中能拾贝构建「通用大模型 + 故障机理诊断模型」双脑协同架构：既懂 “通用语言”，更懂 “设备机理”

大模型浪潮席卷PHM赛道，智能问答、智能诊断、智能问数等概念层出不穷，但回到严苛的生产现场，现实拷问立刻显现：通用大模型懂人类语言，却未必懂工业设备机理——它没见过机组水导轴承的真实振动波形，不熟悉涡带、空化、轴系不对中等专属故障特征；它擅长对话生成，却存在幻觉风险：一句错误建议，可能引发非计划停机或漏检；它能输出丰富文本，却很难给出可溯源、可复现、可追责的量化诊断结果。

PHM落地的最大阻碍，不是模型不够聪明，而是聪明得让人不敢用。单纯依靠通用大模型“包打全场”，很难跨过工业现场的信任门槛。

中能拾贝给出破局思路：不押注单一通用大模型，构建「通用大模型 + 故障机理诊断模型」双脑协同架构，让两类能力各司其职。整套AI能力以自研CyberwIIOS工业智能操作系统为统一底座：

• IIOS Things为现场时序指标、振动波形等数据接入与边缘处理提供支撑；
  

• CyberwIME工业模型引擎通过术语提取与本体建模，统一设备、测点、指标等工业对象的语义描述，并提供水合编排、推理执行与服务发布能力；

• CyberwAIP依托IIOS智能体引擎，构建面向设备异常分析与故障诊断的自主智能体，实现通用大模型、专业诊断模型与业务工具的协同调用；

• CyberwPHM复用上述平台能力，以真实设备数据、领域知识和专业机理计算为依据，降低单纯依赖通用大模型生成诊断结论的风险。

核心原则是能力解耦，权责分明。通用大模型负责人机交互、知识组织、流程编排；故障机理诊断模型承担故障计算与结论输出。

通俗来说：通用大模型如同调度总台，听得懂自然语言，检索资料、梳理线索、编排流程，但不直接输出故障判定；故障机理诊断模型如同专科设备医生，读取振动、摆度、压力脉动、局放等真实数据，基于设备物理机理完成量化运算，输出附带完整证据链的故障判定。

二者并非简单API拼接，而是在 CyberwIIOS 平台层深度打通：通用大模型由 AIP/MaaS 平台统一接入，机理模型经 IME 建模并发布为标准服务，智能体引擎完成两类模型的编排协同，CyberwPHM 业务本体与知识图谱则通过 IIOS 领域知识增强能力融入大模型。大模型完成问题拆解与线索准备之后，交由机理模型硬核计算，再将结果转化为业务可读语言，兼顾交互易用性与诊断确定性。

在CyberwPHM平台中，大模型能力收敛为智能问数、智能问答、智能问诊三大服务，定位是“助手、调度员”，架构层面即约束其禁止独立输出故障诊断定论。

智能问数：让数据“问得出”

摒弃传统BI报表的拖拽与SQL编写门槛。运维人员用自然语言提问，如 “查询上周3号机组顶盖振动超阈值的频次与对应负荷区间”，大模型自动解析设备、时间、指标、工况实体，对接 IoT 时序数据库，输出可视化图表与客观解读：“振动幅值在周三凌晨调峰阶段明显抬升，与机组负荷波动存在强关联，建议重点复核该时段波形数据”。仅输出客观现象，故障研判交由机理模型完成。

智能问答：让经验“找得到”

对设备说明书、检修工艺卡、备件手册、历史故障处置记录等非结构化文档做语义化加工与知识图谱建模。提问“3号机水导轴承更换密封圈的作业标准与安全注意事项”，系统精准定位原文，并关联测点信息、历史案例、备件台账，实现一站式知识导航，把老师傅的零散经验沉淀为可检索资产。

智能问诊：让诊断“开得了口”

设备异常时，输入“机组异响，水导摆度持续增大，需要排查故障原因”，大模型依托故障树FTA做多步推理，梳理所需数据清单，编排任务并调用机理模型运算；拿到结果后整理故障概率排序与排查建议，自动生成标准化《故障诊断分析报告》，做到 “一诊一策”。

支撑这些能力的，是以CyberwIIOS为统一底座的工业智能能力体系：

• IIOS Things提供工业数据接入与边缘运行支撑；
  

• CyberwIME工业模型引擎提供本体建模、水合编排、推理执行与服务发布能力；

• CyberwAIP在此基础上提供智能体构建、自主规划、能力调用与受控执行能力；

• 结合PHM专业诊断模型与案例库，共同支撑智能问数、智能问答与智能问诊等应用。。

大模型完成问题拆解与资料归集后，故障判定的硬核计算交由沉淀大量工业 Know-how的机理模型库。CyberwPHM内置完整模型矩阵，覆盖水电核心设备，兼容风机、泵、电机等泛工业旋转设备：水轮发电机组转子磁路、定子铁芯、导轴瓦轴承故障模型；水轮机转动部件、水力激振、空化涡带故障模型；断路器、GIS局放、变压器DGA、SF₆绝缘密封等高压电气模型；泵、风机、齿轮箱、电机等辅机故障模型。

底层搭载小波变换、经验模态分解EMD、变分模态分解VMD、FFT傅里叶、包络谱分析等信号处理算法，提取峭度、峰峰值等特征，结合决策树、SVM完成故障判别。机理模型基于设备物理机理、原始波形与工况数据做量化计算，输出包含故障类型、发生概率、证据链、检修建议，全部结论均可回溯原始采集数据，满足现场可复现、可追责要求。

整套架构形成闭环：需求输入→意图解析→任务编排→调用机理模型分析→诊断结论→根因分析→综合研判→结果归档。

架构带来三大价值：

• 从底层隔离大模型幻觉风险，故障结论全部由机理模型输出，消除“不敢用”的顾虑；

• 将专家经验固化至模型和知识图谱，经验不随个人流失，行业测算可帮助企业降低维护成本，延长设备运行时长；

• 降低一线使用门槛，无需精通频谱分析与SQL，普通班组即可获得专家级辅助分析能力。

当前受 GB/T 285702025新标准驱动，水电老旧厂站改造、集团级大PHM建设需求持续释放，中能拾贝认为：纯通用大模型生成诊断难以满足电力严苛生产要求，大模型负责交互编排，机理模型守住诊断底线，才是工业AI 务实落地路径。

工业AI的下一站，不只是更大的模型，还有更可信的智能。中能拾贝CyberwPHM正以双脑协同筑牢工业信任底座，让智能不止于对话，而是真正守护设备资产——更安全、更经济、更智能。