工業(yè)智能化如火如荼，迫在眉睫，大模型技術(shù)作為核心驅(qū)動(dòng)力，正在重塑工業(yè)設(shè)備智能化升級(jí)與智能運(yùn)維的格局。諸多工業(yè)企業(yè)面臨著裝備運(yùn)維成本居高不下，故障頻發(fā)影響生產(chǎn)效率的問(wèn)題。本文從湃方科技的實(shí)踐出發(fā)，解讀大模型對(duì)工業(yè)裝備智能化升級(jí)和智能運(yùn)維的賦能，為工業(yè)企業(yè)的智能化轉(zhuǎn)型提供思路。

分享嘉賓｜武通達(dá) 湃方科技

聯(lián)合創(chuàng)始人&CEO

內(nèi)容已做精簡(jiǎn)，如需獲取專(zhuān)家完整版視頻實(shí)錄和課件，請(qǐng)掃碼領(lǐng)取。

01

工業(yè)設(shè)備運(yùn)維管理新范式

從當(dāng)前的市場(chǎng)角度出發(fā)，工業(yè)智能化的未來(lái)發(fā)展趨勢(shì)是形成大量無(wú)人化或少人化的柔性智能工廠。基于此，需搭建兩套基礎(chǔ)設(shè)施，一是工業(yè)智能核心 —— 智能物聯(lián)網(wǎng)，負(fù)責(zé)完成端側(cè)的數(shù)據(jù)采集、收集及控制等工作。另一個(gè)是工業(yè)大腦，即工業(yè)智能軟件，是以人工智能大模型為核心，負(fù)責(zé)數(shù)據(jù)存儲(chǔ)管理、處理、分析和決策的模塊。過(guò)去幾年，工業(yè)物聯(lián)網(wǎng)市場(chǎng)快速增長(zhǎng)，各個(gè)國(guó)家型支柱行業(yè)均產(chǎn)生智能物聯(lián)網(wǎng)與智能化發(fā)展需求。從應(yīng)用角度，主要圍繞底層的智能感知、算法、應(yīng)用三個(gè)維度展開(kāi)討論。

在智能感知環(huán)節(jié)，將原有傳感器升級(jí)為具備端側(cè)計(jì)算能力的智能物聯(lián)網(wǎng)，直接在端側(cè)實(shí)現(xiàn)感知、分析、控制三位一體的邏輯。

在算法環(huán) 節(jié)，基于兩套數(shù)據(jù)邏輯：以設(shè)備為主體的設(shè)備運(yùn)行數(shù)據(jù)庫(kù)，用于描述設(shè)備行為；以業(yè)務(wù)為主體的業(yè)務(wù)數(shù)據(jù)庫(kù)，用于描述人的行為。這兩個(gè)數(shù)據(jù)庫(kù)共同呈現(xiàn)行業(yè)關(guān)鍵知識(shí)，也涉及工藝等各行業(yè)特色知識(shí)，后續(xù)將融入新邏輯并應(yīng)用于行業(yè)知識(shí)體系 。在行業(yè)知識(shí)庫(kù)基礎(chǔ)上，將融合工業(yè)大模型、深度學(xué)習(xí)小模型及經(jīng)典規(guī)則小模型的大小模型融合算法機(jī)制。該機(jī)制既能分析傳統(tǒng)設(shè)備運(yùn)行的物理邏 輯，也能分析與用戶(hù)人員相關(guān)的應(yīng)用邏輯并進(jìn)行決策。

最終，對(duì)于頂層設(shè)計(jì)與用戶(hù)群體直接交互的工業(yè)智能應(yīng)用，回歸工業(yè)場(chǎng)景，將圍繞人、機(jī)、料、法、環(huán)各環(huán)節(jié)管理及運(yùn)維、節(jié)能 等應(yīng)用需求開(kāi)發(fā)系列產(chǎn)品。從底層感知到算法再到應(yīng)用，這是未來(lái)基于工業(yè)大模型、圍繞工業(yè)設(shè)備運(yùn)維的管理新范式構(gòu)想。

這三部分分別要實(shí)現(xiàn)的功能是：

• 端側(cè)實(shí)現(xiàn)智能感知，減少人員依賴(lài)，使工人盡可能遠(yuǎn)離現(xiàn)場(chǎng)；

• 云端或端云協(xié)同處進(jìn)行大量數(shù)據(jù)分析，通過(guò)數(shù)據(jù)洞察設(shè)備運(yùn)行狀態(tài)；

• 決策層通過(guò)大模型完成最終決策判斷與控制。

智能感知環(huán)節(jié)強(qiáng)調(diào)基于端側(cè) AI 芯片的智能 物聯(lián)網(wǎng)系統(tǒng)，期望傳感器不僅實(shí)現(xiàn)數(shù)據(jù)采集，還能直接關(guān)聯(lián)計(jì)算與分析，構(gòu)建感算融合的物聯(lián)網(wǎng)系統(tǒng)。該芯片最早在 2019 年由清華大學(xué)實(shí)驗(yàn)室發(fā)布， 2021 年和 2022 年分 別推出產(chǎn)業(yè)化 AI 芯片， 是國(guó)內(nèi)較早應(yīng)用于端側(cè)物聯(lián)網(wǎng)的低功耗 AI 計(jì)算芯片，支持感知端 24 bit采樣、最高 200K 采樣頻率，可采集溫度、振動(dòng)、磁場(chǎng)、聲紋等高頻或復(fù)雜物 理信號(hào)。

在智能層面，該芯片目前可實(shí)現(xiàn)多核異構(gòu)，包括積稀疏計(jì)算、存內(nèi)計(jì)算等，能量效率達(dá) 3.7TOPS/ 瓦，平均功耗約 40 毫瓦，支持多種 深度學(xué)習(xí)與機(jī)器學(xué)習(xí)算組，實(shí)現(xiàn)效率與算力優(yōu)化。

控制層面集成RISC 組合，整體實(shí)現(xiàn)國(guó)產(chǎn)自主可控，同時(shí)支持多種通信能力，在單一芯片內(nèi)完成感知、計(jì)算、控制、通信一體化設(shè)計(jì)。未來(lái)期望通過(guò)該芯片大幅降低 物聯(lián)網(wǎng)設(shè)備的成本、體積與能耗。

這是從設(shè)備管理角度開(kāi)展的應(yīng)用，通過(guò)采集旋轉(zhuǎn)類(lèi)設(shè)備的振動(dòng)加速度信號(hào)， 在端側(cè)進(jìn)行高頻分析，發(fā)現(xiàn)工況變化即刻上報(bào)。 相較于傳統(tǒng)監(jiān)測(cè)振動(dòng)數(shù)據(jù)、聲紋數(shù)據(jù)的傳感器，該應(yīng)用實(shí)現(xiàn)了更高的響應(yīng)速度，僅需端側(cè)計(jì)算，無(wú)需將全部數(shù)據(jù)上傳至云端，同時(shí)延長(zhǎng)了電池續(xù)航壽命，使其超過(guò)原來(lái)的五倍左右。通過(guò)低功耗與端側(cè)立 即響應(yīng)的方式，物聯(lián)網(wǎng)模塊綜 合成本更低，部署成本降低 90% 以上，運(yùn)營(yíng)成本降低 30% 以上。

在過(guò)去幾年中，湃方科技圍繞智能感知打造了系列產(chǎn)品，包括工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)管控平臺(tái)及采集多種數(shù)據(jù)的智能物聯(lián)硬件， 如磁振溫一體化采集的無(wú)線(xiàn)智能節(jié)點(diǎn)。目前這些傳感器主要應(yīng)用于石油、化工、煤礦等大型流程工業(yè)行業(yè)，包含煤礦礦井下等需要煤安證書(shū)認(rèn)證的場(chǎng)景。此外，擁有邊緣智能云盒等產(chǎn)品， 可實(shí)現(xiàn)邊緣端更高算力計(jì)算，兼容更豐富的數(shù)據(jù)維度，除振動(dòng)外，還可接入流量、壓力等工藝量。

以往只能形成基于深度學(xué)習(xí)的算法，例如基于時(shí)間序列預(yù)測(cè)的異常處理、基于自動(dòng)學(xué)習(xí)框架的故障診斷等，通過(guò)收集大量工業(yè)現(xiàn)場(chǎng)數(shù)據(jù)，可實(shí)現(xiàn)基于深度學(xué)習(xí)的小模型。 DeepSeek 出現(xiàn)后， 可兼 容大模型與小模型應(yīng)用，基于海量業(yè)務(wù)數(shù)據(jù)形成大模型算法庫(kù)，實(shí)現(xiàn)工業(yè)場(chǎng)景中大小模型融合。

以設(shè)備故障分析技術(shù)為例，為解決工業(yè)場(chǎng)景中正常數(shù)據(jù)多、故障數(shù)據(jù)少的問(wèn)題，通過(guò)現(xiàn)場(chǎng)數(shù)據(jù)收集及設(shè)備破壞性實(shí)驗(yàn)，獲取數(shù)百萬(wàn)條有效故障數(shù)據(jù)，并采用遷移學(xué)習(xí)方法，使實(shí)驗(yàn)臺(tái)數(shù)據(jù)訓(xùn)練的算法可應(yīng)用于真實(shí)工業(yè)現(xiàn)場(chǎng)。通過(guò)基準(zhǔn)模型結(jié)合自動(dòng)學(xué)習(xí)的方式，解決了工業(yè)動(dòng)設(shè)備故障分析中數(shù)據(jù)量少和遷移難的問(wèn)題。目前已支持 30 多類(lèi)典型工業(yè)設(shè)備、 100 多項(xiàng)旋轉(zhuǎn)類(lèi)設(shè)備故障的提前預(yù)警與診斷，此為典型的基于 深度學(xué)習(xí)的小模型應(yīng)用 。

上述小模型基于設(shè)備運(yùn)行的物理識(shí)別數(shù)據(jù)分析故障后，需將結(jié)論與現(xiàn)場(chǎng)業(yè)務(wù)結(jié)合， 因此需要分析設(shè)備運(yùn)營(yíng)的業(yè)務(wù)數(shù)據(jù)。經(jīng)五六年積累，平臺(tái)現(xiàn)有約一萬(wàn)多臺(tái)在運(yùn)行被監(jiān)測(cè)設(shè)備、兩 TB 左右設(shè)備運(yùn)維數(shù)據(jù)，覆蓋 20 多個(gè)行業(yè)、 800 多家客戶(hù)。過(guò)去數(shù)年，平臺(tái)出具超 5000 份設(shè)備處理工單，發(fā)布 2 萬(wàn)多份設(shè)備運(yùn)行分析報(bào)告。基于此基礎(chǔ)運(yùn)行數(shù)據(jù)，可通過(guò)大模型訓(xùn)練針對(duì)工業(yè)設(shè)備（尤其是工業(yè)動(dòng)設(shè)備）智能運(yùn)維的大模型應(yīng)用。例如獲取設(shè)備運(yùn)行數(shù)據(jù)與參數(shù)、總結(jié)近期運(yùn)行情況、提示異常等 。通過(guò)分析用戶(hù)行為并結(jié)合大模型能力，疊加設(shè)備運(yùn)行數(shù)據(jù)分析與深度學(xué)習(xí)能力，形成大 小模型融合的工業(yè)智能算法體系。

基于智能感知端側(cè)與數(shù)據(jù)驅(qū)動(dòng)算法，相關(guān) 應(yīng)用目前主要落地于裝備制造行業(yè)與終端用戶(hù)場(chǎng)景。數(shù)據(jù)采集系統(tǒng)既能將數(shù)據(jù)傳遞至裝備制造企業(yè)，供其分析銷(xiāo) 售設(shè)備的狀態(tài)及運(yùn)維需求，也能支持工廠管理者管理現(xiàn)場(chǎng)設(shè)備，實(shí)現(xiàn)供應(yīng)商與使用者間的信息打通。

在裝備制造企業(yè)端，打通設(shè)備出廠的后服務(wù)環(huán)節(jié)，涵蓋出廠實(shí)驗(yàn)、檢測(cè)、鑒定、遠(yuǎn)程監(jiān)測(cè)、運(yùn)行預(yù)警服務(wù)、物流安裝、實(shí)時(shí)運(yùn)行信息及三包售后等，中間通過(guò)大模型收集客戶(hù)業(yè)務(wù)數(shù) 據(jù)，為客戶(hù)提 供設(shè)備運(yùn)行分析，如壓縮機(jī)半年運(yùn)行效果評(píng)估、三包服務(wù)判 斷等支持。助力制造企業(yè)從單一裝備制造向 “ 裝備制造 + 服務(wù) ” 轉(zhuǎn)型。

另一端面向工廠設(shè)備管理者，可通過(guò)系統(tǒng)實(shí)現(xiàn)日常點(diǎn)巡檢、設(shè)備監(jiān)測(cè)、維護(hù)運(yùn)維、保養(yǎng)及備件管理，并結(jié)合設(shè)備運(yùn)行知識(shí)庫(kù)，從管 理者視角整合應(yīng)用相關(guān)能力。若現(xiàn)場(chǎng)存在 100 臺(tái)設(shè)備，大模型可通過(guò)訓(xùn)練過(guò)往業(yè)務(wù) 數(shù)據(jù)，自動(dòng)分析并提醒哪些設(shè)備需重點(diǎn)關(guān)注、哪些已存在故障需維修、哪些存在隱患且因生產(chǎn)壓力需要帶病運(yùn)行，在此過(guò)程中密切監(jiān)測(cè)異常并及時(shí)停機(jī)。相較于傳統(tǒng)僅能實(shí)現(xiàn)故障診斷和報(bào)警的方式，該應(yīng)用更貼合實(shí)際業(yè)務(wù)需求，這體現(xiàn)了大模型在設(shè)備管理場(chǎng)景 中的作用。

基于上述邏輯，整合出一套 標(biāo)準(zhǔn)產(chǎn)品的 “ 軟 + 硬 + 算 ” 解決方案， 面向石油化工、煤炭、采礦、電力等典型流程工業(yè)，覆蓋電機(jī)、水泵、風(fēng)機(jī)、皮帶運(yùn)輸機(jī)、離心機(jī)、磨機(jī)等各類(lèi)轉(zhuǎn)動(dòng)動(dòng)力設(shè)備。在端側(cè)的研究方向主要包含兩大類(lèi)，其一為機(jī)械振動(dòng)類(lèi)，主要用于分析機(jī)械設(shè)備 故障。另一系列為工藝類(lèi)，涵蓋電參數(shù)、流量、壓力等數(shù)據(jù)，主要解決與工藝需求匹配問(wèn)題，分析設(shè)備能耗、效率等數(shù)據(jù)源。基于設(shè)備運(yùn)行物理數(shù)據(jù)與業(yè)務(wù)運(yùn)營(yíng)數(shù)據(jù)，形成深度學(xué) 習(xí)算法庫(kù)與大模型應(yīng)用，支撐設(shè)備運(yùn)維管理各項(xiàng)應(yīng)用體系。

02

案例解析

案例一：某工業(yè)電機(jī)企業(yè)智能化案例

初期與該電機(jī)企業(yè)下屬大型特種電機(jī)公司合作，研究面向大型電機(jī)、特種電機(jī)、防爆電機(jī)的智能 化 實(shí)現(xiàn)路徑、監(jiān)測(cè)方法及算法訓(xùn)練。自 2020 年啟動(dòng)該工作，過(guò)去四五年間通過(guò)對(duì)電機(jī)設(shè)備的測(cè)試，訓(xùn)練了約四五十種與電機(jī)機(jī)械故障、電氣故障相關(guān)的算法模型，均實(shí)現(xiàn)超前預(yù)測(cè)與故障精準(zhǔn) 定位。目前業(yè)務(wù)已列裝七個(gè)系列型號(hào)的智能電機(jī) ，累計(jì)數(shù)千臺(tái)在市場(chǎng)推廣部署，該項(xiàng)目入選國(guó)資委原創(chuàng)技術(shù)策源地計(jì)劃并獲國(guó)家認(rèn)可。 2023 年底至 2024 年初完成中期驗(yàn)收，現(xiàn)階段處于項(xiàng)目最后實(shí)施環(huán)節(jié)，是裝備制造企業(yè)智能化升級(jí)的成功案例。

圍繞高壓電機(jī)與低壓電機(jī)兩大品類(lèi)，形成系列監(jiān)測(cè)分析產(chǎn)品： 第一代產(chǎn)品基于 2G 通信實(shí) 現(xiàn)純數(shù)據(jù)采集；第二代產(chǎn)品在邊緣端引入智能化分析，提升物聯(lián)網(wǎng)系 統(tǒng)壽命、故障分析準(zhǔn)確率及響應(yīng)速度。預(yù)測(cè)性維護(hù)行業(yè)早期數(shù)據(jù)采集分析多以小時(shí)或天為單位，本解決方案實(shí)現(xiàn)秒級(jí)報(bào)警，數(shù)據(jù)異常發(fā)生后一分鐘內(nèi)即發(fā)布警報(bào)，可有效避免緊急情況。目前與客戶(hù)合作開(kāi)發(fā)監(jiān)測(cè)分析與自動(dòng)修復(fù)一體化產(chǎn)品 “ 智能端蓋 ” ，通過(guò)改造電機(jī)設(shè)備外蓋結(jié)構(gòu)，將軸從中間穿過(guò)，實(shí)現(xiàn)小型化設(shè)計(jì)。該裝置為自發(fā)電設(shè)計(jì)，電機(jī)旋轉(zhuǎn)時(shí) 系統(tǒng)持續(xù)供電，無(wú)需考慮后期更換電池等需求。采集數(shù)據(jù)可自動(dòng)分析是否存在潤(rùn)滑等故障，當(dāng)監(jiān)測(cè)到軸承異常時(shí)，自動(dòng)驅(qū)動(dòng)注油器加注潤(rùn)滑，實(shí)現(xiàn)監(jiān)測(cè)、分析、控制一體化的產(chǎn)品形態(tài)。

案例二：某大型石化企業(yè)電機(jī)群檢測(cè)系統(tǒng)

在某大型石化企業(yè)交付的大型循環(huán)水泵項(xiàng)目中，針對(duì) 1.5 兆瓦規(guī)格的高壓電機(jī)，通過(guò)現(xiàn)場(chǎng)數(shù)據(jù)采集監(jiān)測(cè)到異常信號(hào)及故障，并準(zhǔn)確分析故障類(lèi)型。 9 月首次發(fā)現(xiàn)故障并提示緊急處理，次年 1 月該故障再次出現(xiàn)，將信息反饋至廠家后，經(jīng)現(xiàn)場(chǎng)運(yùn)維判斷 為絕緣設(shè)計(jì)偏差問(wèn)題 ，促成三個(gè)同系列型號(hào)電機(jī)在三包期內(nèi)返廠更換，避免了設(shè)備意外 停機(jī)引發(fā)的重大事故，實(shí)現(xiàn)穩(wěn)定運(yùn)行狀態(tài)下的設(shè)備更換，避免客戶(hù)損失。

為某大型石化廠的設(shè)備監(jiān)測(cè)中，實(shí)現(xiàn)多廠站、多設(shè)備類(lèi)型的全局監(jiān)測(cè)。以提前預(yù)警故障案例為例，監(jiān)測(cè)對(duì)象為一臺(tái)舊設(shè)備，安裝后通過(guò)算 法快速報(bào)警其振動(dòng)異常，判斷為潤(rùn)滑不良。 17 日監(jiān)測(cè)到異常， 24 日客戶(hù)注油后數(shù)據(jù)明顯改善。后續(xù)繼續(xù)監(jiān)測(cè)發(fā)現(xiàn)更嚴(yán)重的軸承故障并再次報(bào)警，現(xiàn)場(chǎng)立即停機(jī)檢修，結(jié)果顯示軸承內(nèi)部存在明顯刻槽，因機(jī)械原因?qū)е聡?yán)重磨損。更換新軸承后，振動(dòng)數(shù)據(jù)恢復(fù)正常。算法在該過(guò)程中實(shí)現(xiàn)了設(shè)備運(yùn)行狀態(tài)及關(guān)鍵零部件健康狀態(tài)的分析、 跟蹤、及時(shí)提醒與維修干預(yù)。

正高級(jí)工程師，兼任清華大學(xué)天津電子信息研究院智能芯片與工業(yè)物聯(lián)網(wǎng)研究所所長(zhǎng)，于2010年、2023年分別獲得清華大學(xué)學(xué)士和博士學(xué)位。主要研究方向?yàn)榈凸挠?jì)算架構(gòu)、智能物聯(lián)網(wǎng)、工業(yè)智能制造，具有10年芯片研發(fā)、低功耗架構(gòu)研究經(jīng)驗(yàn)，7年創(chuàng)業(yè)實(shí)踐經(jīng)驗(yàn)。在集成電路體系架構(gòu)設(shè)計(jì)、物聯(lián)網(wǎng)領(lǐng)域發(fā)表頂級(jí)會(huì)議、期刊論文20余篇，獲專(zhuān)利10余項(xiàng)，參與國(guó)標(biāo)撰寫(xiě)1項(xiàng)。曾承擔(dān)國(guó)家自然科學(xué)基金、國(guó)家重點(diǎn)研發(fā)計(jì)劃、國(guó)強(qiáng)研究院、科技局單位在內(nèi)的多個(gè)項(xiàng)目，曾獲“吳文俊人工智能技術(shù)發(fā)明一等獎(jiǎng)”、“ISLPED國(guó)際低功耗設(shè)計(jì)競(jìng)賽第一名”、“iENA銀獎(jiǎng)”等獎(jiǎng)項(xiàng)。主導(dǎo)負(fù)責(zé)的“基于高能效邊緣計(jì)算的工業(yè)設(shè)備監(jiān)測(cè)智能物聯(lián)網(wǎng)系統(tǒng)”通過(guò)企業(yè)湃方科技進(jìn)行產(chǎn)業(yè)落地，獲得國(guó)家高新、瞪羚企業(yè)、第六屆中國(guó)國(guó)際“互聯(lián)網(wǎng)+”大學(xué)生創(chuàng)新創(chuàng)業(yè)大賽亞軍。獲得創(chuàng)業(yè)邦2021年30位30歲以下創(chuàng)業(yè)新貴、2022胡潤(rùn)U30中國(guó)創(chuàng)業(yè)先鋒等稱(chēng)號(hào)。

近期活動(dòng)推薦：