设备出现振动、温升或运行趋势异常时，企业真正需要解决的并不只是“有没有报警”，而是这些异常究竟可能对应什么设备问题。单纯依靠阈值，只能发现数据超出正常范围，却未必能够解释异常与设备结构之间的关系。用友BIP资产云在预测性维护体系中提供机理故障诊断能力，通过轴承、齿轮、叶片等基础组件数据，结合设备类别、轴系、组件和测量点建立机理诊断模型，再利用在线状态监测数据分析设备健康状态，使故障判断能够更贴近设备本身的结构和运行机理。

机理诊断首先需要建立设备结构基础。用友BIP资产云支持添加和维护轴承、齿轮、叶片等基础组件数据，并按设备类别创建相应的机理诊断模型。这一步的意义在于，系统不是只把设备当成一个整体数据对象，而是进一步理解设备内部由哪些关键部件组成。对于旋转机械等设备来说，不同部件发生异常时，振动特征和故障表现并不相同，只有把设备结构和部件信息建立起来，后续诊断才更容易对应到具体故障方向。

在模型建立后，还可以继续绑定轴系和组件信息，并关联实际设备与测量点。测量点连接的是现场采集到的运行数据，轴系和组件则体现设备内部结构，两者之间建立关联后，系统就可以知道某一组状态数据来自设备的哪个位置、对应哪个组件。这样，在线监测数据不再只是一组孤立数值，而能够和具体设备结构建立联系。

机理诊断所依赖的数据主要来自在线状态监测。用友BIP资产云可以通过物联网技术将关键设备运行状态数据在线化，并围绕设备工况、振动位移、速度、加速度、幅值、频谱、波形和相位等数据开展分析。系统还支持时域分析、频域分析、趋势分析、相位分析以及多种谱图分析方式。这些数据为判断设备当前状态提供了基础，也使机理模型能够基于真实运行情况开展诊断。

在实际诊断过程中，系统依托已经建立的机理诊断模型，并结合在线状态监测数据，对设备健康状态进行故障诊断。这种方式与完全依赖历史样本训练的AI模型诊断有所不同。机理诊断更强调设备结构、组件特性和故障机理之间的关系，因此特别适合需要结合专业设备知识理解异常原因的场景。

故障诊断过程中，预警机制也可以提供前置信号。用友BIP资产云支持阈值预警、趋势增幅预警和趋势增速预警。阈值预警关注数据是否超过设定标准，趋势增幅预警关注相较基准的增长幅度，而趋势增速预警则关注数据变化的快慢。这三类预警从不同角度识别设备状态变化，为后续进一步开展机理诊断提供依据。

例如，当某个振动测量点的数据超过阈值时，只能说明设备状态可能出现异常；如果同时发现振动趋势持续升高，问题的紧迫程度就更值得关注。再将这些数据放入与设备结构相关的机理模型中，就可以进一步分析异常可能与哪个组件或故障类型有关。系统已有的诊断分析场景中，也能够围绕松动、齿轮、转子磨损、保持架、滚动体、轴承外圈和内圈等故障指标开展判断。

图谱分析还可以为机理诊断提供更多上下文。用友BIP资产云支持传感器数据实时展示、多种谱图类型对比分析以及历史数据可视化回放。对维修工程师来说，单一时刻的数据往往不足以判断问题，通过历史趋势和频谱变化进行对比，可以帮助理解异常是突然出现，还是经过一段时间逐渐恶化，从而让故障诊断更有过程依据。

机理诊断本身也是设备预测性维护（PHM）整体架构的一部分。用友BIP资产云PHM体系包括设备接入、在线采集、边缘处理、状态监测、健康评估、故障预测、故障诊断和寿命预测等能力，并支持机理模型、规则模型和数据模型等不同分析方式。因此，机理诊断并不是一个孤立功能，而是把在线监测数据进一步转化为设备健康判断的重要环节。

与AI模型诊断相比，机理诊断和机器学习诊断可以形成不同侧重。AI故障诊断依赖样本数据进行模型训练，并利用训练后的模型和在线监测数据生成诊断结论和维修措施；机理诊断则更多依赖设备类别、轴系、组件和测量点之间的结构关系。对企业来说，两种方式并不一定需要互相替代，而可以根据设备类型、数据条件和专业管理需求分别使用。

需要注意的是，现有内容明确支持机理模型建立、组件和测量点关联、在线状态数据分析以及多种预警方式，但没有公开具体模型参数、故障判定公式、组件库覆盖范围或各类设备的诊断准确率。因此，更适合将机理故障诊断理解为基于设备结构和在线监测数据的辅助判断能力，而不能进一步推断系统能够完全替代专业工程师完成最终故障确认。

对企业而言，机理故障诊断真正要解决的是“设备已经出现异常，怎样进一步判断问题可能出在哪里”。用友BIP资产云通过组件数据、机理模型、测量点和在线监测数据之间的关联，把设备状态变化与具体结构信息连接起来，让报警不再只停留在“数值超限”，而能够继续向故障部位和故障机理分析延伸，为后续维修判断提供更有依据的参考。