上海天占智能科技有限公司

高端装备故障预测与健康管理

Prognostics and Health Management (PHM) for High-End Equipment

针对高可靠、高安全、长寿命的高端装备，依托自研天占时序-文本多模态大模型，天占智能在PHM领域构建核心优势。通过自然语言交互的方式，深度挖掘设备全生命周期时序数据，精准捕捉运行状态变化规律，实现潜在故障的提前预警与健康趋势预判，相较传统方案大幅提升故障预测精度与运维效率，为提高设备安全可靠运行、降低运维成本提供智能决策支撑。
私域知识图谱与智能中枢

Private Domain Knowledge Graph & Intelligence Hub

聚焦人工智能大模型本地化部署，提供全流程解决方案。依托大模型持续预训练与微调技术，助力客户实现大模型本地落地，同步构建专属私域知识库与知识图谱，深度整合内部数据资源，实现知识的高效沉淀、智能检索与关联分析。方案兼顾数据安全与使用灵活性，让企业轻松拥有定制化知识管理能力，赋能业务决策与管理创新。
复杂场景下的图像感知

Image Perception for Complex Background

突破传统识别技术局限，专注攻克复杂背景和极端天气下的高难度场景识别难题。凭借自研核心算法，在军工级场景（如机场跑道异物检测、低空障碍物、3D重建等）中实现超高精度识别，精准捕捉微小目标、快速响应复杂环境变化，有效满足复杂场景对图像识别的严苛需求。
天占时序大模型延伸应用

Extended Applications of Tianzhan Time-Series Large Model

自研的天占时序-文本多模态大模型，具备强大的多维度时序数据挖掘能力，可精准捕捉数据周期性与趋势性特征，已广泛延伸至极端天气预警、风电、钢铁等行业。能为供应链优化库存预测、智慧交通动态控流、金融合规风险预警等提供支持，同时助力新能源电力交易策略制定与数据中心能效提升，构建全链路预测性智能解决方案。

顶天立地
Virtue & Mastery

承袭上海交大顶天立地的治学底色，以赤诚品格坚守科技伦理，深耕AI大模型核心领域，用精湛技术打磨产品方案，为各行业注入高质量智能动能。

恪职尽责
Duty & Commitment

延续学者严谨务实的行事风格，从算法研发、场景适配到客户交付，对每个环节尽心把关，以零疏漏的标准响应需求，诠释科技企业对责任的坚守。

联融共进
Collaboration & Progress

秉持开放包容态度，深度对接国内外同行与行业客户，打破技术与场景壁垒，在联合创新中汇聚智慧，与生态伙伴协同发力，共推智能科技落地应用。

智占未来
Wisdom for the Future

依托前沿学术视野，密切关注国际AI人工智能领域前沿技术，以前瞻性布局突破行业痛点，用创新技术开拓应用场景，以引领者姿态推动产业智能升级。

关于天占
About Tianzhan

上海天占智能科技有限公司由上海交通大学航空航天学院空天智能光电技术实验室负责人李元祥教授领衔创立，深度承袭上海交大在人工智能、航空航天领域的科研底蕴与学术基因，是一家以前沿技术研发为核心的高科技企业。

依托李元祥教授团队在机器学习、图像识别、航空运维、航空气象领域的多年技术沉淀，公司以自研人工智能时序大模型、时序-文本多模态大模型、复杂场景图像识别系统为三大技术支柱，构建核心竞争壁垒。在AI技术应用层面，聚焦时序数据深度挖掘与智能分析，实现对复杂装备运行状态的精准感知与预判；在计算机视觉领域，突破传统识别技术瓶颈，攻克复杂背景和恶劣天气下的微小目标识别与环境适应难题，具备从算法研发到场景落地的全链条技术工程能力。

公司始终以“科研赋能产业”为导向，将高校实验室的前沿技术与产业实际需求深度融合，致力于以人工智能核心技术为支点，为高端制造、国防安全、智慧运维等领域提供创新性技术解决方案，推动智能科技从学术前沿走向产业应用前沿。

解决方案
Customized Solution

高端装备故障预测与健康管理

AI大模型解决方案1

航空航天领域
基于时序大模型深度分析发动机、航电系统多维度运行数据，实现故障提前预警与健康评估，为航空器安全飞行提供核心保障。
低空经济领域
针对 eVTOL 飞行器动力、飞控系统，构建实时健康监测模型，实现故障预测与状态评估，支撑低空出行安全运营。
新能源风机领域
实时监测风机主轴、齿轮箱等关键部件的振动、温度时序数据，精准预判设备故障，大幅降低运维成本并提升发电效率。
高端制造领域
覆盖半导体设备、工业机器人核心部件，分析运行时序数据实现预测性维护，显著减少非计划停机与生产损失。
轨道交通领域
采集高铁、城市地铁的轮轴、牵引系统、制动装置时序数据，实时监测部件健康状态，提前预警故障风险，保障轨道交通安全高效运行。
新能源储能领域
通过锂电池充放电全周期时序数据建模，预警电池衰减与热失控风险，有效延长储能系统使用寿命并保障运行安全。

私域知识图谱与知识智能中枢

AI大模型解决方案2

民航航空领域
构建覆盖培训、售后运维的专属知识图谱，整合机型维修手册、故障案例与适航规范，助力人员高效学习与快速排查问题。
新能源汽车领域
搭建维修培训知识中枢，关联不同车型故障数据、维修流程与零部件规格，赋能技师精准维修与新人快速上手。
教育培训领域
定制学科或职业培训知识图谱，系统化梳理知识点关联，实现个性化学习路径推荐与教学资源智能检索，提升教与学效率。
企业管理领域
打造管理知识中枢，整合制度流程、决策案例与组织架构信息，为战略制定、流程优化提供知识支撑与高效查询服务。
企业产品技术领域
构建产品全生命周期知识图谱，关联型号、规格、技术参数及应用场景，便于内部员工查询与客户快速理解产品价值。
医疗专业领域
搭建专科疾病私域知识图谱，整合诊疗方案、病例数据与药物关联信息，辅助医护人员查阅参考，提升诊疗精准度与效率。

复杂场景下的图像感知

AI大模型解决方案3

航空安全领域
基于 AI 多光谱融合算法，突破光照、天气干扰，实现机场跑道 FOD（1cm 级异物）的精准识别，响应时间＜500ms，保障起降安全。
半导体制造领域
通过 AI 微目标增强与深度学习模型，穿透晶圆封装层识别 0.1μm 级杂质、裂纹及焊球虚焊，检出率达 99.6%，替代传统人工检测。
军工安防领域
依托 AI 动态目标检测算法，在复杂战场 / 边防环境中精准识别低空无人机、越界目标，构建立体安防网络，实现全天候智能无人监控。
复杂背景反无人机领域
研发 AI 自适应跟踪模型，解决无人机高速飞行时的背景干扰问题，实现复杂场景下微小目标的持续稳定跟踪。
高端场景三维重建领域
运用 AI 点云融合与特征匹配算法，对机场、大型场馆等场景进行高精度三维重建，为场景规划、安全模拟、应急演练提供数字化支撑。
遥感监测领域
基于 AI 空间注意力机制，突破云层遮挡与地物混淆干扰，精准识别遥感图像中 25×30 像素级农村小房屋、河流小船只等目标，赋能资源普查与环境监测。

天占时序大模型泛化延伸应用

AI大模型解决方案

商业供应链管理领域
基于历史供需、库存及市场波动时序数据建模，精准预测商品补货量与仓储需求，优化库存周转效率，降低缺货与积压风险。
智慧交通管控领域
融合历史车流量、天气、节假日等时序数据，预测道路拥堵趋势，动态优化红绿灯配时与交通管制策略，提升通行效率。
金融合规风控领域
分析金融从业者操作行为时序数据，识别异常交易、违规操作的行为模式，提前预警道德风险与操作风险，强化合规管理。
精准气象预警领域
整合气压、风速、温湿度等长时序气象数据，构建多变量预测模型，精准预判台风路径、强降雨等极端天气，支撑防灾减灾决策。
新能源电力交易领域
融合新能源出力、电网负荷、电价波动等时序数据建模，精准预测日前及实时节点电价，辅助绿电、现货等交易策略制定，提升交易收益。
数据中心能效优化领域
采集服务器功耗、机房温湿度、业务负载等时序数据，预测 24 小时能耗曲线与热场分布，动态调控空调风速与服务器资源，实现能耗成本下降。

成功案例
Successful Case

东方航空预测性维修监控平台

作为中国三大国有骨干航空公司之一，中国东方航空（以下简称“东航”）运营着超过800架飞机，其中窄体机（如A320系列、B737系列）占比超60%，宽体机（如A350、B787）占比约20%，发动机类型覆盖CFM56、LEAP-1A、PW1100G等主流型号。

商飞客服智能诊断运营平台

商飞客机作为航空运输的主力，其安全性和可靠性至关重要。随着民航行业的发展和民用飞机数量的增加，飞行保障任务变得日益复杂。在飞机运维过程中，准确快速地排除故障对于保障飞行安全和提高客舱服务品质有着决定性作用。然而，民机系统的故障排除存在多发性、复杂性和故障定位效率低下等问题。

工业场景PHM多模态大模型

工业级多模态PHM大模型其核心是赋予机器“看、听、读、想”的认知能力。该模型能够无缝理解和工业环境中的多种信息模态（如传感器时序数据、孔探图像、异响音频、维修手册文本、三维模型等），并通过自然语言对话的方式，为工程师提供一站式、可解释、可溯源的故障诊断与维修决策支持。这将彻底改变传统依赖专家经验和零散信息拼凑的维修模式，大幅提升维修效率、准确性和安全性。

航空教育学科垂直领域大模型

航空教育垂直领域大模型基于国际顶尖的开源模型（如Qwen3、DeepSeek-V3系列）进行深度专业化训练，构建一个集成“模型能力、本体知识与培训场景”的智能系统，助力实现培训过程的个性化、管理流程的智能化以及培训资源的高效化，构建多维度赋能体系，解决传统教育中存在的内容同质化、互动性不足、效果难以量化、个性化程度低等核心痛点。我们通过提供集智能内容生成、个性化教学交互、精准学情分析于一体的AI解决方案，帮助教育机构大幅提升运营效率、教学效果与市场竞争力。

机场跑道异物（FOD）识别预警系统

机场跑道异物（简称FOD）泛指跑道上可能损伤航空器或系统的某种外来物质，比如掉落的螺丝、螺母等。跑道上的某些异物，对起降中的飞机有严重的安全威胁甚至引发灾难。据统计，全球每年因FOD而造成的损失超过130亿美元，我国每年由FOD引起的飞行安全事件也超过5000起。

低空飞行电线检测系统

低空飞行电线检测系统通过生成复杂背景下电线图像和像素标签的成对仿真数据，将U-net网络结构加以改进并使用聚焦损失函数来平衡大量负样本的影响，最后将可见光和红外图像融合实现综合识别。随着低空经济快速发展（无人机物流、eVTOL飞行器、通用航空等），低空电线（高压输电线、通信线、低压线路）碰撞事故已成为主要安全隐患之一。

台风客观定位/定强系统

台风客观定位定强系的主要是基于风云四号02批静止气象卫星多通道扫描成像辐射计全圆盘红外通道L1级数据和快速成像仪红外通道L1级数据，通过计算机识别和提取表征台风强度的台风云型特征（台风眼、螺旋云带等）、云顶温度、眼区温度、中心密闭云区等特征参数，建立西北太平洋和南海台风强度客观估计系统。

低空风切变告警系统

低空风切变告警系统利用机场多普勒激光雷达数据进行风切变预测，实现集风场预测、风速显示、风廓线提取、风切变斜坡提取、风切变告警于一体的风切变告警仿真系统。低空风切变（尤其是微下击暴流、逆温层引发的风速/风向突变）是航空安全的“隐形杀手”，全球约15%-20%的飞行事故与其直接相关（尤其起降阶段）。

基于BasGPT跨机型气源系统诊断与预测大模型

源系统是飞机的“动力血脉”，为发动机启动、机舱增压、空调系统、液压系统等关键功能提供高压空气（通常压力范围15-50psi，流量0-500ppm），其可靠性直接影响飞行安全与运营效率.BasGPT时序信号诊断与预测大模型是实现故障预警、能效优化、生产调度的核心技术，在工业4.0与智能制造背景下，

基于RmGPT旋转机械诊断与预测大模型

旋转机械是航空器的“动力核心”（如发动机压气机/涡轮转速高达10,000-30,000rpm，直升机旋翼承受周期性气动载荷），其故障具有隐蔽性强（早期振动/温度变化微小）、耦合性高（叶片-轴承-转子系统相互影响）、安全后果严重（空中停车或叶片断裂可能导致机毁人亡）三大典型特征。

合作伙伴
Cooperative Partner

民航领域

空天领域

国内大厂

知名院校

创始人—李元祥教授
Originator — Professor Li YuanXiang

学术与专业任职

上海交通大学航空航天学院教授、博士生导师，上海交通大学空天智能实验室负责人。
上海市民用飞机健康监控工程技术研究中心技术委员会委员。
中国图象图形学会图像智能边缘计算专委会委员。

教育与访学经历

清华大学电子工程系博士，深度参与中国初代OCR智能图文信息处理研究室工作。
新加坡国立大学博士后，美国密歇根大学访问学者。
国防科技大学任职多年，专注教学和科研工作，主持多项国防空天领域重大科研项目。

科研与项目成果

主持国家自然科学基金、863 计划、高分重大专项、装发慧眼行动等国家级、省部级项目 60 余项。
发表学术论文 200 余篇，授权发明专利 20 项、软件著作权 8 项，参与编撰专著 3 部。
荣获教育部科技进步一等奖、技术发明二等奖等多项权威奖项。

产业与主攻方向

顺应上海交大科技成果阳光转化政策，2024年9月创立上海天占智能科技有限公司。
聚焦PHM健康管理、图形图像识别、知识图谱、时序大模型等前沿领域的技术研发和产业化应用。
多款产品成功落地并应用于东航、商飞、中航、兵器工业集团、国家气象中心等核心单位。

团队荣誉
Team honor

点击查看大图

专家委员聘书

点击查看大图

挑战杯金奖

点击查看大图

天智杯优胜奖

点击查看大图

琶洲大赛冠军

点击查看大图

天智杯优胜奖

点击查看大图

挑战杯铜奖

核心技术
Core Technology

PHM时间序列大模型

PHM时序-文本多模态大模型

实际工业场景中的高端装备结构种类繁多、构型差异大、故障机理多样；传感器数目、安装位置、采样频率差异大，难以用一个通用模型进行诊断和预测性维护。提出PHM时序大模型，通过构建统一的信号编码结构、自监督的预训练机制与多任务融合的适配框架，突破传统诊断模型依赖标签、难以迁移的瓶颈，实现了从“设备特定模型”向“通用基础模型”的跃升。

航空发动机等高端装备监控场景中，工程师需分析海量多通道传感器数据，以判断设备状态并制定维护决策。传统方法依赖专家经验，缺乏自然语言交互能力，难以处理大规模数据。提出 ITFormer架构及“时间序列问答”新任务；突破高维时序信号与冻结LLM语义空间难以对齐、跨模态特征融合低效的难题；达到仅需小于 1% 额外训练参数即可实现高精度自然语言交互式诊断的效果，构建并开源了首个大规模时序-文本多任务问答数据集 EngineMT-QA，建立了时序数据与大语言模型高效融合的新范式。

在复杂的多任务、多层次场景下，构建能够融合时间序列与自然语言的统一框架，以支持自然语言交互中的问答、推理和决策。新型框架 ITFormer（InstructTime Transformer），首次定义 Time-Series QA 这一新任务，探索从时间序列信号中回答自然语言问题的可能性。通过构建多模态问答数据集 EngineMT-QA，ITFormer实现了时间序列与文本语义的深度对齐与融合，克服了现有时间序列分析框架在自然语言交互中的局限性。

PHM时间序列大模型

PHM时序-文本多模态大模型