工业智能化如火如荼，迫在眉睫，大模型技术作为核心驱动力，正在重塑工业设备智能化升级与智能运维的格局。诸多工业企业面临着装备运维成本居高不下，故障频发影响生产效率的问题。本文从湃方科技的实践出发，解读大模型对工业装备智能化升级和智能运维的赋能，为工业企业的智能化转型提供思路。
分享嘉宾｜武通达 湃方科技 联合创始人 &CEO
内容已做精简，如需获取专家完整版视频实录和课件，请扫码领取。
01
工业设备运维管理新范式
从当前的市场角度出发，工业智能化的未来发展趋势是形成大量无人化或少人化的柔性智能工厂。基于此，需搭建两套基础设施，一是工业智能核心——智能物联网，负责完成端侧的数据采集、收集及控制等工作。另一个是工业大脑，即工业智能软件，是以人工智能大模型为核心，负责数据存储管理、处理、分析和决策的模块。过去几年，工业物联网市场快速增长，各个国家型支柱行业均产生智能物联网与智能化发展需求。从应用角度，主要围绕底层的智能感知、算法、应用三个维度展开讨论。
在智能感知环节，将原有传感器升级为具备端侧计算能力的智能物联网，直接在端侧实现感知、分析、控制三位一体的逻辑。
在算法环节，基于两套数据逻辑：以设备为主体的设备运行数据库，用于描述设备行为；以业务为主体的业务数据库，用于描述人的行为。这两个数据库共同呈现行业关键知识，也涉及工艺等各行业特色知识，后续将融入新逻辑并应用于行业知识体系。在行业知识库基础上，将融合工业大模型、深度学习小模型及经典规则小模型的大小模型融合算法机制。该机制既能分析传统设备运行的物理逻辑，也能分析与用户人员相关的应用逻辑并进行决策。
最终，对于顶层设计与用户群体直接交互的工业智能应用，回归工业场景，将围绕人、机、料、法、环各环节管理及运维、节能等应用需求开发系列产品。从底层感知到算法再到应用，这是未来基于工业大模型、围绕工业设备运维的管理新范式构想。
这三部分分别要实现的功能是：
端侧实现智能感知，减少人员依赖，使工人尽可能远离现场；
云端或端云协同处进行大量数据分析，通过数据洞察设备运行状态；
决策层通过大模型完成最终决策判断与控制。
智能感知环节强调基于端侧 AI 芯片的智能物联网系统，期望传感器不仅实现数据采集，还能直接关联计算与分析，构建感算融合的物联网系统。该芯片最早在 2019 年由清华大学实验室发布，2021 年和 2022 年分别推出产业化 AI 芯片，是国内较早应用于端侧物联网的低功耗 AI 计算芯片，支持感知端 24bit 采样、最高 200K 采样频率，可采集温度、振动、磁场、声纹等高频或复杂物理信号。
在智能层面，该芯片目前可实现多核异构，包括积稀疏计算、存内计算等，能量效率达 3.7TOPS/ 瓦，平均功耗约 40 毫瓦，支持多种深度学习与机器学习算组，实现效率与算力优化。
控制层面集成 RISC 组合，整体实现国产自主可控，同时支持多种通信能力，在单一芯片内完成感知、计算、控制、通信一体化设计。未来期望通过该芯片大幅降低物联网设备的成本、体积与能耗。
这是从设备管理角度开展的应用，通过采集旋转类设备的振动加速度信号，在端侧进行高频分析，发现工况变化即刻上报。相较于传统监测振动数据、声纹数据的传感器，该应用实现了更高的响应速度，仅需端侧计算，无需将全部数据上传至云端，同时延长了电池续航寿命，使其超过原来的五倍左右。通过低功耗与端侧立即响应的方式，物联网模块综合成本更低，部署成本降低 90% 以上，运营成本降低 30% 以上。
在过去几年中，湃方科技围绕智能感知打造了系列产品，包括工业物联网数据管控平台及采集多种数据的智能物联硬件，如磁振温一体化采集的无线智能节点。目前这些传感器主要应用于石油、化工、煤矿等大型流程工业行业，包含煤矿矿井下等需要煤安证书认证的场景。此外，拥有边缘智能云盒等产品，可实现边缘端更高算力计算，兼容更丰富的数据维度，除振动外，还可接入流量、压力等工艺量。
以往只能形成基于深度学习的算法，例如基于时间序列预测的异常处理、基于自动学习框架的故障诊断等，通过收集大量工业现场数据，可实现基于深度学习的小模型。DeepSeek 出现后，可兼容大模型与小模型应用，基于海量业务数据形成大模型算法库，实现工业场景中大小模型融合。
以设备故障分析技术为例，为解决工业场景中正常数据多、故障数据少的问题，通过现场数据收集及设备破坏性实验，获取数百万条有效故障数据，并采用迁移学习方法，使实验台数据训练的算法可应用于真实工业现场。通过基准模型结合自动学习的方式，解决了工业动设备故障分析中数据量少和迁移难的问题。目前已支持 30 多类典型工业设备、100 多项旋转类设备故障的提前预警与诊断，此为典型的基于深度学习的小模型应用。
上述小模型基于设备运行的物理识别数据分析故障后，需将结论与现场业务结合，因此需要分析设备运营的业务数据。经五六年积累，平台现有约一万多台在运行被监测设备、两 TB 左右设备运维数据，覆盖 20 多个行业、800 多家客户。过去数年，平台出具超 5000 份设备处理工单，发布 2 万多份设备运行分析报告。基于此基础运行数据，可通过大模型训练针对工业设备（尤其是工业动设备）智能运维的大模型应用。例如获取设备运行数据与参数、总结近期运行情况、提示异常等。通过分析用户行为并结合大模型能力，叠加设备运行数据分析与深度学习能力，形成大小模型融合的工业智能算法体系。
基于智能感知端侧与数据驱动算法，相关应用目前主要落地于装备制造行业与终端用户场景。数据采集系统既能将数据传递至装备制造企业，供其分析销售设备的状态及运维需求，也能支持工厂管理者管理现场设备，实现供应商与使用者间的信息打通。
在装备制造企业端，打通设备出厂的后服务环节，涵盖出厂实验、检测、鉴定、远程监测、运行预警服务、物流安装、实时运行信息及三包售后等，中间通过大模型收集客户业务数据，为客户提供设备运行分析，如压缩机半年运行效果评估、三包服务判断等支持。助力制造企业从单一装备制造向 " 装备制造 + 服务 " 转型。
另一端面向工厂设备管理者，可通过系统实现日常点巡检、设备监测、维护运维、保养及备件管理，并结合设备运行知识库，从管理者视角整合应用相关能力。若现场存在 100 台设备，大模型可通过训练过往业务数据，自动分析并提醒哪些设备需重点关注、哪些已存在故障需维修、哪些存在隐患且因生产压力需要带病运行，在此过程中密切监测异常并及时停机。相较于传统仅能实现故障诊断和报警的方式，该应用更贴合实际业务需求，这体现了大模型在设备管理场景中的作用。
基于上述逻辑，整合出一套标准产品的 " 软 + 硬 + 算 " 解决方案，面向石油化工、煤炭、采矿、电力等典型流程工业，覆盖电机、水泵、风机、皮带运输机、离心机、磨机等各类转动动力设备。在端侧的研究方向主要包含两大类，其一为机械振动类，主要用于分析机械设备故障。另一系列为工艺类，涵盖电参数、流量、压力等数据，主要解决与工艺需求匹配问题，分析设备能耗、效率等数据源。基于设备运行物理数据与业务运营数据，形成深度学习算法库与大模型应用，支撑设备运维管理各项应用体系。
02
案例解析
案例一：某工业电机企业智能化案例
初期与该电机企业下属大型特种电机公司合作，研究面向大型电机、特种电机、防爆电机的智能化实现路径、监测方法及算法训练。自 2020 年启动该工作，过去四五年间通过对电机设备的测试，训练了约四五十种与电机机械故障、电气故障相关的算法模型，均实现超前预测与故障精准定位。目前业务已列装七个系列型号的智能电机，累计数千台在市场推广部署，该项目入选国资委原创技术策源地计划并获国家认可。2023 年底至 2024 年初完成中期验收，现阶段处于项目最后实施环节，是装备制造企业智能化升级的成功案例。
围绕高压电机与低压电机两大品类，形成系列监测分析产品：第一代产品基于 2G 通信实现纯数据采集；第二代产品在边缘端引入智能化分析，提升物联网系统寿命、故障分析准确率及响应速度。预测性维护行业早期数据采集分析多以小时或天为单位，本解决方案实现秒级报警，数据异常发生后一分钟内即发布警报，可有效避免紧急情况。目前与客户合作开发监测分析与自动修复一体化产品 " 智能端盖 "，通过改造电机设备外盖结构，将轴从中间穿过，实现小型化设计。该装置为自发电设计，电机旋转时系统持续供电，无需考虑后期更换电池等需求。采集数据可自动分析是否存在润滑等故障，当监测到轴承异常时，自动驱动注油器加注润滑，实现监测、分析、控制一体化的产品形态。
案例二：某大型石化企业电机群检测系统
在某大型石化企业交付的大型循环水泵项目中，针对 1.5 兆瓦规格的高压电机，通过现场数据采集监测到异常信号及故障，并准确分析故障类型。9 月首次发现故障并提示紧急处理，次年 1 月该故障再次出现，将信息反馈至厂家后，经现场运维判断为绝缘设计偏差问题，促成三个同系列型号电机在三包期内返厂更换，避免了设备意外停机引发的重大事故，实现稳定运行状态下的设备更换，避免客户损失。
为某大型石化厂的设备监测中，实现多厂站、多设备类型的全局监测。以提前预警故障案例为例，监测对象为一台旧设备，安装后通过算法快速报警其振动异常，判断为润滑不良。17 日监测到异常，24 日客户注油后数据明显改善。后续继续监测发现更严重的轴承故障并再次报警，现场立即停机检修，结果显示轴承内部存在明显刻槽，因机械原因导致严重磨损。更换新轴承后，振动数据恢复正常。算法在该过程中实现了设备运行状态及关键零部件健康状态的分析、跟踪、及时提醒与维修干预。
⩓
