設(shè)備健康診斷進入AI階段以后，一個容易被忽略的問題是：同一類設(shè)備分析，是否只能依賴一種固定算法？對關(guān)鍵設(shè)備而言，運行工況、數(shù)據(jù)積累和故障規(guī)律并不完全相同，如果所有資產(chǎn)都套用同一種預(yù)測方法，智能化能力很容易停留在“有模型可用”。用友BIP資產(chǎn)云健康診斷智能體將運行分析、保養(yǎng)分析、壽命預(yù)測和養(yǎng)護策略等業(yè)務(wù)模型，與多類算法模型結(jié)合起來；在單資產(chǎn)剩余壽命預(yù)測場景中，既支持系統(tǒng)智能選擇預(yù)測算法，也支持人員人工指定算法，讓算法能力能夠進入具體設(shè)備健康分析，而不是把模型固定成不可調(diào)整的黑盒。
這背后首先是設(shè)備健康問題本身具有差異性。維修主管關(guān)注某臺關(guān)鍵設(shè)備時，可能是在判斷近期故障為什么增加，也可能是在分析現(xiàn)有保養(yǎng)周期是否合理，或者希望進一步了解設(shè)備剩余壽命。不同問題對應(yīng)的數(shù)據(jù)和分析方式并不完全相同。因此，用友BIP資產(chǎn)云健康診斷智能體并沒有只設(shè)置一個統(tǒng)一的“健康評分模型”，而是構(gòu)建運行分析模型、保養(yǎng)分析模型、壽命預(yù)測模型和養(yǎng)護策略模型，分別承接不同類型的健康管理問題。業(yè)務(wù)人員面對的是“運行怎么樣、保養(yǎng)是否合適、還能運行多久、維護方案如何調(diào)整”等問題，模型則在這些業(yè)務(wù)問題背后提供分析能力。
在算法層，用友BIP資產(chǎn)云健康診斷智能體的架構(gòu)包含蒙特卡洛、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、樸素貝葉斯和自動故障預(yù)測等多種方法。這說明健康診斷并不是建立在單一算法上。不同分析方法被納入統(tǒng)一架構(gòu)后，可以分別服務(wù)運行分析、故障預(yù)測、保養(yǎng)分析、預(yù)測性維修和壽命預(yù)測等業(yè)務(wù)方向。這里的重點不在于算法數(shù)量本身，而在于算法不再獨立存在，它們需要和設(shè)備主數(shù)據(jù)、運行數(shù)據(jù)、維保數(shù)據(jù)以及具體健康管理場景共同工作。
剩余壽命預(yù)測最能體現(xiàn)這種設(shè)計。用友BIP資產(chǎn)云支持針對單資產(chǎn)開展剩余壽命預(yù)測，并明確支持多種智能算法；預(yù)測時既可以由系統(tǒng)智能選擇算法，也可以由人員人工指定預(yù)測算法。這給設(shè)備管理留下了兩種使用方式：對于希望簡化模型選擇過程的場景，可以由系統(tǒng)承擔(dān)算法選擇；對于已經(jīng)有明確設(shè)備經(jīng)驗、模型使用要求或?qū)I(yè)判斷的人員，則可以保留人工指定的空間。智能化因此不是把專業(yè)人員從模型選擇中完全排除，而是在自動選擇和人工參與之間保留彈性。
這一點對于關(guān)鍵設(shè)備尤其重要。設(shè)備健康診斷的使用者通常并不只關(guān)心一個預(yù)測數(shù)字，還需要結(jié)合設(shè)備歷史運行和維修背景理解這個結(jié)果。健康診斷智能體的數(shù)據(jù)基礎(chǔ)包括時序數(shù)據(jù)、運行數(shù)據(jù)和維保數(shù)據(jù)，同時系統(tǒng)架構(gòu)還納入企業(yè)知識庫、知識上傳、業(yè)務(wù)數(shù)據(jù)提取等能力。 因此，壽命預(yù)測處在更大的設(shè)備健康數(shù)據(jù)體系中。維修主管可以結(jié)合當(dāng)前運行情況、歷史故障、維護執(zhí)行等業(yè)務(wù)背景理解預(yù)測，而不是把一個模型輸出直接等同于最終維修決策。
健康診斷智能體還把這種分析繼續(xù)延伸到維護策略。系統(tǒng)可以分析單臺資產(chǎn)當(dāng)前的預(yù)防性維護周期、方案以及執(zhí)行等數(shù)據(jù)，為維護策略優(yōu)化提供支持；對應(yīng)的業(yè)務(wù)能力還包括保養(yǎng)分析、養(yǎng)護周期優(yōu)化和養(yǎng)護策略模型，并與維修計劃、維修工單、預(yù)防性維護、潤滑計劃等業(yè)務(wù)對象相聯(lián)系。 這意味著剩余壽命預(yù)測并不是為了單獨生成一個“還能用多久”的結(jié)果，而可以與設(shè)備當(dāng)前的維護安排一起被考慮。
例如，當(dāng)維修主管查看一臺設(shè)備時，可以先通過健康診斷智能體分析設(shè)備運行、故障和維修工單數(shù)據(jù)。系統(tǒng)支持統(tǒng)計故障次數(shù)、常見故障原因和故障類別，分析故障趨勢、運行時長趨勢、故障停機分布，以及工單成本分布和處理進度，并可以生成圖表。 如果這些數(shù)據(jù)表現(xiàn)出需要進一步關(guān)注的趨勢，就可以繼續(xù)進入保養(yǎng)分析或剩余壽命預(yù)測；如果現(xiàn)有維護安排需要重新評估，再進一步結(jié)合養(yǎng)護周期優(yōu)化和維護策略分析。這樣，模型選擇發(fā)生在一條實際設(shè)備健康管理鏈路中，而不是脫離業(yè)務(wù)單獨運行。
從系統(tǒng)架構(gòu)來看，這種“智能選模+人工指定”也只是健康診斷智能體整體可控性的一部分。其架構(gòu)同時包含設(shè)備主數(shù)據(jù)識別、企業(yè)知識庫、業(yè)務(wù)數(shù)據(jù)提取、業(yè)務(wù)單據(jù)生成、向量檢索、ChatBI、消息推送和作業(yè)調(diào)度等能力，底層連接時序數(shù)據(jù)、運行數(shù)據(jù)和維保數(shù)據(jù)。 也就是說，健康診斷智能體需要同時處理“數(shù)據(jù)從哪里來、用什么業(yè)務(wù)模型分析、調(diào)用什么算法、結(jié)果如何被業(yè)務(wù)人員使用”等問題。算法只是其中一層，而不是整個健康診斷系統(tǒng)本身。
這也決定了智能診斷結(jié)果更適合作為設(shè)備管理決策依據(jù)之一，而不是被理解成絕對確定的結(jié)論。現(xiàn)有能力明確支持系統(tǒng)選擇或人工指定剩余壽命預(yù)測算法，但并沒有給出所有設(shè)備統(tǒng)一的預(yù)測精度，也沒有說明任何一種算法在所有工況下都一定更優(yōu)。因此，在實際應(yīng)用中，設(shè)備數(shù)據(jù)質(zhì)量、歷史數(shù)據(jù)積累、資產(chǎn)特征以及人員專業(yè)判斷仍然需要共同參與。智能體提供的是更豐富的模型和數(shù)據(jù)分析手段，讓維修主管能夠在已有業(yè)務(wù)數(shù)據(jù)基礎(chǔ)上做出更有依據(jù)的判斷。
健康診斷智能體真正體現(xiàn)出的智能化，并不只是“AI替人算一個結(jié)果”。用友BIP資產(chǎn)云把運行分析、保養(yǎng)分析、壽命預(yù)測和養(yǎng)護策略放在統(tǒng)一模型體系中，通過多種算法支撐不同設(shè)備健康問題；尤其在單資產(chǎn)剩余壽命預(yù)測中，同時保留系統(tǒng)智能選擇算法和人工指定算法兩種方式。這樣，設(shè)備健康管理既能夠利用智能算法降低復(fù)雜分析門檻，又沒有完全放棄專業(yè)人員對模型和業(yè)務(wù)的控制，讓數(shù)據(jù)、算法與維修經(jīng)驗在同一個設(shè)備健康管理體系中協(xié)同工作。