态数据与行业知识实现智能化决策。根据应用层级可划分为三类：通用型聚焦 跨行业共性需求（如工艺流程优化）;行业型深耕汽车制造、电力等垂直领域 （支持零部件设计、故障检测等）;场景型则专攻研发设计、设备运维等具体环 节（实现质量管控、故障预测）。其构建遵循三阶段体系：首先完成工业数据制 备，处理 CAX 模型、传感信号等特有模态数据；随后训练工业基座模型，攻克 工业语义理解、小样本学习等技术难点；最终通过任务适配实现场景交互，与 同的工业行业中，每个行业都有其独特的工艺、设备、产品要求等。行业大模 型针对这些特定行业的数据和需求进行构建，能够更好地理解和处理特定行业 内的任务，如汽车行业中的零部件设计优化、电子设备制造中的电路板故障检 测等任务。 图 1.2 制造行业（汽车制造、电路制造、电子产品制造等） ➢ 场景大模型 场景大模型则是进一步细化到工业中的特定场景。工业领域包含众多场景， 10 如研发设计场景 如研发设计场景、生产制造场景、试验测试场景、运维服务场景等。场景大模 型针对这些特定场景下的数据和操作要求构建，能够精准地适应特定场景下的 任务需求，例如生产制造场景中的质量控制任务、运维服务场景中的设备故障 预测任务等。 图 1.3 工业场景（研发设计、生产制造、运维等） 1.1.2 工业任务/行业模型适配 工业任务/行业模型适配是将工业基座模型针对具体的工业任务或特定行业 需求进行调整和

取设备对应电子标签或扫描设备对应的条码之后，平板电脑或智能 手机会自动纪录下电子标签的编码和读取的准确日期和时间，并自 动提示该设备需做的维保工作内容。工程人员按维保工作内容进行 工作并记录巡查、检测结果。如果发现设备故障工程人员就可以使 用平板电脑或智能手机记录问题并拍照，然后上传至管理平台，系 统自动生成内部派工单进行维修处理。 面向租户、商户使用的客户服务系统，可以实现呼叫中心通过 运维管理平台生成报事事件向移动端系统派单、回访等工作，工程 可视化运维管理，通过制定规范的作业计划，建立标准的设备 维护保养制度来知道日常检维修工作，利用三维虚拟场景强大的空 间分析能力，直观展示设备当前运行状态，帮助检修人员正确执行 操作，提高维修效率，保证维修质量，减少设备故障发生率，间接 节省维保费用。 3. 简化操作流程，实行单一集中管理模式 目前，建筑房产、资产是由多部门共同负责管理的，操作流程 复杂，有时还会出现部门之间互相推脱、互相扯皮的现象。利用信 备 （比如中央空调、换气扇、电梯、大型电机、供配电设备等）的运 行，一方面通过智能能源管理降低它们的能源消耗，提高运行效率； 另一方面，设备运行出现异常可以及时检修维护，而不用等到设备 出现故障之后再维修或更换，延长其使用寿命。 六、 核心功能介绍 1. 系统管理模块 系统提供了操作人员管理、操作权限设置 、管理权限设置、操 作日志管理、数据备份与恢复，导入与导出功能。大部分都提供了

大模型应用于智慧工厂的 建设中。以下是当前 AI 大模型在工业领域的几个关键应用场景：  智能生产调度：利用大模型分析生产数据，优化生产排程和资 源配置，提高生产效率。  预测性维护：通过对历史设备故障数据的学习，模型能够提前 预测设备可能出现的问题，从而降低停机时间和维护成本。  质量检测：运用图像识别技术，对产品质量进行实时监控，及 时发现并解决质量问题，提升产品合格率。  个性化 首先，提升生产效率是本项目的核心目标之一。通过引入 AI 大模型，实时分析生产数据与流程，以实现自动调度和资源配置， 力求生产流程的各个环节达到最优状态。例如，利用大数据分析， 可以预测设备故障、排程优化，从而减少停机时间和设备维护成 本。 其次，产品质量的提高同样至关重要。通过智能化检测系统， 能够在生产过程中进行实时质量监控，并运用机器学习模型分析历 史数据，识别潜在缺陷并进行预测性维护。这将大大降低次品率， 升整体生产效 率。 首先，通过数据驱动的生产调度系统，我们能够实时分析生产 线的性能数据，识别瓶颈环节，并自动调整生产计划。通过实施基 于 AI 的预测性维护策略，能够在故障发生前进行预警，避免由于 设备突发故障导致的生产停滞，从而确保设备的高效运行。我们的 目标是将设备的可用性提高 20%以上。 其次，优化生产流程是提升效率的关键。我们将应用机器学习 算法，对历史生产数据进行分析，识别出生产流程中的非增值活

对设计进行模拟和分析，可以 找到最佳的布局和设计，确保空气流动和冷却效率最大化，从而节 省能源。 预测性维护：通过对设备数据的实时分析，AI 可以预测哪 些部件即将失效，这可以减少突然的设备故障和与之相关的能源浪 费。 3、实现价值链减排的间接减排和排放抵消 如战略性采购物流运输服务和包装，优先选择能够提供电动运 14 零碳数据中心园区能碳管理系统白皮书 ODCC-2023-02006 （一）能碳管理系统在自动智慧化运维技术体系中渐趋重要 自动智慧化运维是中大型数据中心运维管理的大趋势，数据中 心运维人员需要管理对象的数量、规模及复杂度均呈现指数级增长， 传统人工干预、保姆式管理监控与故障处理的方式肯定无法满足要 求。对于公有云及大型私有云，服务器数量往往可以达到数万到数 十万、百万规模，各类系统云服务及租户的业务应用负载数量，也 41 零碳数据中心园区能碳管理系统白皮书 ODCC-2023-02006 可判定最基本的软、硬件部件有故障，从而起到故障隔离的作用。 最小系统法与逐步添加法结合，能较快速地定位故障的所在，提高 调试效率。 3) 逐步添加/去除法。逐步添加法以最小系统为基础，每次只 向系统添加一个部件/设备或软件，来检查故障现象是否消失或发生 变化，以此来判断并定位故障部位。逐步去除法，正好与逐步添加 法的操作相反。逐步添加/去除法一般要与替换法配合，才能较为准 确地定位故障部位。 4)

操作，容易出错，导致效率低下。借助物联网，可 实现生产过程自动化，从而提高精确度和速度。联 网设备生成的实时数据有助于优化生产计划，减少 浪费并提高整体生产效率。 设备维护成本高：设备故障导致维护成本和停机时 间增加。物联网支持预测性维护，可以在故障出现 之前做出预测，并更及时地安排维修。这样不仅能 减少停机时间，还能延长设备使用寿命，从而节省 成本。 质量控制问题：在不同生产线上保持产品质量一致 颇 物联网赋能制造业数字化转型 | 9 人工智能和机器学习：在物联网系统中集成人工智 能和机器学习（ML），可实现预测性维护、优化生 产计划以及加强质量控制。人工智能赋能的分析可 以在设备故障发生之前做出预测，从而缩短停机时 间并降低维护成本。机器学习算法可以优化生产流 程，从而提高效率和产品质量。德勤开展的一项调 查显示，制造业的数据生成量位居前列，海量数据 能够产生巨大的商业价值。 物联网赋能制造业数字化转型 | 11 动引导车（AGV）和机械臂可以更精确、更高效地执 行任务。物联网通过提供必要的数据和连接，使这 些系统能够无缝运行。 预测性维护：物联网传感器实时监控设备，在故障 发生前做出预测，从而减少停机时间并延长设备使 用寿命。这种方式确保设备仅在需要时进行维修， 防止不必要的维护并降低运营成本。物联网实现了 持续监控和及时预警，从而可优化维护计划。 可持

等的不理解，导致生成的解决方案与实际需求存在偏差，这主要是由于大模型在训练 过程中缺乏特定行业的数据和知识，难以覆盖各个行业的专业细节。这种行业知识的 匮乏使得大模型在应对工艺流程优化、设备故障预测等专业问题时有所缺陷，难以提 供精确、可靠的解决方案，无法满足工业现场的个性化要求。 不熟企业：当大模型接入企业系统时，往往难以全面理解企业的业务流程、数据 结构和运营模式，导致生成的解 等关键信息。 当面对新的样本时，小模型能够迅速判断样本是否合格，从而实现对产品质量的快速 检测。同样在设备预测性维护方面，小模型通过对设备运行数据的分析，能够学习到 设备正常运行的模式和潜在的故障特征。一旦监测到异常情况，小模型能够及时发出 预警，提醒工作人员进行检修或维护。 小模型的能力更适合工业生产制造领域。首先，小模型能够基于有限数据支撑精 准的判别和决策，而生产过程需要针对不同场景进行精准的分析和决策，这两者间的 适当的指令微调、奖励学习、强化学习等阶段，形成面向最终场景的应用能力。 SymphonyAI 3推出了基于无监督预训练的工业大语言模型，该模型的训练数据包 含 3 万亿个数据点，12 亿 token，能够支持机器状况诊断，并回答故障状况、测试程序、 维护程序、制造工艺和工业标准相关的问题。 制造流程管理平台提供商 Retrocausal4发布的 LeanGPT™，也采用了无监督预训练 的模式，是制造领域的专有基础模型。基于

户历史等数据智能推理，自动定位到故障问题的根因，极大提升运维效率。 业务层自动驾驶：模型意图驱动实现小时级自动发放，分钟级自动优化。 通过业务体验实时分析，秒级网络状态动态还原，多维模型支持网络瓶颈精 准定位等手段，实现光+Wi-Fi 的自适应优化，实现用户级业务体验实时动态保障， 保障网络不同层次的“零故障”体验，满足企业业务不断增长的品质诉求。 网络层自动驾驶：通过知识图谱实现智能故障定位和主动优化。 网络层自动驾驶主要包括故障自动发现，智能故障定位，故障恢复，网络级 中国电子节能技术协会 绿色全光网络专业委员会 22 22 性能优化等自动化能力。自动驾驶通过数字孪生，知识图谱，机器学习等技术， 结合感知/分析/决策/执行闭环流程，实现故障根因自动发现，故障自动快速修复， 并大幅优化准确率和故障闭环时间。自动驾驶可构建网络/用户/终端/应用的四维 立体地图，端到端体验可视 立体地图，端到端体验可视，一键直达问题根因。通过自动驾驶可构筑领先的运 维运营能力，先于业务感知网络故障，先于用户修复故障。 网元层自动驾驶：通过光层数字化实现隐患主动预测。 网元层自动驾驶首先要求光层网络数字化，数字化涉及光链路层/光信道/光 部件/光业务等 4 层系统的数字化，需将原光系统的模拟信号转变为确定且可视的 数字信号。并在数字化之上构筑自动驾驶的资源数据底座（包括资源、业务、数 字光缆、网络拓扑

在勘探业务的数字化转型过程中，可以通过机器学习和数据智能支持勘探选区、地质成像、 工程决策，采用知识图谱和NLP技术自动分析测录井、地震及采油数据，借助计算机视觉技术识 别油井示功图、判断设备故障、油气泄露等异常工况和规范油田炼厂等生产作业区HSE措施；基 于人机交互技术扩展远程决策功能，将为油气产业的勘探、生产、炼化、经营管理全链条业务的 业务流程、技术研发、人财物管理、组织架构等环节带来全新的变革。 外，人工智能还可通过实时监控钻井设备的状态，实施预测性维护，以预防设备故障和非计 划停机，确保钻探作业的连续性和安全性。通过人工智能模拟和优化钻井路径，可以减少非 生产时间，提高作业效率，从而有效降低钻探成本。 油井工况诊断：传统的人工巡井方式效率低、预测准确度差，无法及时发现异常工况。通过 人工智能算法可以更快速、准确地实现油井工况智能诊断、故障预测、产液量和动液面计 算，提升油井生产时率与实效。此 的全面采集和实时监控。人工智能对这些多维数据进行深度分析，结合智能化的处理能力， 智能管理系统能够预测设备故障、优化生产流程，自动调整生产参数，提高运营效率。 勘探经营智能管理：将所有勘探开发项目进行统一管理，依托人工智能规划应用支持监测、 分析不同勘探项目的工程进度和潜在风险，推荐相应的技术方案和措施。通过对勘探记录、 故障状态、检修记录等多方面数据的全面利用，在整体经营决策、安全风险提示、设备智能 检索等多个业务中为企业提供直接帮助。

范、节能环保不达标的设备，按计划完成更新 改造。 重点方向： ① 建筑节能改造：更新改造超出使用寿命、能效低的建筑节能设备。 ② 住宅老旧电梯更新：根据相关安全技术标准，更新、改造或大修运行故障率高、存在安全隐患 的电梯。 ③ 既有住宅加装电梯：结合城市更新和老旧小区改造，适应老龄化需求，稳步推进加装电梯。 ④ 供水设施设备更新：更新改造影响水质、老旧破损、能耗高的供水设施。 ⑤ 标。 行业洞察：转型新纪元 探索数字化与绿色化的双轨路径 21 ① 电气自动化控制设备可靠性待加强。电气自动化控制设备的可靠性对企业的生产效率和产品质 量至关重要，需要确保设备稳定运行，减少故障发生。然而，当前行业内电气自动化控制设备的可靠性 有待进一步加强。通过计算短路电流、选择性分析以及评估弧闪事故风险等级等方式，能够消除企业所 面临的电气事故隐患。 ② 日常运维支持不足。对于石 供电连续性要求极高。总体来说，交通系统的改造对供电连续性要求极高，同时现场实施难度 大、风险高，其关键区域断电将直接影响车站秩序及旅客的人身安全。当前大多数企业已不满足于传统 的故障维修响应，希望能够做到智能化监控、预测性维护以及能效管控。 ② 故障即时响应能力待加强。多数交通行业企业在寻求改造时，其基础设施跨度达几年、十几年 之久，但缺乏有效手段对关键设备进行状态检修，设备使用状态无法评估。企业普遍存在特殊的保修和

设备和云端平台系统，实现信息实时交互。代表性产品包括：适用于 生产现场人员佩戴的头盔式 5G 工业终端，结合 5G、图像采集等技 术，实现高清视频采集、定位、语音通讯等功能，可用于人员定位、 远程指导设备故障或环境异常情况排查等场景。5G 工业 AR 眼镜可 提供 4K 高清分辨率，支持语音、触控交互方式，通过 5G 传输拍摄 的高清图像和视频，适用于远程指导、人员巡检等场景。5G 工业平 板电脑通过 终端设备进行配置、状态和性能监控，以 及故障诊断和软件版本远程升级。配置方面，用户可根据实际需要创 建被纳管终端设备参数模板，并将模板中的参数下发给被纳管终端设 备，通常配置数据可在线修改、即时下发激活，同时用户可查看和批 量修改被纳管终端设备的配置参数，实现端到端连接业务的极简运维。 状态和性能观测方面，系统周期性采集被纳管的终端设备的流量、速 率等指标信息和告警情况，便于用户快速定位常见故障并恢复。故障 诊断方 诊断方面，系统对被纳管终端设备进行远程诊断，定位发生故障的终 端设备，快速恢复，提高运维效率。软件版本远程升级方面，工业 5G 终端设备的软件版本可进行远程、批量升级，提高运维效率，被 纳管终端设备支持通过软件方式进行重启和复位操作，实现故障恢复。 2. 端侧 5G 网络质量探针 随着工业各行业对 5G 专网通信的可靠性、稳定性、灵活性、可 视化等方面的要求不断增加，为高效满足 5G 专网质量保障需求，可