> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/fault-diagnosis-llm-enterprise-adoption-retry.md).

# 故障诊断大模型怎么选场景？2027年先看数据与责任边界

本文整理自 Duaer 文档站，梳理故障诊断大模型的适用边界、常见误区和试点路径，说明企业如何从一类设备、一套资料开始，先备齐知识底座，再守住人工确认与责任边界。

## 故障诊断大模型到底解决什么问题

车间里一台压缩机报警，值班工程师要在几十份设备手册、历史维修工单和传感器曲线之间来回翻找。很多企业想到用大模型做故障诊断，希望它像老师傅一样给出原因和处置建议。但真正上线后，常见的结果是回答很流畅，却说不清依据，也没人敢据此停机。问题往往不在模型够不够大，而在场景选得太宽、资料没有备齐、责任边界没有画清。

故障诊断大模型，指用大语言模型理解设备异常现象、辅助归因并给出处置建议的应用。它的输入通常是报警文本、维修记录、设备手册和运行日志。它擅长的是读懂非结构化文字、关联历史经验、组织成可执行的排查步骤，而不擅长直接处理高频传感器时序数据的数值建模。

这一点需要和预测性维护区分开。预测性维护回答的是「哪台设备什么时候可能出问题」，主要依赖时序数据和统计模型；故障诊断大模型回答的是「已经出现的异常，最可能的原因是什么，下一步查什么」。两者可以配合使用，但不是同一件事，混在一起规划，很容易让项目目标变得模糊。

## 为什么这个场景比想象中难，以及常见误区

第一，文本资料分散且写法不统一。同一个故障，工单里可能写成「轴承异响」「轴承有杂音」「2号轴承响」，不同班组甚至不同师傅的记录习惯差异很大。模型读到的并不是标准化的知识，而是一堆口语化的经验碎片。

第二，答案必须可追溯。工程师看到「可能是润滑不足」，第一反应是问依据在哪里。如果系统给不出具体的手册章节或历史工单编号，这条建议就很难进入真实的处置流程。

第三，错误代价高。一次误判可能导致不必要的停机，造成产线损失；更严重的是漏掉真正的隐患。这意味着诊断结果只能作为辅助，责任始终在人。

常见误区之一，是一上来就做全厂通用问答。很多项目把所有设备的手册一股脑导入，希望一个入口回答所有问题。结果检索范围过大，相似设备的资料互相干扰，回答质量很难稳定。

误区之二，是把模型当专家，不设人工确认。模型输出的语气越笃定，团队越容易直接采信。没有确认环节，错误建议会被放大。

误区之三，是只看演示效果。团队往往挑选五六个经典案例测试，效果很好就立项。真正的考验是一线工程师每天遇到的长尾问题，这些问题在演示里几乎不会出现。

## 怎么做才对：从一类设备、一套资料开始

更稳妥的做法是先选一类设备，比如某一型号的空压机或同类泵组。这类设备的手册相对完整，历史工单数量足够，故障模式也比较集中。接下来做三件事。

第一，整理「现象—原因—处置」的对应关系。从过去半年到两年的工单中抽取典型记录，由资深工程师校对，形成一份小型知识底座。这一步比调模型更重要。

第二，采用检索增强而不是让模型凭记忆回答。每次回答都先从知识底座和手册中检索相关段落，再基于这些段落生成建议，并附上引用来源。如果检索不到依据，系统应该明确说明「资料不足」，而不是编造一个听起来合理的答案。

第三，设定拒答与升级规则。涉及带电、高压、停机等高风险操作的建议，必须强制提示人工确认。这部分可以参考我们在大模型幻觉治理上的做法，比如[大模型幻觉怎么治？2027年企业知识问答的三道防线](https://doc.duaer.com/zh/guides/llm-hallucination-enterprise-qa-three-defenses/)中提到的依据约束和人工复核思路。

如果你手上已经有这类设备的手册和工单，可以直接在 Duaer 里把这套流程跑起来：先导入资料，划定检索范围，再让一线工程师用真实工单做对比测试，观察回答是否能被核对。

## 怎么选第一个场景

选场景时，建议从四个维度打分，每项1到5分：数据可得性、故障发生频次、单次停机损失、责任是否可界定。得分高的场景优先试点。

一个典型的对比是：某类设备故障每月出现几十次、资料齐全、停机损失可量化，这是很好的第一个场景；而某台关键设备一年只出现一两次故障、且多数案例靠个人经验处理，即使潜在价值大，也不适合作为第一个试点，因为样本太少，无法验证效果。

另外可以参考[制造业AI落地怎么选场景？2027年先按价值与难度排序](https://doc.duaer.com/zh/guides/manufacturing-ai-adoption-use-case-selection/)中的排序方法，把故障诊断放进整体的场景清单里比较，而不是孤立决定。

## 怎么衡量效果与守住责任边界

试点前先记录基线：当前平均排查时长、首次定位准确率、重复故障比例。试点后对比以下指标：首次诊断命中率，即由工程师复核后，系统首条建议是否与最终原因一致；平均排查时长，即从报警到确定原因的时间变化；引用可核对率，即建议附带的手册或工单依据能否被实际找到；误导建议率，即导致错误处置的建议占比，这是最需要盯住的指标。

注意不要用模型自评分代替现场复核。模型说自己很有把握，并不等于它真的正确。

故障诊断大模型的定位应该是决策支持，而不是自动决策。停机、检修、带电作业等动作，必须保留人工签字确认；每次诊断的输入、检索结果和输出都应留存日志，便于事后复盘。这些要求看起来繁琐，但它们决定了系统能否在真实产线上长期使用。

故障诊断大模型的价值，不在于替代老师傅，而在于把散落在个人脑中和工单里的经验，变成可查、可核、可复用的知识。

## 本周可以做的一件事与下一步

本周只做一件事：从你们最常出故障的一类设备中，抽取近半年的五十条工单，让两位资深工程师独立给出「现象—原因—处置」的标注，然后比对两人结论的一致程度。一致率低，说明经验本身还没有标准化，应该先补知识底座，再谈模型。

想先验证这套流程是否适合你们的数据现状，可以到 https://www.duaer.com 注册试用，用你们自己的工单和手册跑一轮小规模测试。

如果你们的产线或设备群已经有比较明确的故障场景，可以免费获取这个场景的落地路线。告诉我们设备类型、现有资料和当前痛点，我们会整理成一份书面路线供你参考：https://api.duaer.com/form/1fea7709-3f8a-47f7-b4e3-eb5fb90e3213

## 常见问题

### 故障诊断大模型和预测性维护有什么区别？

预测性维护关注哪台设备未来可能出问题，主要依赖传感器时序数据和统计模型；故障诊断大模型关注已经出现的异常最可能是什么原因、下一步该查什么，主要处理报警文本、维修记录和设备手册等非结构化资料。两者可以配合，但目标不同，建议分开规划。

### 企业第一个故障诊断试点应该怎么选设备？

优先选择手册相对完整、历史工单充足、故障模式集中、停机损失可量化、责任边界清楚的一类设备，例如同型号的空压机或泵组。故障极少、主要靠个人经验处理的关键设备，即使价值高，也不适合作为第一个试点，因为样本不足，难以验证效果。

### 大模型给出的诊断建议能直接用于停机决策吗？

不建议。诊断结果应作为决策支持，停机、检修、带电作业等动作必须保留人工确认，并留存输入、检索依据和输出日志。系统应能标明引用来源，检索不到依据时说明资料不足，而不是给出看似合理的答案。

