业务挑战
在制造业中，人员、机器、原料、方法以及环境等各要素都对生产起着决定性影响。在推进内部数字化转型过程中，亨通数科注意到：传统流程管理数字化需求在下降，但设备管理需求日益增长。基于此，亨通数科对设备管理进行了规划，但随着业务扩张，传统设备全生命周期管理存在很多无法解决的问题。
1.从业务洞察角度：
- 系统应用门槛高：制造业一线用户对系统的应用门槛较高，需要提出需求才能得到响应，不够便捷。
- 知识复用难度大：通过设备管理系统收集和总结的维修知识，无法被广泛引用，跨厂区的知识交流困难。
- 技术改造指引少：应用设备时没有进行原因分析的汇聚，在技术改造过程中缺乏明确的指引。
- 报修流程滞后：员工需要与设备工程师通话并等待其到来，导致流程滞后，无法发挥应有作用。
- 知识总结不足：维修工程师工单总结环节不够友好，增加工程师负担，导致录入率低。
2.从市场洞察角度：
竞争压力增加：随着外部服务需求增加，设备管理系统的供应商逐年增加，供应商竞争激烈。
为了更好的提高内部服务质量，以及应对设备管理数字化领域的竞争压力。亨通数科利用大模型及知识图谱技术，在工业知识服务领域上持续发力。以设备管理为起点，通过应用人工智能技术来增强其能力，帮助亨通数科解决当前的挑战并保持竞争优势。
解决方案
经过多方位调研，亨通数科选择与 Fabarta 合作，通过结合枫清·天枢（ArcNeural）多模态智能引擎，实现大模型时代数据、算力和模型的一体化，构建大模型时代的基础设施，快速构建大模型时代的新设备全生命周期管理系统。这将使亨通数科能够摆脱竞争压力，打造Fabarta与亨通数科融合的技术解决方案。
新一代设备全生命周期管理
枫清·天枢（ArcNeural）多模态智能引擎是以 Data-Centric AI 为核心构建的用于处理符号化数据图（Graph）和向量（Vector）的智能引擎，将传统数据库的“存储&计算”架构演进为“记忆&推理”架构，为 AI 应用提供私有记忆和可解释的精确推理，ArcNeural 是建立在 AI 三要素数据、算力和模型之上的基础设施，为上层 AI 智能应用提供支撑，结合亨通数科目前拥有的设备管理系统中积累的工业领域的知识，加速业务智能化创新的推进。
客户收益
1.赋能设备管理的关键环节
- 呼叫维修环节：使用大模型智能解析技术，用户可以通过自然语言的方式进行输入，例如使用微信语音等方式，自动创建叫修工单，降低用户的使用门槛。
- 维修准备环节：结合图引擎和向量引擎的智能推荐技术，根据之前的维修记录和当前描述的现象，推荐与之最匹配的解决方案，提供指导，加快设备检修的效率，包括与标准操作程序（SOP）的匹配。
- 知识总结环节：使用语音输入和大模型的语音识别和语义优化功能，加快设备维修工程师进行知识总结的过程，将知识库存储起来，生成推荐的标准操作程序（SOP）。
- 技改立项环节：基于图关系和语义向量的聚类分析，分析工厂过去一段时间内的故障原因，给决策者提供更好的了解故障原因和停机问题，以支持未来改进决策。
2.赋能知识复用与衍生
- 跨工厂知识复用：利用推荐系统和知识演化技术，优化知识模型。实现设备维修知识的传递和复用，提高维修效率。例如：通过将 A 工厂已经成熟应用的设备维修知识与 B 工厂的环境差异结合起来，可以推荐适用于 B 工厂的知识，加快跨工厂的知识复用。
- 跨行业知识衍生：借助图和向量的应用以及大型模型的支持，可以实现不同行业之间的知识跨界应用。例如，将上下游电缆行业积累的知识可以延伸应用到光缆行业，同时光缆行业的上游光纤行业也可以借鉴光缆行业的工业知识。通过建立行业之间的关联图和利用向量表示行业知识，可以实现知识的跨行业传递和应用，促进不同行业之间的合作和创新。
