第 48 期 · AI+设备智能运维
设备智能运维 AI 日报
2026-10-23 · 精选 5 条行业要闻
📌 核心观察
① 从年会到学术综述，「多智能体协同+人在回路」已成AI进工业现场的主流落地范式，单点模型让位于系统工程。
② PHM的价值锚点正在从「预测故障」上移到「给出操作建议」（天洑世界模型），同时市场数据提醒：没有数据治理与流程闭环，买了AI也降不了停机。
行业年会
来源：中国金属学会
2026冶金设备智能运维年会：多智能体协同诊断登场，「故障找人」替代「人找故障」
中国金属学会年会集中展示北科大多智能体协同诊断、容知日新「双引擎」路线与设备维护五级演化框架。
中国金属学会主办的2026年冶金设备智能运维专业年会上，三条线索勾勒出冶金行业智能运维的最新水位。其一，北科工研发布基于多智能体协同的冶金设备故障诊断技术：针对多平台数据分散、动态工况感知不足的痛点，采用跨平台数据汇聚、机理—数据双驱动特征分析，电机、伺服阀、液压缸、振动分析等专业诊断智能体各司其职，并设置「人在回路」安全机制，危险动作须人工审批；更进一步提出设备工艺精度评价模型，把轧机刚度、AGC响应与产品质量直接关联。其二，太原科技大学张晓红梳理了维护策略五级演化——RCM、TBM、CBM、PdM到AHM（自主健康管理），并给出量化结论：科学的视情更换与备件订购协同可使设备寿命延长15%~20%、库存周转率提升30%以上。其三，容知日新提出「双引擎」路线：第一引擎用多模态自研模型做信号深度解码，第二引擎用大语言模型做诊断逻辑推理，把技术发现转化为可执行检修建议。
值得关注：「故障找人」+人在回路+多智能体分工，正是当前AI智能体进工业现场最稳妥的落地范式；五级演化框架也适合作为向客户讲解PdM位置的通用话术。
多智能体PHM冶金故障诊断
原文链接：https://www.csm.org.cn/col/col6322/art/2026/art_1141ce9007f541cb92f94a296e7688c1.html
工业AI
来源：中国经济新闻网
天洑工业世界模型：不只预测故障，还告诉你「如何调」
天洑在河北热电项目把预测、诊断与运行优化放进同一框架，AI从「报警器」升级为「操作顾问」。
南京天洑软件在河北某热电厂智慧运行项目中展示了工业世界模型的典型用法：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在同一套系统中。文章点出了一个被普遍忽视的深层需求——预测故障只是第一步，「知道设备在变差之后该怎么办」才是更有价值的部分。比如锅炉积灰后需要吹灰，但吹灰本身消耗蒸汽、频繁吹灰还会加速受热面磨损，什么时候吹、吹哪里、吹到什么程度是一个典型的多目标权衡问题。天洑的架构把工业数据、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，专业小模型负责精准预测，机理模型负责工程边界约束，工业智能体负责组织执行。燃气轮机水洗时机优化也是同类问题的应用。
值得关注：从「预测性维护」走向「预测性运行优化」，PHM的产出物从报警清单变成操作建议，这是设备智能运维价值量提升的关键一步，与德姆斯「健康档案+AI预警+专家协作」路线高度相关。
工业世界模型预测性维护优化决策
原文链接：https://www.cet.com.cn/wzsy/cyzx/10597404.shtml
传感器
来源：OFweek / 今日头条
国产厂商发布高精度MEMS振动传感芯片，瞄准预测性维护市场
国内厂商发布高精度振动检测MEMS芯片，可装于电机、风机捕捉故障特征，2027年小规模量产。
10月15日在传感器产业交流活动上，国内厂商发布全新MEMS传感芯片，主打高精度振动检测，可部署在电机、风机等工业设备上提前捕捉设备故障特征、实现预测性维护。此前国内高端工业MEMS传感器长期依赖进口，该产品被定位为填补细分领域空白的国产替代之作。目前样品已交付多家工业设备厂商测试，预计2027年进入小规模量产。对设备智能运维行业而言，传感器的国产化与低成本化直接决定了监测点位能否「铺得开」——高频振动监测的部署成本一直是中小企业PdM渗透率的最大瓶颈，国产高精度MEMS芯片若如期量产，振动监测的硬件门槛将继续下探。
值得关注：感知层国产替代+成本下探是PdM规模化的前置条件；对德姆斯灵瞳等国产监测硬件体系是供应链利好，也值得在选型与成本测算中跟踪。
MEMS振动传感器国产替代IIoT
原文链接：https://www.toutiao.com/article/7696722918885933631
学术前沿
来源：ScienceDirect（Elsevier）
ETH Olga Fink 团队长文综述：物理信息机器学习如何重塑PHM
《Reliability Engineering & System Safety》发表PHM物理信息机器学习系统综述，覆盖虚拟传感、强化学习维护决策与机队级部署。
苏黎世联邦理工Olga Fink团队在《Reliability Engineering & System Safety》（Vol.274，2026年10月）发表PHM领域系统性综述Part II，聚焦「学习偏置」与「观测偏置」两条主线：前者通过物理信息损失函数、 governing equations 与单调性约束把物理知识嵌入模型训练；后者通过虚拟传感估计未测量状态、物理仿真数据增广与多传感器融合策略保证模型见到真实的系统行为。综述进一步指出，物理信息机器学习正推动PHM从「被动预测」走向「主动决策」——用强化学习训练尊重物理约束的维护策略，打通模型预测、仿真与实际运行之间的闭环；在部署维度，meta-learning、few-shot学习与域泛化技术被列为从单设备走向机队级（fleet-wide）推广的关键。作者同时坦承现实约束：传感器数据噪声大、标签稀缺、退化行为高度非线性，仍是PHM落地的长期挑战。
值得关注：这篇综述基本定义了未来几年PHM学术与工程的议程：物理+数据混合建模、RL维护决策、机队级快速适配，均是客户方案评审中越来越常被问到的方向。
PHM物理信息机器学习强化学习综述
原文链接：https://www.sciencedirect.com/science/article/pii/S0951832026001924
市场数据
来源：Analytics Insight（综合 Augury/IndustryWeek、MaintainX 调研）
2026制造业PdM调研：57%工厂已用预测性维护，但79%团队停机率未改善
多份2026年调研显示PdM采用率快速攀升，但相当比例团队因数据质量、误报与流程脱节而未收获停机改善。
Analytics Insight综合2026年多份行业调研，勾勒出预测性维护市场的真实图景。正面数据：Augury与IndustryWeek报告显示57%制造商已在使用预测性维护，83%制造 leader 计划增加AI投入，42%企业已在过半工厂铺开（一年前仅14%）；MaintainX调研中75%维护与运营负责人在6个月内看到AI投入回报。标杆案例方面，美国纸业Domtar的AI振动监测系统累计避免约1546小时非计划停机；印度某钢厂案例避免8小时停机、节省约338万卢比；某轮胎厂用生成式AI做根因分析，排查周期从10天缩短到2小时。但硬币的另一面是：MaintainX同时发现79%团队的非计划停机较上年持平甚至恶化——传感器数据质量差、误报率高、缺乏培训、维修排队、告警未接入维护计划，是最常见的原因。
值得关注：「采用率高但效果分化」正是ROI测算类内容最有说服力的素材：买软件不等于减停机，数据治理+流程闭环才是分水岭，可直接支撑公众号ROI选题。
市场调研ROI预测性维护
原文链接：https://www.analyticsinsight.net/artificial-intelligence/the-role-of-ai-in-predictive-maintenance-how-factories-are-reducing-downtime