凯奥思数据AI大模型赋能PHM系统，助力企业智能运维升级

公司依托自主研发的核心算法，构建了一套完整的工业智能产品体系，包含1套超思工业智能服务平台；4类硬件产品：有线传感器、无线智能传感器、边缘智能采集器、无线智能网关；6大智慧系统：设备预测性维护及健康管理系统、设备全生命周期管理系统、先进过程控制系统、能源管理与优化系统、库存优化、生产计划排程；N个行业细分场景解决方案：煤气管网平衡寻优、选煤厂智能配煤、集装箱智能优化、板坯库智能调度等。

公司荣获国家高新技术企业、江苏省工业互联网发展示范企业、江苏省专精特新中小企业、江苏省最具成长潜力留学人员创业企业、江苏省工业软件优秀产品和应用解决方案、新一代信息技术与制造业融合发展示范、南京市瞪羚企业等多项殊荣，2024年公司对数据资产进行战略布局，成为南京市首家数据资产入报表的民营科技企业。

公司现有100余名员工，海归博士占4%、硕士18%、本科70%，融合海归团队全球视野与本土制造经验。年研发投入占销售收入20%以上，累计获30余项授权专利、70余项软件著作权，核心技术覆盖边缘计算、工业大数据等，筑牢技术竞争力。

目前已服务宝武集团、海螺水泥、山西焦煤、中国石化、广汽丰田、南瑞集团等200余家行业龙头，助力企业智能化升级、降本增效，赢得市场认可与客户信赖。

1. 场景应用概述

当前工业PHM（设备预测性维护及健康管理）市场竞争呈现白热化态势，价格战愈演愈烈，产品同质化问题严重，传统诊断技术逐渐失去竞争优势，难以满足工业企业对设备运维的高品质需求。同时，人工看护诊断设备的模式消耗大量人力、物力等资源，且由于工作人员的专业水平、经验等存在差异，导致设备诊断效率参差不齐，客户满意度也受到较大影响。在此背景下，AI大模型技术快速普及，行业内的客户与竞争对手都在加速引入相关技术，以提升自身在 PHM 领域的竞争力，凯奥思面临着巨大的市场压力与发展机遇。

凯奥思旨在通过AI大模型赋能PHM系统，解决传统PHM技术竞争力不足、人工运维压力大以及技术滞后等问题，构建智能运维生态。具体目标包括：本地化部署AI大模型并将其集成到PHM 系统中，嵌入专业知识库实现智能问答功能；完善钢铁、煤矿等行业设备知识库；融合专家机理与大模型，实现设备异常识别、故障预警及自动化诊断；计划在2025年底前，在钢铁和煤矿行业推广1-2家用户，持续完善知识库，不断提升诊断效率，最终打造出具有强大竞争力的AI大模型PHM产品，强化公司在工业PHM市场的竞争力，提升设备管理效能，为客户创造更大价值。

凯奥思在以AI大模型升级PHM系统的过程中，着重推进多方面建设：一方面将AI大模型与自身PHM系统深度融合，搭建云-边-端协同架构，通过边缘端开展数据清洗和特征提取以保障数据质量，借助云端实现数据实时处理与大模型训练优化；另一方面引入动态权重算法提升数据分析诊断精准度，构建知识自进化体系助力系统自主完善知识库与诊断能力，开发自然语言交互智能顾问优化操作便捷性；同时，依托上述技术与算法实现多模态数据关联及异常识别，全面掌握设备运行状态，其应用场景已广泛覆盖钢铁、水泥等行业，目前已在海螺水泥1#线等场景成功落地，后续还将进一步拓展至煤矿等更多行业场景。

目前，凯奥思以AI大模型升级PHM系统的建设已取得阶段性成果，相关系统已在部分行业场景（如海螺水泥1#线）成功落地应用，系统在线率达到98%，故障诊断准确率达96.5%，检维修效率提升55%，劳动强度下降48%，初步实现了提升设备管理效能的目标。

针对传统PHM技术存在的同质化严重、竞争力不足问题，通过融合AI大模型，引入云-边-端协同架构、动态权重算法等创新技术，打破传统技术局限，赋予系统更强的数据处理与故障诊断能力；针对人工诊断效率低、资源消耗大且因人员差异导致诊断效率和准确性不稳定的问题，借助知识自进化体系和自然语言交互智能顾问，减少对人工诊断的依赖，实现自动化诊断，降低人力物力消耗并大幅提升诊断效率；针对技术滞后、市场适应能力弱导致的市场发展瓶颈问题，通过及时引入AI大模型技术并持续完善行业设备知识库，让系统紧跟技术潮流，更好满足不同行业客户需求，增强市场适应能力与竞争力，有效解决了传统PHM领域面临的三大关键问题。

1）技术融合创新

将AI大模型与PHM系统深度融合，并结合云-边-端协同架构，实现了技术层面的跨界整合。这种融合不是简单的叠加，而是通过各技术模块的协同工作，充分发挥大模型的数据处理和分析能力，以及边缘计算和云端处理的优势，提升了 PHM 系统的整体性能。

2）智能自进化特色

知识自进化体系使系统能够根据实际运行数据和故障案例，自主更新和完善知识库，不断提升诊断的准确性和全面性，无需人工频繁干预，实现了系统的持续优化和自我提升，具备了类似人类学习和进化的能力。

3）交互体验优化特色

自然语言交互智能顾问的开发，改变了传统 PHM 系统复杂的操作模式，工作人员无需具备专业的计算机操作技能，通过日常的自然语言即可与系统进行交互，获取所需信息和诊断结果，极大地优化了用户交互体验，降低了系统的使用门槛 。

4）行业适配性强

针对钢铁、水泥、煤炭等不同行业的特点，不断完善相应的设备知识库，使系统能够精准适配各行业设备的运行特性和故障类型，提供个性化的运维解决方案，体现出较强的行业适配性，能够满足不同行业客户的多样化需求。

2. 人工智能技术方案

凯奥思PHM系统借助AI能力，构建起强大的智能预警体系。通过多维数据融合与AI推理技术，系统可实时捕捉设备的微弱振动异常、隐蔽温度波动及复杂噪声信号等故障隐患，并将其转化为可直接执行的预警信息。在故障诊断环节，依托AI的强大逻辑推演能力，能够快速穿透故障表象，精准锁定核心问题，实现从“异常报警”到“根因定位”的高效处理，彻底改变了传统运维中“大海捞针”的被动局面。

与此同时，知识自进化功能为系统注入了持续优化的动力。凯奥思原有的故障规则库已涵盖200多种典型故障模型，接入AI能力后，系统可自动解析振动频谱、工艺参数与设备结构之间的关联逻辑，动态扩展故障诊断图谱。当检测到异常频率特征时，系统不仅能精准定位常见故障，还能通过AI的推理能力，将诊断结果转化为结构化报告，清晰输出故障位置、原因及解决措施，同时持续学习历史案例以优化规则库。这一创新让系统能够不断适应复杂多变的工业设备运行状况，随着应用时间推移，故障诊断与预警能力愈发精准高效。

为实现上述创新业务模式，凯奥思采用云-边-端立体化协同架构，从数据采集到应用落地全流程优化系统性能。

采集端：部署振动、温度等多模态传感器，支持Modbus/OPC UA协议接入既有DCS系统；边缘计算单元负责数据清洗（采用滑动窗口去噪技术）、FFT频谱特征提取，可减少80%上行数据量，有效降低数据传输压力，同时提升数据处理效率。

边缘端：通过数据融合引擎整合时序数据、设备日志与工况信息，借助Kafka-Connect实现异构数据格式统一；内置机理规则库，支持本地化毫秒级故障触发，保障故障响应的实时性。

云端：计算层利用Spark Streaming实时处理Kafka流数据，完成设备状态异常检测；Hadoop集群负责离线训练寿命预测模型。存储层采用MongoDB分片集群存储PB级时序数据；Redis集群缓存高频报警记录（支持TTL动态调整），实现分布式计算与存储的高效优化。

此外，架构各层级按功能模块化设计，确保灵活可扩展：

访问层：采用Nginx反向代理，兼顾系统安全性与访问负载均衡。

应用层：按业务场景划分功能模块，支持灵活拆分与组合，适应不同行业、不同规模企业的设备管理需求。

存储层：针对数据类型差异化设计存储方案——Redis缓存常用热点数据，MongoDB存储时序数据，Mysql存储业务数据，MinIO 存储文件类型数据。

计算层：分为实时计算与批处理两大模块，基于Kafka的consumer特性灵活扩展数据处理能力。

流式数据层：采用Kafka保障数据传输的高可用性、可靠性与易扩展性。

接入层：通过MQTT协议确保数据传输的可靠性、安全性，同时具备简洁易扩展的特点。

凯奥思数据将核心产品——设备预测性维护与健康管理系统（PHM），与先进AI模型深度融合。传统PHM系统虽具备基础的设备状态监测与故障诊断功能，但在复杂多变的工业场景中，存在数据解读不深入、诊断效率偏低等局限。通过引入AI模型，系统实现了从传统技术模式向智能运维生态的跨越式发展。

在数据智能感知层面，工业设备产生的振动、温度、应力波等多源异构数据，以往难以实现快速精准解析。依托AI模型的自然语言解析能力，结合凯奥思独创的动态权重特征提取算法（如加速度单峰值PK、倍频能量和函数），系统可自动识别设备运行过程中的隐性异常模式。以钢铁行业应用为例，该技术使特征提取效率提升80%，让海量设备数据高效转化为有价值的决策依据，为设备管理提供强有力的支撑。

对话式诊断功能更是颠覆了传统设备健康管理的业务模式。过去，运维工程师需在多个系统间手动切换以查询数据，流程繁琐且耗时。如今，融合AI模型的PHM系统，打造出具备工业知识沉淀、多模态数据关联、自然语言交互能力的“智能顾问”。设备管理人员只需以自然语言输入查询指令（如“3号风机当前健康评分如何？”），系统便能自动关联实时振动数据、历史维护工单及同类设备故障库，快速生成包含健康指数、风险预警、处置建议的结构化报告，并基于时序预测提示潜在故障。经测算，该功能预计将运维响应速度提升50%，显著提高设备管理的效率与准确性。

3. 实施成效

本系统在安徽池州海螺水泥1#线上线应用，实现22类关键水泥设备基于动态权重阈算法的设备健康状态评估，15类主机设备的典型故障预警与自诊断，以及系统健康状态评估，同时基于大数据和AI人工智能算法创建了分解炉温度预测模型、篦板料层厚度预测模型、生料粉磨质量预测模型、球磨机负荷预测模型、回转窑煅烧温度预测模型、窑尾烟气温度预测模型、窑头负压预测模型等。系统平均在线率高达98%，故障诊断准确率96.5%，技术人员检维修效率提高55%，操作人员劳动强度下降48%，该系统在水泥行业乃至其他行业具有重要的推广应用价值。

4. 应用推广情况

从行业意义来看，该升级破解了传统设备管理的痛点，推动管理模式从“事后维修”“定期保养”向“按需维护”革新，有效减少非计划停机与资源浪费；能显著提升生产效率与产品质量，帮助企业在市场竞争中占据优势；同时助力“双碳”目标实现，减少能源消耗与碳排放，推动行业绿色可持续发展。

在可复制推广方面，其技术架构通用性强，可适配制造、能源、交通等多行业各类设备；采用模块化设计，能根据企业规模、需求灵活组合功能，降低不同企业引入门槛；拥有成熟的实施方法论与全流程服务体系，保障系统顺利落地运行；所带来的显著经济与社会效益，不仅吸引企业主动应用，还获政府、行业协会推广，为工业智能化转型提供有力支撑。

以上案例由南京凯奥思数据技术有限公司提供