随着人工智能逐渐走进工业现场，如何让海量运行数据转化为真正有价值的判断，正在成为工业智能化发展的重要课题。
2026 年 9 月 24 日，德玛仕团队赴浙江大学，与浙江大学相关领域的专家学者围绕压缩机及旋转设备 AI 智能运维展开深入交流。双方聚焦智能故障诊断、设备健康评估、物理机理与 AI 模型融合、预测性维护及系统级运行优化等方向，结合实际应用案例与前沿研究成果，共同探讨工业 AI 的技术挑战与未来发展。
从数据监测，到智能判断
随着工业装置不断向大型化、连续化发展，压缩机等关键设备的运行稳定性与效率，直接关系到整套生产系统的安全与经济效益。
工业数字化技术的发展，让温度、压力、流量、振动等运行参数能够被实时采集与监测。然而，能够获取数据，并不意味着能够充分理解设备。传统监测系统更多依赖阈值报警与人工经验判断，面对复杂工况和多测点关联异常，如何准确识别问题、判断原因并制定处置方案，仍然是工业现场面临的重要挑战。
围绕这一需求，德玛仕持续推进数字化运维技术的研发与应用。从 2019 年的远程监控，到 2022 年的设备健康度与能耗分析，再到 2025 年引入人工智能，德玛仕的数字化平台逐步实现从数据采集、状态评估到智能分析的演进。
此次交流中，德玛仕向浙江大学专家团队介绍并演示了自主开发的压缩机 AI 智能运维平台——Domex-Engine。
平台将设备工艺参数、高频振动信号、设计数据及历史运行记录进行关联，通过工程计算与 AI Agent 智能分析相结合的方式，对设备运行状态进行综合评估。
在现场演示中，德玛仕展示了平台如何识别级间冷却异常、分析振动信号，并结合设备负荷、历史趋势及工程知识，进一步判断潜在原因、提出排查建议。
例如，在级间冷却系统分析中，平台不仅关注温度是否超出预设范围，还能够结合冷却水流量、换热状态及设备运行工况，识别冷却性能变化，并为检修与能耗优化提供参考。
从发现异常，到理解异常背后的原因，是德玛仕探索工业 AI 的重要方向。
从数据驱动到物理机理：一场关于 AI 诊断的技术讨论
在平台演示之后，浙江大学专家围绕 AI 诊断的技术路径提出了多个具有针对性的问题。
其中一个重要议题是：既然设备具备长期积累的设计参数与运行数据，能否直接利用数据驱动模型预测设备性能与健康状态？
对此，德玛仕结合实际应用经验介绍，数据驱动方法可以用于特定状态预测，但真实工业现场的故障往往具有多因素关联的特点，仅依靠单一模型难以完成复杂工况下的综合判断。
目前，Domex-Engine 采用确定性工程计算与 AI Agent 推理相结合的技术路线，将设备设计参数、历史运行基线、故障模式及专业知识库纳入分析过程，使 AI 能够结合不同测点之间的关联关系进行判断。
围绕这一技术路径，浙江大学专家进一步提出，压缩机的喘振、轴振、级间冷却及性能衰减等现象，背后已有成熟的物理理论与工程规律。如何将这些机理知识更有效地融入 AI 分析过程，是提升诊断准确性与可解释性的重要方向。
双方以级间冷却器为例进行了讨论。在实际运行中，冷却器可能因长期运行、结垢等因素导致换热性能下降，冷端温差逐渐偏离设计水平。如何结合设备设计工况、运行参数与物理规律识别性能衰减，并进一步判断维护需求，既是传统工程经验的应用场景，也是 AI 诊断需要持续完善的能力。
讨论也进一步延伸到工业现场的数据质量问题。传感器干扰、信号跳变及复杂工况变化，都可能造成误报。德玛仕分享了利用 AI 关联多个测点、区分真实设备异常与数据采集干扰的实践经验，浙江大学专家则从信号处理、物理约束及诊断方法等角度提出了进一步完善的思路。
双方讨论的焦点，逐渐从“AI 能够分析什么”，深入到“AI 如何形成可信、可解释、可验证的判断”。
从工程实践到前沿研究：探索技术互补的可能
在交流中，浙江大学相关研究团队介绍了其在流体机械智能巡检、声学与振动信号分析、故障机理研究及智能诊断等方面的研究成果。
其中，双方围绕振动诊断的技术路线展开了重点讨论。
目前，德玛仕通过高速振动数据采集与边缘计算，提取频谱、轴心轨迹等特征，并结合云端 AI Agent 进行综合诊断分析。
浙江大学团队则分享了将基于物理机理的故障诊断进一步前移至边缘端的研究思路，通过专业信号处理方法、诊断模型与专家规则相结合，实现更具针对性的故障识别，再利用云端智能分析完成复杂问题的推理。
双方还就泵与压缩机在故障特征、测点配置及振动分析方法上的共性与差异进行了交流。
对于工业 AI 而言，真实运行数据与专业机理模型具有不同但相互补充的价值。德玛仕长期积累的压缩机工程经验、现场运行数据与实际应用场景，能够为智能诊断提供真实问题与验证条件；浙江大学在流体机械理论、信号分析及故障机理方面的研究积累，则为进一步提升诊断深度与可靠性提供了新的技术思路。
围绕振动信号处理、机理模型与智能诊断的结合，双方表达了继续开展专题交流的意愿。
从智能诊断，到系统级运行优化
此次交流不仅关注现阶段 AI 智能运维的技术应用，也进一步延伸至工业 AI 的经济价值与未来发展方向。
浙江大学专家提出，工业 AI 的价值不仅需要体现在诊断结果上，还需要回答一个更实际的问题：如何量化智能诊断为工业用户创造的经济效益？
例如，AI 提前识别潜在故障风险，究竟能够降低多少非计划停机损失？设备保持稳定运行时，又该如何客观评估智能运维系统所发挥的作用？
围绕这一问题，德玛仕介绍了将 AI 智能诊断与备件储备、现场服务相结合的业务思路。通过持续分析设备运行状态，提前识别潜在维护需求，并结合备件库与服务资源进行准备，逐步推动传统被动维修向更加主动、可规划的运维模式转变。
浙江大学专家也从风险评估与经济价值量化的角度提出了新的思考，为智能运维技术与服务模式的进一步结合提供了启发。
与此同时，双方还探讨了 AI 从设备诊断向运行优化延伸的技术挑战。
对于大型空分装置而言，压缩机并非孤立运行，其负荷变化与上下游工艺系统密切相关。如何在保障安全与稳定的前提下，实现设备与系统之间更加高效的协同，需要进一步解决系统耦合、非线性工况变化及运行边界等问题。
德玛仕分享了未来探索系统级自动变负荷的方向，双方围绕相关技术难点及研究路径交换了意见。
从单一设备到整套系统，从状态监测到运行决策，工业 AI 的应用正在向更深层次延伸。
从技术交流，到共同探索
此次与浙江大学的交流，不仅是一次技术成果的展示与分享，更是一次围绕真实工业问题展开的深入探讨。
从设备健康度的评价标准，到物理机理与 AI 模型的结合；从振动信号的精准识别，到诊断结果的可信度与经济价值，双方从工程实践与学术研究的不同视角出发，对工业 AI 当前面临的技术挑战进行了系统交流。
对于德玛仕而言，长期服务工业现场所积累的设备运行数据、故障案例与工程经验，是探索智能运维的重要基础。对于高校科研团队而言，真实工业场景中的复杂问题，也为理论研究与技术创新提供了新的方向。
工业 AI 的进一步发展，既需要算法与理论的持续突破，也离不开真实工业场景中的反复验证。如何将工程经验转化为可复用的智能分析能力，如何让物理机理与 AI 推理更加紧密地结合，如何让技术进步最终体现为设备运行的可靠性与经济效益，正是双方此次交流所共同关注的方向。
从数据监测到智能诊断，从工程实践到前沿研究，德玛仕将继续立足真实工业需求，积极探索人工智能与透平机械技术的深度融合，并通过与高校及行业伙伴的持续交流，推动智能运维技术不断完善。
从数据到判断，从技术探索到运行价值。
让每一次技术进步，都成为推动工业设备更加安全、稳定、高效运行的力量。
本文首发于德玛仕微信公众号“杭州德玛仕气体设备工程有限公司”（2026 年 10 月 13 日）。查看公众号原文