基于物联网、时序模型、大模型和智能问数，设备预测性维护【智能体】应用案例

以 iNeuOS_IOT 平台为数据底座，采集设备振动传感器的时序数据。当用户以自然语言输入"分析某设备最近运行状态"后，iNeuOS_AiInsight 智能问数平台与DeepSeek V4 Pro大模型协同，自动路由至预测性维护技能包 ineuos-pdm，主要应用流程：

（1）设备关键词匹配、自动发现全部振动通道并查询最近历史数据；

（2）对通道历史数据计算时域特征、FFT 频谱分析、TOP5 频率提取、3σ 异常检测，输出 0-100 分健康指数；

（3）加载时序模型，以原始数据为基础，进行多通道未来趋势预测数据；

（4）对历史数据和预测数据分析结果进行综合评估预警等级（🟢🟡🟠🔴）、四维风险（趋势评分、波动性评分、阈值接近度评分和不确定性评分）与剩余使用寿命；

（5）历史分析与预测评估逐通道对比，结合DeepSeek V4 Pro 大模型，生成可视化诊断报告，输出设备健康评估、退化趋势预测和分级维护建议。

核心特点：（1）自然语言交互，无需 SQL 或专业工具；（2）振动通道独立分析和综合评估，支持 1~16 通道并发；（3）时域+频域双维度分析 + 自适应基线健康评估 +时序模型预测四层递进；（4）全链路错误处理及恢复机制，快速完成端到端响应。

创新点：（1）首次将 IoT 数据管道、时序基础模型与问数框架及LLM 智能体三者深度编排为技能包架构，各层职责严格解耦；（2）大模型从根本上杜绝幻觉查询与上下文污染。

应用领域：工业给料电机与轧机、石化泵组与压缩机、电力发电机与风电机组、机加制造 CNC 主轴与传送系统、矿山破碎机与通风机等各类旋转机械设备的振动监测与预测性维护。

二、设备预测性维护智能体

目录结构说明， SKILL.md是技能入口，database-schema.md是数据库结构说明，report_template.html是报告模板，analysis-prediction.py为振动数据分析和时序模型预测的脚本，SKILL.md中可以引用database-schema.md、analysis-prediction.py和report_template.html。升级版本可以增加转速、温度、电流、电压等数据。

如下图：

三、设备预测性维护智能体应用

4.1提示词

示例1：分析酒钢1#高炉给料电机最近的工作状态。

示例2：分析酒钢1#高炉给料电机最近1小时的振动数据。

示例3：预测酒钢1#高炉给料电机最近的工作状态。

示例4：预测酒钢1#高炉给料电机最近的运行状态。

4.2问数过程

选择技能和大模型，时序模型在py脚本文件中加载。用户输入提示后，开始执行振动分析过程：

4.3问数结果

分析过程比较快，如果中间有错误出现，问数框架协同大模型会进行修正。如下图：

4.4问数报告（单设备）

最终生成report.html报告，下载到本地。如下图：