赛美特-国产半导体CIM领军者，软件成就智造

不止于概率性AI，赛美特以确定性AI驱动核电设备预测维护

26-06-2512:00:00

本期文章聚焦工业 AI Factory 算法工坊，分享赛美特针对核电关键设备预测性维护的方法论与实践。

在“双碳”战略持续推进背景下，核电作为重要的基础清洁能源，对安全性、稳定性和可靠性提出极高要求。核电关键设备具有服役周期长、运行工况复杂、故障代价高、监管标准严格等特点，设备健康管理直接关系机组安全运行与运维质量。

随着 AI 技术加速进入工业领域，通用大模型和纯数据驱动算法在数据分析与模式识别方面展现出巨大潜力，但其输出本质上属于概率性结果。对于核电这类强安全、强合规、强追溯的场景，仅有异常报警远远不够。运维人员更关注的是：判断依据是什么、可信度如何、适用边界在哪里，以及后续应采取什么措施。

因此，真正适合高可靠性工业场景的 AI 技术，不是全部依靠大模型，也不是简单拼接数据与知识，而是以确定性驱动，把证据、边界和责任设计进每一次判断。

预测性维护是工业 AI 的标杆场景，但它因模型驱动，天然带有概率与不确定性。与规则固定、输入输出相对明确的传统软件不同，模型能力会受到数据分布、运行工况和知识更新的持续影响。真正需要回答的，不只是“AI 能不能预测”，而是“确定性如何被逐步构建”。

预测性维护不是独立于设备可靠性管理之外的新系统，而是嵌入可靠性管理流程中的量化能力。它为状态监测、风险排序、维修窗口和复核决策提供证据，最终由既有管理流程承接。依据是什么、把握多大、边界在哪里、下一步由谁确认，这些确认的指令作为工业 AI 进入业务流程的关键，最终连接监测计划、维护窗口、人员与资源安排，真正实现生产力的提升。

核电工业 AI 落地的主线，应是“确定性驱动”

放眼核电行业工业 AI 落地的全流程，数据、算法和大模型都可以参与核电关键设备的智能分析，但它们只是手段，不能各自独立成为核电智能运维落地的主线。故障预测与健康管理的本质，是依托工业 AI 能力管理设备全生命周期中的不确定性：从状态监测回答“现在是否异常”，进一步走向“可能是什么问题、严重程度如何、风险怎样变化、还能稳定运行多久、何时需要进入相应流程”。这是一条从感知、判断、预测到决策反馈的连续链。确定性不是模型永远正确，而是我们清楚它何时可信、信到什么程度、何时应当交还给人。

核电已有成熟的可靠性管理体系，这恰恰为确定性 AI 提供了上下文、边界和验证路径。“确定性”不是模型单独生成的，而是在模型能力与管理流程的结合中形成的。

图1｜在工业场景中，概率输出只有跨过数据、语义、量化、认知与执行五道确定性门，才能成为可验证、可追溯、可问责的行动依据。

（概念示意图）

关键设备长周期运行，真实故障样本稀少，多个工况和参数彼此耦合。采集异常可能沿分析链条放大，工况变化可能被误认为故障，模型还会随环境与设备阶段变化而衰退。误报会消耗现场信任，漏报可能错失干预窗口。因此，“算得准”只是起点：输入质量要能检查，结论要能追溯证据，模型要标明适用边界，判据和流程要由工程人员管理，每一次判断还要说清“为什么”。

工业智能需要的是确定性，而不是可能性。这里的确定性，不是指只给确定性结论，而是对不确定的程度做到可量化、可管控。

如何实现核电工业确定性 AI ：贯穿预测性建模流程的四个理念

图2｜数据确定性与语义确定性让结论“有根”，健康建模确定性让评估与预测“有界”，认知确定性让建议“有据”，执行确定性让行动“有责”。

机理与数据驱动融合：让模型“有根”

纯数据模型在小样本和工况变化下容易失去稳定性，纯机理模型又难覆盖复杂现场。工程上可先区分有效工况，用机理定义健康状态的合理边界、具有物理意义的特征以及不同条件下的数据对齐方式，再由数据学习难以显式描述的耦合关系；领域判据负责物理一致性校验。同样，感知层建设不应是“能采什么采什么”，而应由目标故障模式和机理认识反向牵引，明确监测对象、采样频率、频域范围、传感手段和特征提取方法；更好的感知能力，会提升模型对故障征兆的捕捉能力，也会增强预测结果的确定性。比如，对于冷却剂主泵这类旋转类设备，可以以振动征兆、多变量时序偏差和领域专有模型构成三路证据，一致时增强判断，冲突时降低结论等级并提示复核。这种融合不是把模型简单相加，而是让不同证据彼此制约。

预测概率估计：让预测“有界”

“还能运行 30 天”看似确定，实则隐藏数据和模型误差。更负责任的表达，是给出健康指标的退化趋势、预测上下界、寿命风险区间，或候选根因的相对支持度，并说明结论建立在什么数据窗口和适用条件之上。随着新数据进入，区间和风险判断应持续更新。不同风险和置信水平再映射到观察、补充验证、专家复核等既有流程。把不确定性摆到桌面上，不把单点值包装成承诺，决策才有真正的依据。

可控知识管理：让维护建议“有据”

从诊断走向维护建议时，不能单纯依靠大模型自由发挥，而要从受控知识底座中“查得到、引得出、审得过”。专业模型负责设备健康、故障模式和寿命风险等量化判断；大模型更适合承担任务理解、知识检索、证据组织和交互编排。二者不是替代关系，而是“通用智能 + 专业工具”的协同。一类知识关联经复核的故障模式、征兆、判据、历史处置和模型，帮助诊断“举一反三”；另一类知识沉淀规程、分析资料和规范化运维经验，为建议提供出处。它们经过解析加工、专家审核、版本与权限控制、冲突识别后，按适用条件召回并附原文引用；过期版本和相互矛盾的内容不能被悄悄混用。人工确认和执行反馈再推动知识更新。建议的可信不来自语言流畅，而来自证据链完整。

人与模型协同：让动作“有责”，也让模型成长

AI 负责持续监测、证据汇总和风险排序，工程人员结合现场语境与制度完成复核。人的作用不是简单“兜底”：高置信结论仍要在授权边界内流转，低置信或证据冲突的结论应清楚说明缺口。对报警原因、证据充分性、处置选择和后续验证的反馈，应结构化沉淀为模型与知识的更新依据；模型的适用范围、判据、验证集和版本也要可管理。确定性不是一次交付出来的，而是在闭环中逐步养成的。

机理与数据融合给模型物理约束，概率估计给预测诚实边界，知识管理给建议可信来源，人与模型协同给决策明确责任。四者分别回答“为什么信、信到什么程度、依据在哪里、谁对动作负责”，共同把“可能性”转化为可进入业务流程的决策依据。

图3｜确定性来自证据的累积，而不是结果的包装：数据与语义形成“根”，模型输出携带边界，知识推理附带依据，执行过程留下责任与反馈。

赛美特核电工业 AI 落地实践：从关键旋转设备到关键结构件

面向一类高可靠性关键旋转设备（如主泵等），团队把单测点状态组织为测点、部件和整机的分层健康画像，使健康度不再是孤立分数，而能回看趋势、异常来源和诊断依据，并贯通健康评估、故障诊断和维护建议。

诊断由三路证据共同支撑：振动征兆提供机理证据，运行参数的时序偏差提供数据证据，领域专有模型提供故障模式与判据；一致时增强判断，分歧时进入人工研判。从诊断走向维护建议后，系统连接经过审核、版本控制和授权管理的知识来源，展示原文依据、适用条件和冲突信息，经授权人员确认后进入记录闭环。报警复核与维护结果还可以反向丰富案例。实践表明，真正有价值的不是多一个报警，而是把健康状态、判断依据和维护知识放到同一条可追溯链上。