客户背景
行业
塑胶模具制造
规模
约 60 人 · 20 台关键设备
现状
事后维修，老师傅凭经验保养
期望
减少突发停机
客户痛点
1
突发故障停产
注塑机一停整条线都停，一次停机损失数万元。
2
维修依赖老师傅
设备健康状态只有几位老师傅心里有数，人一走就断层。
3
保养计划粗放
按固定周期保养，该修的没修，不该修的过度保养。
演示案例
实时演示 · 预测性维护
就绪
输入
20 台设备实时振动 / 温度 / 电流数据
Consolelogs · stdout
$ 初始化演示管线…
✓ 传感器数据采集7×24
✓ 劣化趋势识别置信度 0.91
✓ 预警推送1.2s
技术方案
01
传感器数据采集
为关键设备加装振动、温度、电流传感器，实时采集运行数据。
02
故障预测模型
训练模型识别设备劣化趋势，在故障发生前预警。
03
智能保养计划
按设备真实状态动态生成保养与备件提醒。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
设备评估
对 20 台设备分级，确定监控与建模优先级。
2
数据采集
部署传感器与边缘网关，积累基线数据。
3
模型训练
训练劣化识别与故障预测模型。
4
试运行
在 3 台关键设备上验证预警准确率。
5
全量推广
覆盖全部设备，建立运维闭环。
上线前后对比
指标上线前上线后
非计划停机月均 6 次月均 3 次
单次停机损失约 3 万元约 1.2 万元
设备综合效率71%82%
“现在设备要出问题前手机会先收到预警，我们再也不用半夜被叫回厂里抢修了。”
可复用场景
注塑、冲压、机加工等设备密集型工厂
关键设备的健康监控
备件与保养的智能管理