本期聚焦：AI 智能体（Agent）正式进入设备运维主战场——从冶金年会上的多智能体协同诊断，到 PHM 领域"预测故障→自主运维"的范式转移，行业正在从"报警器"进化为"会思考的运维大脑"。
① 冶金设备智能运维年会释放明确信号：多智能体协同诊断、机理+数据双驱动成为头部共识，"故障找人"替代"人找故障"；② 传统 PHM 的四大天花板（静态模型、碎片化流程、异构数据、脆弱交互）正被 LLM 与智能体架构逐个击破；③ 商业模式也在进化：PHM 即服务渗透率快速攀升，保险分润机制让预测性维护形成真金白银的商业闭环。
北科大、容知日新等披露 AI 智能体驱动设备运维最新成果。
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上，多项 AI+设备运维成果集中亮相。北科工研提出跨平台多场景数据汇聚、机理—数据双驱动特征分析、多智能体协同诊断三大创新：核心智能体支持自然语言目标驱动、自主规划执行，并设"人在回路"安全机制；电机、伺服阀、液压缸、振动分析等专业诊断智能体各司其职，让"故障找人"替代"人找故障"。太原科技大学张晓红教授系统梳理了 RCM→TBM→CBM→PdM→AHM 五级维护策略演化路径，指出设备维护正从预测性维护迈向自主健康管理，科学的视情更换与备件协同可使设备寿命延长 15%~20%、库存周转率提升 30% 以上。容知日新则提出"智能运维 OS + AI 智能体"双引擎路线：第一引擎是信号深度解码（趋势/波形/轴承多模态模型），第二引擎用大语言模型把技术发现转化为可执行的检修建议。年会上"主动预判、数据驱动、故障找人"成为高频词。
三种新模式落地，专业集中运维效率提升 68.8%。
宝钢股份在冶金设备智能运维专业年会上披露设备管理转型路径：依托 AI 赋能，设备状态感知、分析、决策、执行与改进正由经验驱动向数据驱动转型。一是智能点检模式替代周期性人工现场点检——日常点检项次转为规则模型，系统自动采集分析、触发异常处置联络单，降低中夜班巡检频次；二是专业设备集控，以高压总降为试点，"预警模型 + 在线巡检 + 现场巡检"三结合，22 条在线/视频巡检线路使运维人员效率提升 68.8%；三是预知性维修试点，针对 500 千瓦以上大电机融合振动、温度、电流多源数据，构建健康度评估模型开展实时评分与剩余寿命预测，动态生成差异化维保策略。未来将走向"PdM + 事后维修"的柔性检修体系，并按 L1 经验驱动到 L5 数据驱动五个等级规划路线。
容知日新发布"观星OS"，IEEE 明确 Agentic AI 为 PHM 下一范式。
2026 世界制造业大会上，容知日新发布"观星 OS"设备智能运维操作系统，判断设备运维正从状态维修走向以 AI 为核心引擎、多专业智能体协同的自主运维。同期 IEEE Reliability Magazine 刊文明确提出"Agentic AI"正在成为 PHM 的下一个范式。文章剖析了传统 PHM 的四大天花板：模型静态化（离线训练后精度随工况漂移而衰减）、流程碎片化（检测、RUL 预测、维护决策各自独立缺乏推理）、数据异质化（传感器信号与维修日志、巡检报告割裂）、交互脆弱（系统不解释判断依据，难以建立信任）。破局路径来自两股力量的汇合：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（如"提取齿轮啮合频率边带特征"），LLM 生成处理逻辑并解释依据；智能体则提供分层推理与决策支持。
小模型+大知识、数字孪生耦合、保险分润三线并进。
中项网行业研究院对《智维·预修 2026》报告的解读显示，智能维护技术正从"堆算力"转向"重机理"，三大前沿清晰可见：其一，"小模型+大知识"架构——参数量小于 1 亿的领域专用微调模型（如 1200 万参数的轴承故障识别模型）支持在边缘端实时推理，天泽智云风电机组轴承预警模型体积压缩至 38MB、预警提前时间达 216 小时；其二，PHM×数字孪生深度耦合——RUL 预测成为数字孪生标配，支持"虚拟维修推演"，2026 年 65% 新建数字孪生项目强制集成 RUL 模块；其三，保险-运维-制造三方分润——基于 PHM 数据的设备险保费最高折扣 35%，人保财险联合树根互联推出"工程机械 PHM 无忧保"，投保企业 PHM 部署率提升 3.2 倍。报告预测"PHM 即服务"渗透率将从 2023 年 11% 升至 2026 年 39%，中小制造企业成为最大增量来源。
用统一 LLM 完成异常检测、故障诊断与维修决策多任务。
西安交通大学严如强、陈雪峰团队联合华南理工大学李巍华教授在中国工程院院刊《Engineering》发表"PHM-GPT: A Large Language Model for Prognostics and Health Management"，提出面向 PHM 领域的大语言模型，探索用统一模型完成传统上相互独立的异常检测、故障诊断和维修决策任务。研究指出，现有 PHM 方法大多遵循"一类设备一个模型、一项任务一个模型"的专用化路线，监测对象、工况或任务一旦变化便需重新采集数据训练，成本高且难以迁移复用。团队攻克的核心难题是跨越工业信号与语言模型之间的表征鸿沟——高端装备健康状态蕴含在振动等连续时序信号中，与自然语言存在显著模态差异。该研究标志着 PHM 正从面向特定对象与单一任务的"专用智能"，向多装备、多任务的"统一智能"演进，为高端装备智能运维体系提供新技术路径。