欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

制造企业设备点检与维保记录的知识库化:时序记录入库与按设备检索的落地方案

上邦 AI 工程团队2026-10-14阅读 约 8 分钟
点检表、维修工单与保养记录散落在纸面和表格文件中,故障排查经验长期无法沉淀,同类问题反复从零开始排查。本文给出一套可复现的落地方案:点检、保养、维修三类时序资产盘点分层,七个元数据字段建模,文档解析入库,向量库按设备与部件组合过滤检索,并给出重复排查率、入库时效、检索命中率三项验收指标与闭环更新规则。
制造企业的设备知识,绝大多数不在文档库里,而在两张纸上:一张是班组长手里的点检表,一张是维修工的工单。某次主轴异响排查了三天才定位到皮带张紧轮,三个月后同样的异响出现,当时的排查路径、更换件型号、判断依据却谁也说不全。设备知识的断层,本质是时序记录没有被组织化。本文给出一套可复现的方案:把点检、维保、故障处置三类时序记录入向量库,让每一次设备异常都能检索到历史同类处置。

一、资产盘点:三类记录分层入库

先盘清设备相关知识的载体,通常分三层:
第一层,静态档案:设备台账、说明书、润滑图表、电气原理图。数量少、更新慢,适合整册解析入库。
第二层,周期记录:点检表、保养记录。每日或每周产生,格式高度模板化,适合按行或按条目切片。
第三层,事件记录:维修工单、故障分析报告。价值密度最高,一条工单往往包含现象、排查路径、根因、措施四段关键信息,是整个知识库的核心资产。
多数企业只做了第一层,恰恰漏掉了价值最高的第三层。建议把入库顺序反过来:先工单,再点检保养,最后整册档案。

二、元数据建模:让时序可过滤

时序记录与制度文档最大的差别,是它必须能按设备、按时间、按状态过滤。推荐七个元数据字段:
device_id(设备编号,与台账一致)、device_type(机型,便于同类设备横向复用)、record_type(record_type 取值:点检、保养、维修、故障分析)、occur_date(发生日期)、line(产线)、component(部件,如主轴、液压系统)、status(是否已闭环)。其中 device_id 与 record_type 是过滤主键,component 决定了跨设备复用的效果。

入库解析可以用 python-docx 与 openpyxl 直接处理现存的工单与点检表。以下为可运行的核心代码:
import re
from docx import Document
import chromadb

client = chromadb.PersistentClient(path='./device_kb')
col = client.get_or_create_collection('device_records')

def parse_workorder(path, device_id, line):
    doc = Document(path)
    paras = [p.text.strip() for p in doc.paragraphs if p.text.strip()]
    # 按四段式标题切分:现象/排查/根因/措施
    keys = ['现象', '排查', '根因', '措施']
    sections, cur = {}, None
    for t in paras:
        m = re.match('^(' + '|'.join(keys) + ')[::]?(.*)

  

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案
, t) if m: cur = m.group(1) sections[cur] = m.group(2).strip() elif cur: sections[cur] += t date = re.search(r'20\d{2}-\d{2}-\d{2}', paras[0]).group(0) comps = re.findall(r'主轴|液压|皮带|轴承|伺服|变频', ' '.join(paras)) return [{ 'text': k + ':' + v, 'meta': {'device_id': device_id, 'record_type': '维修', 'occur_date': date, 'line': line, 'component': comps[0] if comps else '未标注', 'status': '闭环'} } for k, v in sections.items() if v] docs, metas, ids = [], [], [] for i, item in enumerate(parse_workorder('wo-2026-0713.docx', 'CNC-07', '二号线')): docs.append(item['text']); metas.append(item['meta']); ids.append(f'wo-0713-{i}') col.upsert(documents=docs, metadatas=metas, ids=ids)
周期类的点检表与保养记录多为 Excel 格式,用 openpyxl 逐行读取后按同样七字段组装元数据即可复用上述入库逻辑;点检表的行级数据建议合并为该设备当期的汇总切片,避免碎片条目稀释检索质量。
查询时用 $and 组合过滤。例如排查二号线 CNC-07 主轴异响时:
res = col.query(
    query_texts=['主轴异响 皮带 张紧 排查'],
    n_results=5,
    where={'$and': [
        {'$or': [{'device_id': {'$eq': 'CNC-07'}},
                 {'device_type': {'$eq': 'CNC-07同型'}}]},
        {'record_type': {'$in': ['维修', '故障分析']}}
    ]}
)
同型机型的历史工单一并召回,是新设备快速积累处置经验的关键——单台设备可能一年只有几条维修记录,但十台同型设备就是几十条。

三、增量入库与闭环更新

时序记录是持续产生的,方案上要固定两条规则:一是工单闭环后才入库,未闭环的记录检索出来会误导处置;二是闭环时回写 status,后续如果根因判断被推翻(例如换件后异响复发),要更新对应切片并追加一条纠正记录,而不是删除旧记录——错误的排查路径本身也是避免重蹈覆辙的知识。
提醒:维修工单中的人员姓名、供应商报价属于敏感信息,入库前应做字段级脱敏,向量库文件本身也要纳入备份与访问控制范围。

四、验收指标

建议用三项指标衡量这套方案是否落地:一是重复排查率,同类故障两周内是否再次从零开始排查,目标趋近于零;二是工单入库时效,闭环到入库不超过一个工作日;三是检索命中率,随机抽 20 个历史故障,看知识库能否召回对应原始工单,命中率低于八成说明切片或元数据有问题。指标纳入设备例会,比任何宣传动员都有效。
这套方案的价值不在于技术多先进,而在于把本来就会产生的工单和点检表,变成可检索的组织资产。上邦在面向制造业的私有 AI 知识库方案中,同样采用本地向量库加权限分级的设计,支持工单、图纸、工艺文件的统一入库与带出处的检索问答,具体可参考 aiwork.shangbon.com/ai-rag.html 的方案说明。

参考来源

国家标准全文公开系统(设备与资产管理相关国家标准检索入口)- 国家市场监督管理总局 openstd.samr.gov.cn。ISO 55000 资产管理体系标准(资产管理、运作与维护绩效要求)- 国际标准化组织 iso.org。Chroma 官方文档(PersistentClient、where $and 过滤)- docs.trychroma.com。
相关标签:企业AI知识库制造业知识库设备维保RAG落地私有化部署

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案