1. TÜV莱茵新规10月1日生效：风电主轴承强制内置智能传感器，认证门槛重塑供应链
TÜV莱茵风电主轴承认证指南V3.2自2026年10月1日起施行，偏航/变桨/主轴轴承必须集成符合IEC 61400-25的智能传感模块并开放边缘诊断接口。
TÜV莱茵于2026年6月27日发布《风力发电机组主轴承认证指南》V3.2，自10月1日起正式适用：所有申请认证的风电主轴承（含偏航轴承、变桨轴承、主轴轴承）必须集成符合IEC 61400-25标准的Smart Sensor Bearings智能传感模块，并提供覆盖振动、温度、载荷三类参数的边缘侧实时诊断数据接口。这意味着认证准入不再局限于机械性能——轴承产品从设计选型阶段就要为「传感内置+诊断接口」做准备，OEM采购把传感器集成当作采购门槛，出口型轴承厂商（尤其是中国供应链）的认证准备路径、技术文件与交付节奏都受到直接影响。无独有偶，欧盟已于7月31日正式实施修订版EN 15088:2026，将风电主轴承在线振动监测功能纳入CE强制符合性范围，10月1日起新进口机组和关键更换轴承部件须通过动工况第三方验证。值得关注的原因：两大规则同月生效，标志着状态监测能力首次以「认证强制条款」的形式嵌入风电装备准入体系——传感器、边缘诊断与数据接口从增值选项变成供应链入场券，对监测硬件、诊断算法和认证服务商都是结构性利好，也提醒国内出口企业尽早核对技术文件与接口合规。
值得关注：状态监测首次成为认证强制门槛，风电轴承供应链的传感内置与诊断接口合规将重塑采购与出口格局。
2. 青岛百恒给海上风机装上「健康预警系统」：振动+油液+螺栓预紧力三源融合
百恒新能源自研海上风电机组健康度动态评价与预警系统，把传动链振动、齿轮箱油液、螺栓预紧力三类监测集成到统一平台协同研判。
在海上风电向深远海、大兆瓦加速迈进的背景下，高盐雾、强台风、离岸数十公里的可达性限制，让传统定期检修模式难以为继。青岛高新区企业百恒新能源自研的海上风电机组健康度动态评价与预警系统，把传动链振动监测、齿轮箱润滑油在线监测、螺栓预紧力在线监测三大功能深度集成于统一平台。其创新点在于打破三类异构监测「各自为战」的数据壁垒：通过统一数据治理架构与故障知识库，实现跨参数、跨场景协同研判——不再局限于单指标超限报警，而是多源数据交叉印证后输出包含风险等级、故障类型、重点检查部位与检修建议的综合诊断结论。工程细节也颇为扎实：针对昼夜温差导致钢材声速漂移、螺栓预紧力测量失准的行业共性难题，团队构建温度补偿模型，实测中回波接收率从4%一键恢复至100%；油液模块建立了完整的「参数—征兆—策略」映射，能从粘度、水分、磨粒的细微变化识别齿轮箱磨损、氧化、进水等渐进性退化，并集成「看门狗」自恢复机制适配无人值守场景。值得关注的原因：「从单点监测到系统总成」正是PHM的核心命题，这套多源融合+可追溯证据链的打法，与深远海化趋势下「异常早预警、检修可预约」的行业刚需高度契合，值得风电后市场同行对照。
值得关注：振动+油液+螺栓三源协同研判打破监测孤岛，代表海上风电运维从单点报警走向系统级健康管理。
3. 中国煤科天地奔牛突破矿井减速器油液智能管理：AI量化评估+剩余寿命预警
天地奔牛自研矿井减速器油液智能管理系统成功投用，在线监测粘度、水分、污染度等多维指标，AI评估油液劣化趋势并预警剩余寿命。
长期以来，矿井减速器油液检测依赖人工采样+离线化验，时效滞后、早期劣化难发现、样本易污染，润滑失效导致的设备异常难以提前掌握。中国煤炭科工集团天地奔牛自研的矿用减速器油液智能管理系统近日成功投用，依靠三项核心技术破局：一是多维传感综合监测，采用隔爆兼本安一体化设计内置多类传感器，在线检测油液粘度、水分、介电常数、颗粒污染度等理化指标，告别「采样—送检—等结果」模式；二是数据融合智能分析，内嵌多光谱粘温特性映射矩阵自动匹配油品，本地部署基于灰色关联分析的智能分析模型，边云协同完成多维油液数据融合研判；三是AI量化评估与趋势预警，基于油液状态数据与历史变化规律构建AI量化评估算法，定量表征油液劣化程度、研判劣化趋势与剩余寿命，形成「状态评估→趋势分析→风险预警」闭环，实现从「发现异常」到「提前预报」的转变。系统可适配采煤机、掘进机、带式输送机等煤矿核心装备，并具备向非煤矿山、电力、冶金、港口等行业传动成套设备推广的延展性。值得关注的原因：油液监测+振动监测双轮驱动是旋转设备PHM的黄金组合，国内矿用装备把油液在线监测做成防爆级标准产品并接入AI寿命预警，填补了井下润滑管理的监测空白，其「边云协同+行业可迁移」的思路对其他重载场景有直接参考价值。
值得关注：矿用减速器油液在线监测+AI剩余寿命预警填补井下润滑管理空白，防爆级产品化路径可向电力冶金港口迁移。
4. CoffeeBench：首个系统评测LLM智能体设备故障诊断能力的基准出炉
arXiv新论文CoffeeBench以仿真家电故障诊断任务评测LLM Agent，发现最优模型能迭代缩小故障空间完成诊断，但仅凭传感数据直接判障仍普遍吃力。
乔治·华盛顿大学等机构研究者在arXiv发布论文《Can LLM Agents Efficiently Identify Appliance Faults?》，提出CoffeeBench——面向PHM场景的LLM智能体故障诊断评测基准，任务设定为诊断一台仿真家电：智能体需要在多轮交互中采集传感器信息、提出假设、执行诊断动作并最终定位故障。核心发现有三：其一，当前主流大模型仅凭传感器读数直接判定故障的能力普遍不足；其二，表现最好的模型能够通过迭代式「假设—验证—收窄」策略逐步缩小故障选项空间，最终完成诊断——这说明LLM Agent在故障诊断中的价值不在于一次答对，而在于结构化的排查流程编排；其三，论文识别出高信号的选择性预测启发式指标，如初始诊断不确定度与LLM自评推理合理性，可预测诊断成败，并给出提升开源模型表现的工程手段（外部维护会话状态、深思循环精炼诊断假设）。值得关注的原因：此前LLM进PHM多是「考试型」单轮问答，这篇工作把「多轮交互式诊断效率」变成了可复现的评测标的，为工业智能体选型、提示策略设计和「AI辅助排障」产品化提供了方法论参照——也再次印证：智能体做诊断，流程编排能力比模型裸能力更关键。
值得关注：首个面向PHM的多轮交互式LLM诊断基准，证明智能体价值在排查流程编排而非一次答对，为工业AI选型提供方法论。
5. 矿山加工机械PHM系统综述：74篇文献揭示「预测得出、用不起来」的行业断层
发表于Frontiers in Manufacturing Technology的系统综述梳理74篇矿山PHM研究，指出多数成果止步于监测与诊断，鲜少衔接维护决策，且随机森林等经典模型仍具竞争力。
2026年10月发表于《Frontiers in Manufacturing Technology》的一篇系统综述（Prabhu, Kour, Dersin & Karim）对矿山加工机械的数据驱动PHM研究做了全面盘点，覆盖74篇文献。核心结论相当冷静：绝大多数研究停留在监测、检测或诊断环节，很少延伸到可执行的运维规划——即便产出了剩余寿命（RUL）估计，也很少真正回答「何时修、换什么、何时停机、资源如何调配」这些决定系统可用性的实际问题，即「预测得出、用不起来」。方法学上，文献呈现从特征工程+经典分类器，到CNN/RNN，再到注意力机制、图网络、Transformer与元学习的演进；但对比基线往往取自同族模型，调优到位的经典方法仍具竞争力——至少一项输送机轴承研究中随机森林是表现最强的模型，说明架构先进性并非该领域PHM性能的瓶颈约束，数据可获得性与质量才是。综述还指出：减少标注依赖（自监督/元学习/生成式）是最可行的方向；面向系统级健康管理需要把成本与运营信息接入预测输出；而LLM、智能体AI、AR接口、LiDAR等新兴技术在74篇研究中仅1篇用到LLM，智能体AI与AR应用为零——产业实践远跑在研究前面。值得关注的原因：「最后一公里」断层的量化呈现对国内PdM从业者是一面镜子：交付价值的关键不在换更炫的模型，而在把预测输出接进维护决策与备件体系；同时产业界对工业智能体的探索已明显超前于学术验证，先行的落地经验反而可能是差异化资产。
值得关注：74篇文献的量化证据表明PHM瓶颈在数据与决策闭环而非模型架构，给「重模型轻落地」的行业倾向泼了盆冷水。