6月20日，在“2025上海固廢熱點論壇”上，E20環境平臺高級合伙人、易新智維總經理、博士、教授級高工曹斌以兩山智聯?設備智能運維為例，闡述了人工智能在設備管理細分場景中的應用。兩山智聯?設備智能運維作為智能產品，實現了“工業知識+通用智能”的跨界創新。

曹斌

運營為王——設備智能運維正在重新定義運維邊界

隨著生態文明建設步入深水期，無論從政策導向還是行業內在需求審視，固廢領域已從聚焦“達標合規”的發展階段，進階至追求綠色化、智能化、精細化、低碳化的更高階段。這一時代有兩大核心關切：一是效率議題，也是“雙百跨越”垃圾焚燒標桿行動持續探討的焦點；二是降本增效訴求，驅動固廢行業迎來發展拐點。

透過“雙百跨越”垃圾焚燒標桿比選行動中智能化標桿廠的實踐，可清晰洞察行業智能化發展軌跡。過去10-20年，企業智能化建設重心主要集中于兩大方向：一是工藝調控升級，通過技術優化實現垃圾從“能焚燒”到“焚燒好”的跨越；二是安全防控體系構建，這既是應對鄰避效應的必要舉措，也是滿足排放高標準的核心需求。

固廢行業已進入運營為王的時代，設備管理、經營管理、運行管理、垃圾管理、風險管理，這五大要素缺一不可。此時，人工智能提供了極佳技術路徑，而設備實則成為環境設施運行管理里的關鍵命題。在“設備即生產力”的當下，智能設備運維正重新定義運維邊界。

傳統設備智能運維困局

過去五年間，曹斌走訪了眾多垃圾焚燒發電廠，并與一線人員深入交流，發現傳統設備普遍存在以下困境：

第一，“用不好”。

其一，設備維護過度依賴外部。傳統模式下，企業僅關注設備 “能否運轉”，而忽視運行效率；部分設備長期低效運行，更有企業將維護完全外包，導致自身對設備狀態及智能化管理的把控能力薄弱。

其二，數據無效性問題凸顯。在不少項目中，設備僅具備啟停兩種信號反饋。當監控大屏紅燈亮起，意味著設備已停機；而想要獲取更多運行參數時，卻因設備本身功能局限而無法實現。即便設備具備數據傳輸能力，將信息實時傳入DCS系統，這些數據也往往未能得到有效處理與利用，淪為無效數據堆砌。

第二，“管不了”。

垃圾焚燒電廠內設備種類繁雜，涉及多領域專業知識。在電廠中，帶軸承的旋轉類設備應用廣泛，設備種類可達成百上千種。然而，編制內專業管理人員數量有限，僅憑寥寥數人，如何能有效管理如此龐大的設備體系？

由于缺乏專業管理工具，管理人員只能依靠雙腿穿梭現場，憑借個人經驗，通過眼看、手摸等傳統方式巡檢設備。但僅憑這種原始的管理手段，管理深度與廣度都極為有限，難以滿足現代化電廠設備管理需求 。

第三，“算不清”。

用智能化手段開展設備運維價值核算時，核心痛點在于降本幅度難以精準量化，無法清晰界定單臺設備檢維修成本，導致維修成本追蹤難以形成閉環管控，制約運維價值的精準評估與優化。

第四，“人員少”。

當下，環境基礎設施領域對人才的吸引力不足，許多專業人才對行業的認知與認同感較低。年輕群體（尤其是高學歷、高水平人才）的行業留存率堪憂，與此同時，經驗豐富的老師傅陸續退休，進一步加劇了行業人才的結構性短缺問題。

以上四個方面的問題，都是導致設備管理水平難以進一步提高的重要要素。

根據智能運維分級與應用模型標準，環境領域智能運維水平處于S1-S2階段。這一階段的典型特征是：可實現單機設備的本地在線監測，但功能局限于數據采集與狀態顯示。若要進一步對監測數據進行深度分析，進而完成故障診斷與運維決策，目前環境行業尚未達成該目標。

破局之道：從“劃勾打卡”到“設備AI運維專家”

面對上述困境，兩山智聯?設備智能運維以技術創新開啟破局之路。

兩山智聯?設備智能運維不止于設備監測，能夠提供從傳感器硬件到云端模型平臺及設備健康體檢的“全棧式”服務，打通從數據采集到設備運維服務的完整價值鏈。

推動從“點檢定修”到“智能運維”的質變是兩山智聯?設備智能運維的目標。

兩山智聯?設備智能運維產品有三個核心特征：第一，全面、實時、深度感知關鍵設備的運營狀態；第二，遠程對設備故障進行深度、專業故障診斷；第三，基于智能分析提出科學、合理的檢維修方案。

切實達成智能運維應具備的上述三大基本特征，兩山智聯?設備智能運維產品有五大核心技術： 

第一，智能傳感器實現對設備運行狀態的全面、實時、高頻的數據采集。傳感器分為無線與有線兩類：地上設備普遍適用無線溫振傳感器，可同步采集溫度與振動信號；配套的采集站負責匯聚傳感器數據，經云端傳輸后，通過算法模型對振動數據進行深度分析。

第二，AIoT平臺建立設備“數字孿生體”，定義維護策略和設備屬性。兩山智聯云設備智能運維平臺除具備常規設備管理功能外，特別搭載故障管理與知識庫兩大模塊。其中沉淀了海量故障庫數據、設備運行經驗數據及專家經驗數據，構成平臺核心價值；其余模塊則作為配套功能，支撐數據驅動的分析決策閉環落地。

第三，利用復雜的AI算法、設備故障機理模型、知識圖譜等技術，對實時數據進行深度分析。傳統設備檢維修多采用事后維修或者預防性維護模式，設備智能運維基于精準數據采集，模型會基于300+智能模型、30000+設備故障庫數據、專家經驗與歷史經驗，自主完成設備健康分級評價、故障診斷、根因分析、預警推送及檢維修決策工作。

編輯：徐冰冰