第27章 实战项目二：制造业设备故障诊断智能体

设备故障诊断智能体：制造业设备运维的智能助手

设备是制造业企业的核心资产，设备故障会导致生产中断、质量下降、成本增加。传统的设备维修依赖维修工的个人经验，新维修工上手慢，老维修工经验难以传承，故障诊断耗时长。设备故障诊断智能体可以把维修手册、历史故障、专家经验沉淀到系统中，维修工输入故障现象，智能体快速给出诊断和维修方案，大幅提升维修效率。

本章将学习如何为制造业企业搭建一个设备故障诊断智能体——系统架构、数据集成、诊断流程设计、工具调用、与维修管理系统集成、效果评估。

一、需求分析与场景定义

1.1 业务背景

企业背景：一家中型制造企业，有500台生产设备（空压机、电机、泵、机床、传送带等），设备维修团队20人。每年设备故障约2000次，平均故障修复时间（MTTR）4小时，设备综合效率（OEE）75%。

核心痛点：

• 新维修工经验不足，简单故障也要查半天手册，甚至请教师傅
• 老维修工经验只在脑子里，人走了经验就没了
• 同样的故障反复发生，每次都要重新诊断
• 维修手册太厚，查找困难，很多维修工不愿意查
• 故障记录不规范，历史数据难以复用
• 备件库存不准，维修时才发现缺备件

目标：搭建设备故障诊断智能体，维修工用自然语言描述故障现象，智能体基于设备档案、维修手册、历史故障，快速给出可能的故障原因、维修步骤、所需备件、安全注意事项，目标将平均故障修复时间从4小时降到2小时。

1.2 功能范围

二、系统架构设计

2.1 整体架构

┌─────────────────────────────────────────────────────────────┐
│                        用户接入层                              │
│         移动端APP / 企业微信 / PDA / Web端                    │
└──────────────────────────────┬──────────────────────────────┘
                               │
┌──────────────────────────────▼──────────────────────────────┐
│                      智能体应用层                              │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────┐  │
│  │ 对话管理  │  │ 任务拆解  │  │ 工具调度  │  │ 记忆管理  │  │
│  └──────────┘  └──────────┘  └──────────┘  └──────────┘  │
└──────────────────────────────┬──────────────────────────────┘
                               │
┌──────────────────────────────▼──────────────────────────────┐
│                       大模型层（LLM）                          │
│            DeepSeek-V3 / Qwen-72B / 私有化部署                │
└──────────────────────────────┬──────────────────────────────┘
                               │
┌──────────────────────────────▼──────────────────────────────┐
│                        工具与数据层                             │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐  ┌──────────┐  │
│  │ 设备档案  │  │ 维修手册  │  │ 历史故障  │  │ 备件库存  │  │
│  │ (EAM)    │  │ (RAG)    │  │ (知识库)  │  │ (ERP)    │  │
│  └──────────┘  └──────────┘  └──────────┘  └──────────┘  │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐                  │
│  │ 工单系统  │  │ 知识图谱  │  │ 实时数据  │                  │
│  │ (CMMS)   │  │ (Neo4j)  │  │ (IoT)    │                  │
│  └──────────┘  └──────────┘  └──────────┘                  │
└─────────────────────────────────────────────────────────────┘

2.2 技术选型

• 智能体框架：Dify（快速搭建，支持工具调用和RAG）+ 自定义工具（对接企业系统）
• 大模型：DeepSeek-V3（通用诊断）+ 私有化Qwen-72B（敏感数据）
• RAG：维修手册知识库（BGE Embedding + Milvus + Rerank）
• 知识图谱：Neo4j（设备-部件-故障-原因-方案的关系网络）
• 系统集成：REST API对接EAM（设备管理）、ERP（备件库存）、CMMS（工单管理）
• 移动端：企业微信H5应用（维修工常用，免安装）

三、数据准备与知识库建设

3.1 数据来源

3.2 维修手册知识库

文档处理：

• 收集所有设备的维修手册（PDF/Word），按设备类型分类
• PDF解析：提取文本、表格、图片说明（扫描件用OCR）
• 分段：按章节结构分段，每段300-500字，重叠50字，附带元数据（设备类型、型号、章节、主题）
• 向量化：BGE-large-zh模型，存入Milvus

故障代码库：

• 整理所有设备的故障代码表（代码、含义、可能原因、处理方法）
• 存入结构化数据库，支持按代码精确查询和按现象模糊查询
• 与维修手册关联，每个故障代码链接到手册的相关章节

3.3 历史故障案例库

• 从CMMS系统导出历史工单，清洗整理（去重、补全、标准化）
• 每个案例结构化：设备类型、故障现象、异常参数、故障原因、维修步骤、更换备件、耗时、维修工评价
• 向量化存入向量库，支持"类似故障案例"检索
• 定期更新：每次维修完成后，新的案例自动入库

3.4 设备故障知识图谱

构建"设备-部件-故障现象-故障原因-维修方案-备件"的知识图谱：

• 实体：设备类型、部件、故障现象、故障原因、维修方案、备件、工具
• 关系：设备包含部件、部件可能出现故障现象、故障现象可能由故障原因导致、故障原因对应维修方案、维修方案需要备件/工具
• 属性：每个实体附带属性（如故障原因有发生概率、典型现象、诊断方法）
• 构建方法：从维修手册和历史故障中提取（用大模型辅助抽取实体和关系），人工审核确认
• 应用：诊断时沿知识图谱推理（故障现象→可能原因→对应方案），提高诊断准确性和可解释性

四、诊断流程设计

4.1 四步诊断法

第一步：信息收集
  ├─ 提取用户描述的故障现象、设备编号、异常参数
  ├─ 调用工具查询设备档案（型号、参数、维护记录）
  ├─ 检索维修手册相关章节
  ├─ 检索类似历史故障案例
  └─ 如果信息不足，主动追问（如"故障发生时设备运行了多久？"）

第二步：原因分析
  ├─ 基于收集的信息，从知识图谱中查找可能的故障原因
  ├─ 结合维修手册和历史案例，分析每个原因的可能性
  ├─ 按可能性从高到低排序，每个原因说明判断依据
  ├─ 置信度低的原因标注"需要进一步检查"
  └─ 如果所有原因置信度都低，建议联系设备厂家或专家

第三步：方案生成
  ├─ 针对最可能的原因，生成详细维修步骤
  ├─ 列出所需工具和备件（调用ERP查询库存）
  ├─ 识别安全风险，给出安全操作规范
  ├─ 给出预计维修时间和验证方法
  └─ 提供预防建议（如何避免此类故障再次发生）

第四步：输出与反馈
  ├─ 整理成结构化的诊断报告
  ├─ 标注信息来源（手册章节、历史案例、知识图谱）
  ├─ 维修工可以反馈"诊断准确/不准确"
  ├─ 维修完成后记录实际原因和方案，沉淀到案例库
  └─ 不准确的案例加入bad case，用于优化

4.2 工具设计

工具1：query_equipment_info（查询设备档案）

• 功能：根据设备编号查询设备的型号、参数、安装时间、位置、维护记录、历史故障
• 参数：equipment_id（设备编号，必填）
• 返回：设备档案JSON（结构化数据）
• 调用时机：用户提供设备编号时，第一步信息收集时调用

工具2：search_maintenance_manual（检索维修手册）

• 功能：根据故障现象和设备类型，检索维修手册中最相关的章节
• 参数：equipment_type（设备类型）、fault_phenomenon（故障现象）、top_k（返回条数，默认5）
• 返回：相关手册片段列表（内容+来源章节）
• 调用时机：第一步信息收集时，与历史案例检索并行调用

工具3：search_similar_cases（检索类似故障案例）

• 功能：根据故障现象和设备类型，检索历史上类似的故障案例
• 参数：equipment_type、fault_phenomenon、top_k（默认5）
• 返回：类似案例列表（故障现象、原因、方案、结果）
• 调用时机：第一步信息收集时

工具4：query_fault_code（查询故障代码）

• 功能：根据设备故障代码查询含义、可能原因、处理方法
• 参数：equipment_type、fault_code（故障代码）
• 返回：故障代码详情
• 调用时机：用户提供故障代码时

工具5：query_spare_parts（查询备件库存）

• 功能：根据备件名称或编号查询库存、价格、采购周期
• 参数：part_name（备件名称）或part_number（备件编号）
• 返回：备件库存信息
• 调用时机：第三步方案生成时，列出备件清单后调用

工具6：create_maintenance_order（创建维修工单）

• 功能：根据诊断结果创建维修工单，分配给维修工
• 参数：equipment_id、fault_description、diagnosis_result、maintenance_steps、spare_parts、assignee（维修工）
• 返回：工单编号
• 调用时机：维修工确认诊断方案后，需要创建工单时（需人工确认）
• 安全控制：高风险操作，需要维修工确认后才能调用

4.3 提示词设计

System Prompt核心要点：

• 角色：有15年经验的设备维修专家，精通各类生产设备的故障诊断和维修
• 能力边界：基于设备档案、维修手册、历史故障案例进行诊断，不得编造不存在的故障原因和维修方法
• 诊断流程：严格按四步诊断法执行——信息收集→原因分析→方案生成→输出反馈
• 信息不足时：主动追问关键信息，不要盲目诊断；列出需要补充的信息清单
• 原因分析：按可能性从高到低排序，每个原因说明判断依据；置信度低于0.3的原因标注"可能性较低，需进一步检查"
• 维修方案：步骤详细、可操作，每步说明操作要点和注意事项；列出所需工具和备件；强调安全规范
• 安全优先：涉及高压、高温、旋转部件、化学品等危险操作时，必须强调断电、挂牌、上锁（LOTO）等安全措施，建议由持证人员操作
• 信息来源：诊断结果标注来源（维修手册章节、历史案例编号、知识图谱），方便维修工验证
• 免责声明：诊断结果仅供参考，实际维修请以设备厂家手册和专业人员判断为准；复杂故障建议联系设备厂家
• 不回答与设备维修无关的问题

五、系统集成与用户体验

5.1 移动端设计

维修工主要在车间现场使用，移动端体验至关重要：

• 企业微信H5：免安装，维修工都有企业微信，打开即用
• 语音输入：车间环境嘈杂但双手可能脏，支持语音输入故障现象（语音转文字）
• 拍照上传：支持拍摄故障照片（如漏油、异响部位、显示屏报错），智能体辅助识别
• 扫码识别设备：设备上贴二维码，扫码自动识别设备编号，不需要手动输入
• 大字体：车间光线可能不好，字体要大，按钮要大，方便操作
• 离线缓存：车间网络可能不好，常用设备档案和手册支持离线查看
• 一键呼叫：诊断结果页面有"呼叫维修主管"按钮，复杂问题快速求助

5.2 与现有系统集成

• EAM系统：设备档案、维护计划、点检记录从EAM同步，诊断时自动查询
• CMMS工单系统：诊断完成后一键创建工单，工单状态实时同步；维修完成后记录实际原因和方案，自动沉淀到案例库
• ERP系统：备件库存、价格、采购周期从ERP查询，维修方案中显示备件是否有库存
• IoT平台：如果设备有传感器，实时数据（温度、压力、振动、电流）接入，辅助诊断（如"当前温度85度，超过正常值60度"）
• 企业微信：通知推送（工单分配、备件到货、预防性维护提醒）通过企业微信发送

5.3 维修工工作台

除了诊断功能，还提供维修工工作台：

• 我的工单：查看分配给自己的维修工单，状态跟踪
• 设备速查：扫码或搜索设备，查看档案、手册、历史故障
• 故障代码查询：输入故障代码快速查询含义和处理方法
• 备件查询：查询备件库存和采购信息
• 学习中心：维修手册、培训视频、典型案例学习，新维修工成长
• 我的经验：查看自己处理过的故障，沉淀个人经验

六、效果评估与持续优化

6.1 评估指标

6.2 常见问题与优化

问题一：诊断不准确，原因排序不对

• 原因：知识图谱不完整、历史案例太少、检索不精准
• 优化：①持续完善知识图谱（从手册和案例中提取更多实体和关系）；②积累更多历史案例（每次维修后记录）；③优化检索（设备类型过滤+故障现象匹配+Rerank）；④增加故障代码精确匹配（有代码时优先按代码诊断）

问题二：维修工不信任诊断结果，还是按老经验来

• 原因：诊断结果没有说服力、不标注依据、初期准确率不高
• 优化：①每个诊断结果标注判断依据（"根据《XX手册》第5章，此现象80%由XX原因导致"）；②提供历史类似案例参考（"过去3次类似故障，2次是XX原因"）；③初期让老维修工审核诊断结果，建立信任；④用数据说话（统计准确率提升、修复时间下降），展示价值

问题三：信息不足时智能体盲目诊断

• 原因：提示词没有强调"信息不足时要追问"
• 优化：①在提示词中明确"信息不足时必须主动追问，列出需要补充的信息，不要盲目诊断"；②设计追问模板（常见需要补充的信息：故障发生时间、频率、运行时长、异常参数、近期维护情况）；③低置信度时标注"信息不足，建议补充以下信息后重新诊断"

问题四：维修方案太笼统，不可操作

• 原因：大模型生成的方案太通用，没有结合具体设备型号
• 优化：①检索维修手册时召回具体型号的维修步骤，大模型基于手册内容生成方案（不是凭空生成）；②要求方案中引用手册的具体步骤编号；③对常见故障，预先编写标准化维修SOP，智能体优先引用SOP；④维修工反馈"方案不可操作"的案例，针对性优化

6.3 持续运营机制

• 案例沉淀：每次维修完成后，维修工记录实际故障原因和维修方案，自动审核后入库（关键：这是智能体越来越聪明的基础）
• bad case分析：每周分析诊断不准确的案例，找出原因（知识库缺失？检索不准？提示词问题？），针对性优化
• 知识图谱更新：每月从新案例和新手册中提取实体和关系，更新知识图谱
• 维修工培训：定期培训维修工使用智能体（如何描述故障、如何拍照、如何反馈），提高使用效果
• 激励机制：对积极反馈、贡献案例的维修工给予奖励（积分、奖金、评优）
• 效果汇报：每月输出报告（诊断准确率、MTTR变化、维修工满意度、节省工时估算），向管理层汇报价值

下一章，我们将学习供应链采购分析助手实战——如何搭建一个能分析采购需求、对比供应商、优化采购策略的智能体。

📝 本章练习（5题）

答案与解析请在 互动学习看板 中作答查看。

📚 AI智能体实战训练营 课程目录（33 章）

1. 第1章 什么是AI智能体：从聊天机器人到自主决策系统
2. 第2章 智能体的四大核心能力：感知·思考·行动·记忆
3. 第3章 范式转移：智能体与传统软件的本质区别
4. 第4章 2025年主流智能体平台全景对比与选型
5. 第5章 智能体应用场景地图：从个人效率到企业级落地
6. 第6章 编排思维：如何把大模型变成可执行的业务流程
7. 第7章 Prompt工程实战：写出让智能体精准执行的指令
8. 第8章 工作流编排入门：节点、连线、条件分支与循环
9. 第9章 知识库RAG实战：让智能体拥有你的专业数据
10. 第10章 工具调用实战：搜索·计算·API·数据库全掌握
11. 第11章 多智能体协作：角色分工、任务分发与结果汇总
12. 第12章 Coze/扣子入门：30分钟搭建你的第一个智能体
13. 第13章 Coze进阶：插件开发、工作流深度编排与知识库优化
14. 第14章 Dify入门：开源可私有化部署的智能体平台搭建
15. 第15章 Dify进阶：RAG管道优化、Agent模式与工作流编排
16. 第16章 LangChain入门：用代码构建可定制的智能体应用
17. 第17章 LangChain实战：自定义Agent、工具链与记忆系统
18. 第18章 Agent Harness与新一代框架：2025年智能体开发趋势
19. 第19章 平台选型决策树：不同业务场景下的最优平台选择
20. 第20章 任务拆解方法论：把复杂问题变成智能体可执行的步骤
21. 第21章 提示词编排艺术：System·User·Function的三层协同
22. 第22章 记忆系统设计：短期记忆、长期记忆与向量数据库选型
23. 第23章 错误处理与容错：智能体执行失败时的兜底策略
24. 第24章 评估与优化体系：如何量化衡量智能体的效果并持续改进
25. 第25章 安全与合规：智能体应用的数据安全、隐私保护与风险防控
26. 第26章 实战项目一：企业知识库智能问答助手（全流程实操）
27. 第27章 实战项目二：制造业设备故障诊断智能体
28. 第28章 实战项目三：供应链采购智能分析与比价助手
29. 第29章 实战项目四：多智能体协同的项目管理办公室（PMO）
30. 第30章 实战项目五：智能体与MES/ERP系统的深度集成
31. 第31章 智能体落地路线图：从POC验证到规模化应用的完整路径
32. 第32章 AI智能体工程师/产品经理的能力模型与成长路径
33. 第33章 作品集打造与面试准备：如何拿到AI智能体岗位Offer