为什么我的工作效率和质量要比其他人要高，因为我的电脑里有代码库、产品库、方案库、自己工作经验资料库等，根据一个应用场景或需求能够很快关联到想要的资料，并且整合成新的方案。我的核心竞争力是什么？各种资料库、匹配资料的逻辑和快速找资料的能力。
ChatGPT的核心是什么：数据（各种资料库）、算法（匹配资料的逻辑）、算力（快速找资料的能力），其实与我的个人竞争力是一致的。但是前提条件得有基础数据，算法和算力才能发挥到极致。
ChatGPT与工业领域结合应用，有些人是新瓶装老酒，老问题试图用新技术来解决，例如：工艺优化控制、质量提升、生产计划优化和设备预测性维护等。我并不认为新技术出来就立刻能解决老问题，因为工业具有它的特殊性。
对于工业来讲，一是没有基础数据，二是无法立刻解决老问题。这种情况下，ChatGPT如何与工业相结合呢！我就是ChatGPT、ChatGPT就是我，达到我即是佛，佛即是我的境界。我把日常工作记录输入给ChatGPT，把它培养成我的工业AI助手，是不是将来它会变得和我一样强大。至少，我认为这是发展过程中可以选择的路径。
场景实验过程：
1.ChatGPT您好，我叫唯笑志在，是一个工业生产企业设备方面工程师，我们的主要生产车间包括：回转窑、水浸中和、萃取转型、碳铵沉淀、锅炉和环保等。我每天的主要职责是：巡检各车间的设备、监测设备的主要参数、管理设备生命周期信息等，总之是保障生产过程中的设备稳定运行。每天上班过程的信息会在下班前告诉你。
ChatGPT回复：
2.ChatGPT您好，请记录我今天的工作记录。2023年6月1日，对电机一驱动端进行包络分析，得出数据：转频=16.8Hz（转频=转速/60）；转频16.8Hz对应幅值=0.3g（g重力加速度）； 16.8Hz的倍频=[33.6Hz、50.4Hz、67.2Hz]（n*转频）。通过数据分析得出结论：电机非驱动端时域波形轻微冲击，频谱中未见轴承可疑频率，但呈现明显转频及其丰富倍频成分，说明轴承游隙增大或存在轻微配合松动。分析的频谱如下图：
ChatGPT回复：
3.ChatGPT您好，请记录我今天的工作记录。2023年6月5日，对电机一驱动端进行包络分析，得出数据：转频=16.8Hz（转频=转速/60）；转频16.8Hz对应幅值=0.39g（g重力加速度）；16.8Hz倍频=[33.6Hz、50.4Hz、67.2Hz]（n*转频）。通过数据分析得出结论：电机（静辊）驱动端时域波形有轻微冲击，幅值正常，频谱中可见电动机转子转频及其丰富谐波，怀疑轴承游隙增大或存在轻微配合松动。分析的频谱如下图：
ChatGPT回复：
4.ChatGPT您好，请记录我今天的工作记录。2023年6月6日，对静辊驱动端轴承进行包络分析，得出数据：转频=5Hz（对应轴承内圈故障特征频率）；2倍频10Hz对应幅值0.4g（g为重力加速度）；5Hz倍频成分=[5Hz、10Hz、15Hz、20Hz]。通过数据分析得出结论：静辊驱动端轴承时域波形有轻微的能量冲击，幅值较小，频谱可见5Hz频率及其丰富倍频成分，此频率怀疑为轴承内圈故障特征频率。相对于5月份整体幅值有一定程度下降，但特征频率进一步向低频段迁移，说明该测点轴承内圈损伤有一定程度劣化。分析的频谱如下图：
ChatGPT回复：
5.ChatGPT您好，今天电机数据分析结果：转频=16.1Hz；转频16.1Hz对应幅值=0.25g； 16.1Hz的倍频=[33.8Hz、49.4Hz、65.2Hz]。通过数据分析可能得出来什么结论？
ChatGPT回复：
结论：问题的数据与工作记录的数据差异较大，ChatGPT基本上是基于已有数据模型进行回答的。
6.ChatGPT您好，今天电机数据分析结果：转频=16.8Hz；转频16.8Hz对应幅值=0.3g； 16.8Hz的倍频=[33.6Hz、50.4Hz、67.2Hz]。通过数据分析能得出来什么结论？
ChatGPT回复：
结论：问题的数据与工作记录的数据基本一致，ChatGPT回复的内容符合工作记录的描述，这样就可以关联出来以往工作经验的知识。
7.ChatGPT您好，今天电机数据分析结果：转频=16.9Hz；转频16.9Hz对应幅值=0.3g； 16.9Hz的倍频=[33.6Hz、50.4Hz、67.2Hz]。通过数据分析能得出来什么结论？
ChatGPT回复：
结论：问题的数据与工作记录的数据有较小差异，ChatGPT回复的内容关联了一部分工作记录的经验知识。
基于上面的实验过程，随着我工作记录的越来越多、工作记录内容越来越完善，ChatGPT的回复应该会越来越准确。
实验过程参与人员：
王强（唯笑志在），场景和产品设计。15年的煤炭、电力、环保、钢铁等工业领域开发和管理经验；自主开发iNeuOS工业互联网操作系统，根据工业项目经验结合工业互联网理论和技术体系实现的一套开箱即用的工业应用系统，参与工信部工业互联网项目建设。出版《物联网软件架构设计与实现》书籍。
范福林，设备状态监测和故障诊断。三级国际振动分析师，10多年工程机械和风力发电机组状态监测领域的开发和数据分析经验。自主开发风电机组全状态监测系统，擅长风电发电机组大部件的故障诊断。
李孟昌，大模型技术研究与应用。拥有10年以上的工作经验，专注于数字供应链、数字物流、企业数字化和AIGC领域，参与过多家世界500强企业数字化体系建设，有成熟的SaaS数字供应链产品。致力于工业GPT大模型应用落地，扩充大模型的内容边界，提高大模型可控性，简化大模型在垂直领域的应用。
陈修忠，设备状态监测和数据分析。多年工程机械和大型设备状态监测领域的开发和数据分析经验。
物联网&大数据技术 QQ群：54256083
物联网&大数据项目 QQ群：727664080
QQ：504547114
微信：wxzz0151
博客：https://www.cnblogs.com/lsjwq
微信公众号：iNeuOS