“智赋万企”行动强调用人工智能、工业互联网、数据要素等技术赋能企业生产、管理和服务环节而黑客松场景更看重在有限时间内把一个“鬼点子”快速变成可演示、可验证、可落地的原型。本项目面向中小制造企业提出一个 Python 驱动的轻量级方案设备异常监测与工单助手。它不追求一开始就替代 MES、ERP 或复杂工业平台而是先用较低成本解决三个常见问题设备运行数据分散异常发现依赖人工巡检报警信息零散缺少自动分级和记录现场人员发现问题后工单记录不规范后续复盘困难。因此本项目的核心目标是用 Python 模拟设备数据检测异常自动生成工单并通过命令行或简单 Web 界面展示结果形成“监测—预警—记录—复盘”的闭环。二、方案总体设计系统采用模块化设计分为五层模块职责实现方式数据模拟层模拟设备温度、振动、转速等数据Python 随机数与时间序列异常检测层判断设备是否超出正常范围阈值规则 滑动窗口统计工单生成层把异常事件转化为可追踪工单JSON/CSV 持久化展示交互层提供查询、统计和演示界面命令行 可选 Streamlit扩展接口层预留企业系统对接能力HTTP API / 消息队列 / 数据库这种设计符合黑客松开发节奏先用最小可行产品验证价值再逐步接入真实设备数据、企业知识库和数字员工流程。三、核心代码实现下面给出一份可直接运行的 Python 原型代码。它不依赖复杂框架适合在黑客松现场快速演示。importjsonimportcsvimportrandomimporttimeimportuuidfromdatetimeimportdatetime,timedeltafrompathlibimportPath# 模拟设备配置DEVICES[{id:DEV-001,name:注塑机A,location:车间1},{id:DEV-002,name:冲压机B,location:车间2},{id:DEV-003,name:包装机C,location:车间3},]# 正常阈值THRESHOLDS{temperature:{min:60,max:90},vibration:{min:0.2,max:2.5},speed:{min:1400,max:1600},}WORK_ORDER_FILEPath(work_orders.csv)ALERT_LOG_FILEPath(alert_log.json)defgenerate_device_data(device:dict)-dict:模拟一条设备运行数据nowdatetime.now()temperatureround(random.uniform(55,95),2)vibrationround(random.uniform(0.1,3.0),3)speedround(random.uniform(1380,1620),1)return{timestamp:now.isoformat(),device_id:device[id],device_name:device[name],location:device[location],temperature:temperature,vibration:vibration,speed:speed,}defdetect_anomalies(data:dict)-list[dict]:基于阈值规则检测异常anomalies[]formetric,limitsinTHRESHOLDS.items():valuedata.get(metric)ifvalueisNone:continueifvaluelimits[min]:anomalies.append({metric:metric,value:value,level:warning,message:f{metric}偏低{value}低于{limits[min]},})elifvaluelimits[max]:anomalies.append({metric:metric,value:value,level:critical,message:f{metric}偏高{value}超过{limits[max]},})returnanomaliesdefcreate_work_order(device:dict,anomalies:list[dict])-dict:生成工单记录work_order_idWO-uuid.uuid4().hex[:8].upper()nowdatetime.now()highest_levelwarningforainanomalies:ifa[level]critical:highest_levelcriticalbreakwork_order{work_order_id:work_order_id,device_id:device[id],device_name:device[name],location:device[location],status:待处理,priority:highest_level,created_at:now.isoformat(),anomalies:anomalies,summary:; .join([a[message]forainanomalies]),}returnwork_orderdefsave_work_order(work_order:dict):将工单写入 CSVfile_existsWORK_ORDER_FILE.exists()andWORK_ORDER_FILE.stat().st_size0withopen(WORK_ORDER_FILE,a,newline,encodingutf-8-sig)asf:writercsv.DictWriter(f,fieldnames[work_order_id,device_id,device_name,location,status,priority,created_at,summary,],)ifnotfile_exists:writer.writeheader()writer.writerow({work_order_id:work_order[work_order_id],device_id:work_order[device_id],device_name:work_order[device_name],location:work_order[location],status:work_order[status],priority:work_order[priority],created_at:work_order[created_at],summary:work_order[summary],})deflog_alert(device:dict,data:dict,anomalies:list[dict]):记录原始告警日志alert{alert_id:uuid.uuid4().hex[:10],timestamp:data[timestamp],device_id:device[id],device_name:device[name],data:data,anomalies:anomalies,}logs[]ifALERT_LOG_FILE.exists():try:logsjson.loads(ALERT_LOG_FILE.read_text(encodingutf-8))exceptException:logs[]logs.append(alert)ALERT_LOG_FILE.write_text(json.dumps(logs,ensure_asciiFalse,indent2),encodingutf-8)defrun_simulation(rounds:int10,interval:float1.0):运行模拟监测print( 智赋万企·鬼点子计划设备异常监测与工单助手 )print(f开始模拟监测共{rounds}轮间隔{interval}s\n)foriinrange(rounds):print(f--- 第{i1}轮监测 ---)fordeviceinDEVICES:datagenerate_device_data(device)anomaliesdetect_anomalies(data)ifanomalies:print(f[告警]{device[name]}发现异常)forainanomalies:print(f -{a[message]})work_ordercreate_work_order(device,anomalies)save_work_order(work_order)log_alert(device,data,anomalies)print(f 已生成工单{work_order[work_order_id]})else:print(f[正常]{device[name]}运行平稳)time.sleep(interval)print(\n 监测结束 )print(f工单文件{WORK_ORDER_FILE})print(f告警日志{ALERT_LOG_FILE})if__name____main__:run_simulation()四、代码解析数据模拟层generate_device_data负责生成设备运行数据。真实场景中这里可以替换为 PLC、传感器、OPC UA、MQTT 或企业 API 数据。黑客松阶段使用模拟数据可以快速验证流程。异常检测层detect_anomalies采用阈值判断。如果温度、振动或转速超过上限或低于下限就会生成告警。该规则简单直观便于现场演示。后续可以升级为滑动窗口均值、标准差检测、Z-Score、孤立森林或时序模型。工单生成层create_work_order把异常事件转化为工单包含工单编号、设备信息、优先级、时间和摘要。save_work_order使用 CSV 存储方便非技术人员用 Excel 打开查看。日志记录层log_alert保存原始告警数据用于后续复盘、模型训练或接入企业知识库。JSON 格式适合保存结构化嵌套数据。运行入口run_simulation是主流程循环读取设备数据、判断异常、生成工单并输出结果。整个流程清晰适合评委快速理解。五、项目亮点贴合“智赋万企”场景项目不是单纯做算法演示而是围绕设备监测、异常预警、工单记录等真实企业痛点展开符合制造业数字化、智能化改造方向。适合黑客松快速交付代码结构清晰模块之间低耦合可以在 48 小时内完成原型开发、演示和扩展。先实现核心闭环再逐步加入可视化、知识库和自动派单功能。具备工程化扩展空间后续可将 CSV 替换为 SQLite、MySQL 或 PostgreSQL将命令行界面升级为 Streamlit 或 FastAPI将阈值规则升级为机器学习模型也可以接入企业微信、钉钉或邮件通知。可与 AI 智能体结合工单生成后可以调用大模型自动生成处理建议例如“建议检查冷却系统”“建议校准振动传感器”“建议安排停机检修”。这与企业级数字员工方向一致。代码可打包演示该原型后续可通过pyinstaller打包为独立可执行程序便于在非开发环境中演示。若进一步接入网页看板也可结合selenium做自动化巡检演示例如自动登录企业后台、抓取设备状态页面并生成日报。六、后续优化方向接入真实数据对接传感器、数据库、MQTT 消息或企业 API。增强异常检测引入滑动窗口、统计模型和机器学习算法。增加可视化看板展示设备状态、告警趋势、工单处理率。接入通知渠道支持企业微信、钉钉、邮件或短信提醒。构建知识库助手把设备手册、维修记录和历史工单整理成检索库辅助现场人员排查问题。完善权限与审计增加用户角色、操作日志和数据权限控制。七、总结本项目以 Python 为核心围绕“设备异常监测 工单自动生成”构建了一个轻量级企业助手原型。它既符合“智赋万企”对企业数字化、智能化改造的需求也符合黑客松强调快速验证、场景落地和可演示性的特点。在后续迭代中可以继续加入 AI 诊断、可视化看板、自动化巡检和企业系统集成使其从竞赛原型逐步演进为可落地的中小企业智能运维工具。
