設(shè)備健康管理進(jìn)入智能化階段以后，真正困難的并不是增加一個AI問答入口，而是怎樣把運(yùn)行數(shù)據(jù)、故障數(shù)據(jù)、維修數(shù)據(jù)和不同分析模型組織起來，讓健康診斷既能回答問題，也能支持預(yù)測和維護(hù)決策。用友BIP資產(chǎn)云的資產(chǎn)健康診斷智能體圍繞運(yùn)行分析、保養(yǎng)分析、業(yè)務(wù)洞察、故障預(yù)測、預(yù)測性維修、剩余壽命預(yù)測和維保策略優(yōu)化構(gòu)建能力體系，底層同時連接時序數(shù)據(jù)、運(yùn)行數(shù)據(jù)、維保數(shù)據(jù)和知識庫，并配置多類分析與預(yù)測算法，讓設(shè)備健康診斷從單一指標(biāo)查看擴(kuò)展為多模型協(xié)同分析。
對于維修主管來說，設(shè)備數(shù)據(jù)多并不代表判斷就更容易。運(yùn)行時長、停機(jī)情況、故障次數(shù)、故障原因、維修工單、維護(hù)周期等信息可能分別存在于不同業(yè)務(wù)記錄中，如果仍然依賴人工逐張報表查看，很難快速建立一臺設(shè)備的完整健康判斷。健康診斷智能體將資產(chǎn)運(yùn)行、故障和維修工單納入業(yè)務(wù)問數(shù)的數(shù)據(jù)范圍，可以統(tǒng)計故障次數(shù)、常見故障原因和故障類別，也可以分析故障趨勢、運(yùn)行時長趨勢、故障停機(jī)分布，以及工單成本分布和工單處理進(jìn)度，并支持生成圖表。 這樣，健康分析的第一步不再只是“調(diào)出數(shù)據(jù)”，而是圍繞維修主管真正關(guān)心的問題重新組織業(yè)務(wù)信息。
在此基礎(chǔ)上，用友BIP資產(chǎn)云沒有把健康診斷智能體設(shè)計成只有一個算法的單點應(yīng)用。從系統(tǒng)架構(gòu)看，其算法模型中包括蒙特卡洛、健康衰減分析、柏拉圖分析、FMEA分析、MTTR分位數(shù)、威布爾分析、樹集成分類器、邏輯回歸、樸素貝葉斯以及自動故障預(yù)測等多種方法。 不同算法解決的問題并不完全相同，有的更適合可靠性與壽命分析，有的用于故障和風(fēng)險判斷。將多類算法納入同一個健康診斷架構(gòu)，意味著企業(yè)面對不同設(shè)備和不同分析目標(biāo)時，可以在統(tǒng)一業(yè)務(wù)體系中調(diào)用相應(yīng)的分析能力，而不必把每一種模型都建設(shè)成彼此孤立的應(yīng)用。
算法之上，還需要有與業(yè)務(wù)對應(yīng)的模型。健康診斷智能體的系統(tǒng)架構(gòu)中設(shè)置運(yùn)行分析模型、保養(yǎng)分析模型、壽命預(yù)測模型和養(yǎng)護(hù)策略模型，并對應(yīng)運(yùn)行分析、保養(yǎng)分析、業(yè)務(wù)洞察、故障預(yù)測、預(yù)測性維修以及維保策略優(yōu)化等業(yè)務(wù)方向。 這種設(shè)計很重要，因為維修主管真正提出的問題通常不是“幫我運(yùn)行一次某算法”，而是“這臺設(shè)備為什么最近故障變多”“現(xiàn)在的保養(yǎng)周期是否合適”“設(shè)備還能運(yùn)行多久”。業(yè)務(wù)模型把底層算法與這些具體管理問題連接起來，健康診斷才更容易進(jìn)入日常設(shè)備管理。
剩余壽命預(yù)測就是其中一個典型場景。用友BIP資產(chǎn)云支持對單資產(chǎn)進(jìn)行剩余壽命預(yù)測，可以由系統(tǒng)智能選擇預(yù)測算法，也允許人工指定預(yù)測算法。 這使預(yù)測能力不必被鎖定在唯一算法上，而能夠根據(jù)設(shè)備和分析需要采用不同方式。同時，剩余壽命預(yù)測也不是孤立存在于健康診斷智能體之外，其系統(tǒng)架構(gòu)中已經(jīng)將壽命預(yù)測模型與運(yùn)行數(shù)據(jù)、維保數(shù)據(jù)以及多類算法能力放在同一體系內(nèi)。 因此，壽命預(yù)測更接近設(shè)備健康管理中的一類持續(xù)分析能力，而不是一次性的計算結(jié)果。
健康診斷的另一項關(guān)鍵能力，是把保養(yǎng)數(shù)據(jù)重新用于維護(hù)策略判斷。系統(tǒng)可以分析單臺資產(chǎn)當(dāng)前的預(yù)防性維護(hù)周期、方案和執(zhí)行等數(shù)據(jù)，并據(jù)此優(yōu)化維護(hù)策略。 在業(yè)務(wù)場景中，還包括保養(yǎng)分析模型、養(yǎng)護(hù)周期優(yōu)化和養(yǎng)護(hù)優(yōu)化模型，并與維修計劃、維修工單、預(yù)防性維護(hù)和潤滑計劃等業(yè)務(wù)對象形成聯(lián)系。 這使維護(hù)周期不必一直沿用最初設(shè)定而缺少數(shù)據(jù)反饋，維修主管可以結(jié)合設(shè)備已經(jīng)發(fā)生的運(yùn)行、故障和維護(hù)情況重新審視現(xiàn)有策略。
為了讓這些復(fù)雜分析更容易被業(yè)務(wù)人員使用，健康診斷智能體還提供問答與洞察能力。維修主管可以通過語音或文字，對資產(chǎn)運(yùn)行、故障和維修工單數(shù)據(jù)進(jìn)行對話查詢，并進(jìn)一步開展數(shù)據(jù)洞察分析。 這與傳統(tǒng)固定報表的使用方式有所不同：管理人員不一定要先知道某個指標(biāo)位于哪張報表，而可以直接圍繞業(yè)務(wù)問題查詢，例如關(guān)注某臺設(shè)備近期故障次數(shù)、常見故障類型或工單處理情況。智能體再把相關(guān)業(yè)務(wù)數(shù)據(jù)組織出來，使健康分析更貼近日常維修管理語言。
從完整架構(gòu)看，健康診斷智能體還配置了設(shè)備主數(shù)據(jù)識別、企業(yè)知識庫、知識上傳、業(yè)務(wù)數(shù)據(jù)提取和業(yè)務(wù)單據(jù)生成等能力，并結(jié)合向量檢索、ChatBI、消息推送、作業(yè)調(diào)度等平臺能力，底層則連接時序數(shù)據(jù)、運(yùn)行數(shù)據(jù)、維保數(shù)據(jù)和知識庫。 這說明健康診斷并不只是單獨(dú)疊加一個預(yù)測模型，而是需要數(shù)據(jù)、知識、業(yè)務(wù)模型、算法模型和平臺能力共同支撐。只有這些層次建立聯(lián)系，設(shè)備健康分析的結(jié)果才更有條件繼續(xù)服務(wù)運(yùn)行分析、保養(yǎng)分析和后續(xù)業(yè)務(wù)處理。
在整體資產(chǎn)管理架構(gòu)中，資產(chǎn)健康診斷智能體也并非獨(dú)立于設(shè)備運(yùn)維體系。用友BIP資產(chǎn)云同時覆蓋資產(chǎn)運(yùn)行、點巡檢、維修計劃、維修工單、備品備件、預(yù)防性維護(hù)等業(yè)務(wù)，并將資產(chǎn)健康診斷智能體作為資產(chǎn)智能能力之一。 因此，智能診斷面對的是企業(yè)已經(jīng)產(chǎn)生的運(yùn)行和維修業(yè)務(wù)數(shù)據(jù)，分析結(jié)果又可以繼續(xù)服務(wù)維護(hù)策略和維修管理。健康診斷與日常業(yè)務(wù)發(fā)生在同一資產(chǎn)管理體系中，才能減少“模型算了一套、維修部門又按另一套數(shù)據(jù)工作”的斷點。
設(shè)備健康診斷智能體真正的價值，也正在于這種多層協(xié)同。用友BIP資產(chǎn)云把時序數(shù)據(jù)、運(yùn)行數(shù)據(jù)、維保數(shù)據(jù)和企業(yè)知識放在數(shù)據(jù)基礎(chǔ)上，通過運(yùn)行分析、保養(yǎng)分析、壽命預(yù)測和養(yǎng)護(hù)策略等業(yè)務(wù)模型組織問題，再結(jié)合多種分析和預(yù)測算法，最終面向維修主管提供問數(shù)、洞察、剩余壽命預(yù)測和維護(hù)策略優(yōu)化。它解決的并不只是“AI能不能判斷設(shè)備健康”，而是怎樣讓數(shù)據(jù)、模型和實際維修業(yè)務(wù)形成一套可持續(xù)使用的健康診斷體系，讓關(guān)鍵設(shè)備的健康管理逐步建立在連續(xù)數(shù)據(jù)分析之上。