立项原因： 车架厂设备管理长期依赖人工巡检和故障后维修，存在数据分散、决策靠经验、缺乏预测能力等问题。为从“故障后维修”转向“故障前预防”，减少停机损失、提升维护效率，立项建设基于大模型的设备智能预维护管理平台。
行业场景与业务背景： 新能源车架厂设备自动化程度高，故障申报、备件消耗、资产台账等数据分散在 SQL Server、MySQL 等多系统，缺乏统一视图和智能分析。日常巡检和计划制定多依赖人工经验，无法提前识别潜在风险。本平台面向车架厂设备管理场景，整合多源数据，通过大模型与规则引擎实现智能对话、故障分析、预维护计划自动生成与执行闭环，支撑数据驱动的设备全生命周期管理。
功能模块： 智能对话入口、预维护计划生成、故障分析、备件分析·资产管理、费用预测·故障预测·报告对比、维护计划执行情况。
主要功能描述： 支持自然语言查询故障、备件、设备信息；提供故障总数、状态分布、MTBF、维修时长、趋势分析、原因占比、区域分布及主修人员排名；备件入库/消耗统计与趋势分析；资产设备清单与多维统计；按日/周/月/季/年自动生成预维护计划并落库；费用预测、故障预测、周报月报对比；执行记录登记、检索、附件管理及与计划联动。平台打通故障申报、设备台账、备件等多源数据，采用 EquipCode 关联 EqupBooks 补全设备名称与资产编号，保证数据统一可追溯。
本人负责： 负责整体架构设计与前后端开发，包括：Flask 后端接口与双库连接、意图识别与参数抽取、查库与 Prompt 组装、通义千问调用；Vue3 前端页面与 ECharts 数据可视化；预维护计划生成流程（设备池构建、Prompt 编排、JSON 解析落库）；故障分析、备件分析、计划执行等模块的业务逻辑实现。[可根据实际分工修改]
技术栈： 前端 Vue3 + Vite + Vue Router + Element Plus + ECharts + Axios；后端 Flask + Flask-CORS；数据库 PyMySQL（MySQL）、pyodbc（SQL Server）；大模型通义千问（OpenAI 兼容 API）；数据处理 pandas/numpy。
亮点与难点： ① 双库打通：同一请求内联查 MalfunctionSubmit、EqupBooks、MySQL 故障/备件表，EquipCode 关联补全设备名称与资产编号。② 可控 AI 输出：通过 SYSTEM_KNOWLEDGE 注入与 query_info 及 5 条格式约束，保证模型只基于真实数据回答、设备信息格式统一。③ 防幸存者偏差：设备池显式纳入“同类型有故障但自身无故障”“使用年限较长”等设备。④ 计划—执行闭环：计划生成、执行登记、反馈与评估形成可追溯、可量化闭环。
评论