在问题的早期预警信号：系统持续捕捉设备运行性能的变化，由 AI 识别可能预示故障的运行模式与异常特征，进而输出预测性见解与指导性建议，帮助团队提前介入、防范非计划停机、延长资产寿命并维持产线运行。值得关注的是它的产品定位——TDK SensEI 明确表示要填补的是「缺乏内部专业能力、资源有限」的工业企业这一市场空白，让不同规模的工业团队都能更轻松地用上预测性维护 CEO Sandeep Pandya 称目标是「把不确定性转化为确定性，把反应性修复转变为主动决策」。DigiKey 无源器件及多市场半导体业务副总裁 Jason Simoneau 则透露，该方案已在自家产品配送中心使用并带来实际收益。值得关注的原因：PdM 长期卡在「要懂算法、要懂振动、还要有实施队伍」，套件化 + 分销渠道化正在把这道门槛打掉；对中小企业而言，先用一个带电机的关键点位跑通，比一次性上平台更现实。

值得关注：PdM 普及率的瓶颈从来不是算法，而是「谁来实施」——进分销目录、像买元器件一样买预测性维护，是一次渠道级降门槛。

原文链接：https://www.gongkong.com/news/202610/453709.html

钢铁落地来源：我的钢铁网

宝钢股份推进设备维护制度转型：智能点检替人巡、专业集控提效 68.8%、大电机预知性维修

宝钢在同一场年会上披露三种新模式：规则模型替代周期性人工点检、高压总降集中运维使人员效率提升 68.8%、500kW 以上大电机做健康度评估与剩余寿命预测。

在冶金设备智能运维专业年会上，宝钢股份设备部李乐榕介绍了以两大平台为载体、由经验驱动向数据驱动转型的实践，具体落到三种设备维护新模式。一是智能点检模式替代周期性人工现场点检：引导技术与点检人员把日常点检项次转换成规则模型，系统自动采集分析数据并触发异常处置联络单，取消原周期性人工执行计划，在降低现场点检负荷的同时减少中夜班巡检频次。二是专业设备集控：以高压总降为试点，覆盖变压器、开关柜、母排，采用「预警模型 + 在线巡检 + 现场巡检」方式，整合各厂部分散的高压人员实行集中式运维，22 条在线/视频巡检线路与每周现场巡检结合，形成可复制模式，运维人员效率提升 68.8%。三是预知性维修试点：对象是 500 千瓦以上大电机，融合振动、温度、电流等多源数据构建健康度评估模型，开展实时评分与剩余寿命预测，并结合台账、维修记录及工艺参数动态生成差异化维保策略，推送至业务系统自动生成维修方案。面向未来，宝钢提出「智能感知、精准决策、柔性检修、全生命周期优化」的愿景，用 PdM 加事后维修配套柔性检修实现预测驱动、按需检修，并把全生命周期成本（LCC）拆解到采购、运行、维护、停机损失与报废处置五个可溯源科目；成熟度路线则从 L1 经验驱动、L2 人机协同、L3 广泛应用、L4 少量干预一路走到 L5 数据驱动，形成感知—分析—决策—执行—改进的五步闭环。值得关注的原因：这是把 PdM 从「技术项目」写进「设备管理制度」的样本——取消了周期性点检计划、整合了高压运维岗位，动的是人与流程，而不只是加一套算法。

值得关注：取消周期性人工点检计划、把分散高压人员集中起来——真正的 PdM 落地一定伴随着岗位与流程重组，这正是多数企业迟迟不动的原因。

原文链接：https://news.mysteel.com/a/26100908/FDBF83AF1E94A7CB.html

异常闭环来源：Wisevoter

TwinThread 发布 Anomaly Action Center：把异常变成一句话摘要、把处置沉淀成标准规程

该平台与其现有 PdM 套件打通，给一线一句话说明问题，记录团队处置动作形成文档化规程，并配置规则对未来同类异常自动响应；单模型最多监测 1500 个传感器。

工业软件厂商 TwinThread 于 2026 年 10 月 8 日正式发布 Anomaly Action Center 平台，为其预测性维护软件套件补上了集中式事件管理这块拼图。平台直接与客户现有的 TwinThread 方案集成，面向操作员、维修技师与工程师三类角色：一是把检测到的机器与程序异常压缩成一句话摘要，让非专家也能立刻知道出了什么事；二是把团队的处置动作自动记录为文档化规程，形成可检索的组织记忆；三是针对已确认的问题类型配置规则，未来同类异常再次出现时可自动响应。官方披露的一个部署案例显示，该平台整合了跨多个部门的 80 个在用模型，而其中单个模型最多可监测 1500 个传感器——这解释了为什么「监测」早已不是瓶颈，「看见之后怎么协调多个部门、按什么顺序处理」才是。对复杂制造环境而言，这套机制的价值在于让资深工程师的经验以规则的形式被规模化复用，把技师从重复的人工诊断中解放出来。值得关注的原因：预测性维护的价值链正在向「异常之后的十分钟」延伸——告警本身不产生效益，真正省钱的是处置速度与处置一致性；把处置沉淀为可复用规程，是把个人经验转成组织资产的工程化路径。

值得关注：80 个模型、单模型 1500 个传感器——监测能力早已过剩，缺的从来是「异常之后谁来处理、上次怎么处理的」。

原文链接：https://wisevoter.com/world/2026/10/09/twinthread-launched-anomaly-action-center