设备在线监测能够持续产生大量运行数据，但“有数据”并不等于“能判断故障”。如果企业只能看到振动、速度、加速度、频谱或趋势变化，却仍然需要完全依赖人工经验解释，数据价值就很难真正进入维修决策。用友BIP资产云在预测性维护体系中提供AI故障诊断能力，通过算法配置、样本导入、模型训练以及在线监测数据分析，对设备进行故障诊断，并形成诊断结论和相应维修措施。

AI故障诊断首先需要建立可用的诊断模型。用友BIP资产云支持初始化AI算法配置，并导入诊断样本；随后可以将相应AI诊断算法与设备或诊断场景绑定，再通过添加样本数据进行模型训练。这意味着，设备故障诊断并不是直接对一组实时数据做简单判断，而是需要先利用已有样本形成能够识别特征的模型，再将模型应用到实际设备。

在算法层面，系统支持多种机器学习分类方法，包括贝叶斯分类、K近邻分类、非线性支持向量机分类、决策树分类、随机森林分类以及Logistic回归分类等。不同设备和故障数据的特征可能存在差异，因此多种算法的价值在于为企业提供不同模型选择空间，而不是把所有设备故障都强制放进同一种分析逻辑中。

模型训练完成之后，AI故障诊断还需要设备真实运行数据作为输入。用友BIP资产云预测性维护架构支持设备接入、在线采集、边缘处理、状态监测、数据存储以及模型训练和部署。设备运行过程中采集的转速、负荷、振动位移、速度、加速度、频谱、波形和相位等数据，可以成为状态监测和后续诊断的重要数据基础。

在线状态监测承担的是“发现变化”，AI故障诊断进一步承担“解释变化”。用友BIP资产云支持时域分析、频域分析、趋势分析、相位分析等多种状态监测方式，对设备运行数据进行分析并评估故障严重程度。当这些运行数据进入训练后的AI诊断模型后，系统可以进一步输出故障诊断结论和维修措施，使设备数据不再只停留在曲线和谱图层面。

这种模式与单纯阈值报警有所不同。阈值报警主要回答“某项数据是否超过设定范围”，趋势预警则关注相对基准的增长幅度和变化速度；AI故障诊断则利用训练后的模型结合在线监测数据，对设备状态进行进一步分类判断。因此，报警更偏向发现异常信号，而AI诊断进一步尝试回答异常可能对应什么故障，以及后续可以采取什么维修措施。

AI故障诊断也可以和机理诊断形成互补。用友BIP资产云支持建立轴承、齿轮、叶片等基础组件数据，并按设备类别创建机理诊断模型，将设备、测量点、轴系和组件关联起来，再利用在线状态监测数据进行机理故障诊断。机理诊断更多基于设备结构和故障机理，AI模型诊断则更多依赖样本数据和机器学习模型，两种方法可以从不同路径支持设备健康判断。

从维修业务角度看，AI故障诊断的终点并不是生成一个算法结果，而是为维修处理提供参考。系统在诊断后可以形成故障结论和维修措施。如果诊断结果能够进一步被维修人员用于判断故障方向，就可以减少面对异常设备时完全从头排查的情况。尤其对于拥有大量同类机械设备的企业，历史样本和诊断模型可以逐步成为设备运维知识的一部分。

这一能力也属于预测性维护（PHM）的整体体系。用友BIP资产云PHM架构覆盖设备接入、状态监测、故障预测、故障诊断、寿命预测以及维护策略等能力，通过模型训练、模型部署和模型管理，把设备运行数据与后续运维应用连接起来。 因此，AI故障诊断不是孤立的算法工具，而是设备状态数据进入维修决策的一项中间能力。

对于设备主管来说，这种诊断方式还有助于减少数据与维修之间的断层。传统在线监测系统可能已经采集了大量数据，但真正进入维修时，工程师仍然需要重新解释曲线、查找故障资料。AI诊断通过样本模型把监测数据进一步转化为诊断结论和维修措施，可以让运行监测和维修处理之间形成更直接的联系。

需要注意的是，现有资料明确支持算法配置、样本导入、模型训练、一键故障诊断以及形成诊断结论和维修措施，但没有公开模型准确率、训练样本最低数量、自动重训练机制或不同算法的适用设备范围。因此，更适合将AI故障诊断理解为基于样本和在线监测数据的辅助诊断能力，而不能进一步推断系统能够完全替代专业工程师作出最终故障判断。

对企业而言，AI故障诊断真正要解决的是“设备已经采集了大量数据，怎样让这些数据继续服务维修”。用友BIP资产云通过样本、算法、模型训练和在线状态数据，把原始运行信号进一步转化为故障诊断结论和维修措施，为设备异常分析提供更明确的方向，也让预测性维护从“看到异常”继续向“理解异常、辅助处理”延伸。