平台不替代壁挂炉本地安全保护，也不替代工程师的现场检查与维修。趋势预警、AI 辅助诊断、寿命趋势评估和维修后数据验收等能力，仍需在具体场景中持续验证。
小沃大数据云服务平台把设备运行信息、服务过程和用户记录连接起来，帮助工厂、经销商与工程师在处理问题时获得更多参考信息。平台通过设备感知、本地安全、数据平台、诊断分析和服务应用五个层次，支持设备档案、服务记录、工单协同与排查线索沉淀。
平台不替代壁挂炉本地安全保护，也不替代工程师的现场检查与维修。趋势预警、AI 辅助诊断、寿命趋势评估和维修后数据验收等能力，仍需在具体场景中持续验证。
图 1 小沃大数据云服务平台总体架构。图中为技术架构与服务协同关系，具体功能以实际开通情况为准。
平台解决什么问题？
壁挂炉出现异常时，屏幕上的故障代码只是排查的起点。问题发生前，水温、水压、流量、点火和火焰状态是否有变化？它是偶发情况，还是已经持续了一段时间？此前做过哪些维修，处理后是否再次发生？
这些信息越完整，服务人员的判断依据就越充分。小沃大数据云服务平台的作用，是把设备运行和售后服务接到同一条信息链路中：设备感知运行状态并传送信息，后台对信息进行组织和分析，工厂、经销商及当地工程师据此开展排查与服务，用户可在适用范围内查询与自身设备有关的保修、保养和服务记录。
平台运维支持覆盖小沃所有机型。设备需要完成相应接入并保持正常联网，方可向服务系统提供信息；可读取的数据项与可使用的功能，仍取决于设备配置、产品版本和已开放的服务能力。
五层架构：信息如何进入服务过程
设备感知层：记录运行时发生了什么
壁挂炉运行过程中，温度、流量、压力、点火、火焰和运行状态等信息，分别反映不同环节的工作情况。单看一个数值往往不足以还原问题，把多项信息放在同一时间段里观察，才能帮助服务人员了解异常发生时的工况。
例如，用户反馈生活热水不稳定时，服务人员可结合当时的用水量、设备负荷、温度响应和其他运行信息，补足用户口述和现场观察尚未覆盖的部分，为后续检查提供线索。
本地安全层：安全保护不以联网为前提
设备当前运行中的基本保护，由本地控制与保护机制承担。即使网络中断，设备仍应依靠自身机制执行相应的报警、停机和保护动作。
联网和云端分析不能替代本地安全保护，也不能替代专业人员的现场检查和维修。这是平台使用中的基本边界。
数据平台层：让设备形成可查询的档案
后台收到信息后，需要先确认它属于哪一台设备、发生在什么时间，以及是否与既有异常和维修有关。平台将设备信息、运行数据、故障标签和维修结果关联起来，逐步形成“一机一档”。
设备使用与服务记录不断积累后，服务人员可以查询它曾出现过什么情况、接受过哪些处理。同类异常再次出现时，可结合前一次处理结果继续排查。现场确认的故障原因和处理结果，也会成为后续技术分析的参考。
诊断分析层：把数据转化为排查线索
诊断分析包括云端分析和本地分析。规则清晰的情况，可以依据技术规则识别特定状态；原因较复杂的异常，则需结合多项数据、时间趋势、历史案例和专业判断，逐步缩小排查范围。
平台的分析结果用于帮助判断，不等同于自动给出故障结论。涉及安全、维修和更换的决定，应由专业人员结合现场情况确认。
服务应用层：让信息服务于实际处理
在符合权限和服务条件的情况下，平台可支持工单管理、任务派发与进度跟踪。设备档案、维修记录等信息会持续积累，成为下一次服务的参考，让服务过程不止停在一次报修或一次上门。
从发现问题到解决问题：服务闭环如何形成
平台将设备运行、服务判断和现场处理串联为一条连续链路：
设备运行 → 数据采集 → 异常发现 → 服务判断 → 工单 → 工程师维修 → 维修验收 → 设备档案
图 2 从发现问题到解决问题的服务闭环。异常发现和服务判断用于支持服务决策，不替代设备安全保护或专业人员的现场判断。
| 环节 | 平台与服务动作 |
|---|---|
| 设备运行 | 壁挂炉持续运行，产生相应运行数据。 |
| 数据采集 | 采集温度、流量、压力、点火、火焰等运行信息。 |
| 异常发现 | 基于多维数据分析，识别需要进一步核查的异常变化与潜在风险。 |
| 服务判断 | 结合设备状态、历史记录和专业知识，判断问题类型与处理方向。 |
| 工单 | 根据服务判断生成工单，并分配相关人员。 |
| 维修 | 工程师到场后，按照排查建议进行检查、维修或保养。 |
| 验收 | 对比维修前后的运行数据，辅助确认异常是否消除，完成服务验收。 |
| 设备档案 | 将故障原因、处理结果和服务记录归档，形成长期设备档案。 |
工单显示完成，代表服务流程推进到了相应节点，并不单独证明设备已经恢复正常。维修前后运行数据的对比，以及现场确认的原因和处理结果，能为验收提供参考。维修后的数据验收仍需持续完善和验证。
后台如何辅助排查？
判断设备状态，最直观的方式是查看某项参数是否超出设定范围。但有些变化即使还没有超限，也值得进一步关注：多项参数为什么同时变化？与历史表现相比，是否持续偏离？是继续观察，还是安排检查？
小沃智能分析体系包含以下四类方法，各自承担不同工作。
| 方法 | 主要作用 | 使用边界 |
|---|---|---|
| 规则引擎 | 依据明确技术规则识别特定情况，为处理提供判断条件。 | 适用于规则清晰、条件明确的场景。 |
| 异常检测 | 识别运行表现是否偏离正常模式，发现需进一步核查的变化。 | 输出的是排查线索，不等同于故障结论。 |
| 根因诊断 | 结合多项数据和维修案例，分析可能原因，帮助确定排查方向。 | 仍需专业人员结合现场情况确认。 |
| 寿命趋势评估 | 观察负荷、启停和状态变化等长期趋势，为维护计划提供参考。 | 需经具体场景验证，不给出确定更换日期。 |
异常预测和寿命趋势评估，不表示后台能够准确预知所有故障，也不能为每个部件计算确定的更换日期。相关能力的效果，需要以准确率、漏报率、预警提前量等实际指标持续验证。
不同异常，关注不同线索
小沃智能运维方案正在重点推进和验证结垢、微漏水、堵塞、燃烧异常、部件寿命，以及 AI 维修助手等方向。前五类与设备状态有关，AI 维修助手则直接服务于维修人员的工作。
| 场景 | 可关注的线索 | 服务提示 |
|---|---|---|
| 结垢 | 温度、流量、运行负荷与换热表现。 | 一次温度偏高不足以说明已经结垢，应结合趋势与现场检查判断。 |
| 微漏水 | 压力是否持续变化，以及其他相关信息。 | 压力变化只是线索，仍需进一步确认原因。 |
| 堵塞 | 流量、压力等信息之间的关系。 | 需结合设备工况和现场检查缩小范围。 |
| 燃烧异常 | 点火、火焰及相关运行状态。 | 应采用更严格的规则，并进行人工复核。 |
| 部件寿命 | 负荷、启停、保养与长期变化。 | 用于观察可能的衰减趋势，为维护安排提供参考。 |
| AI 维修助手 | 可能原因、排查顺序、配件准备、验收要求、技术知识和历史案例。 | 用于辅助工程师整理和调用信息，最终判断与现场操作仍由专业人员负责。 |
这类分析真正需要说清的，是数据变化与设备状态可能有什么关系、下一步还应检查什么、哪些判断尚缺证据。只有这样，分析结果才会变成可执行的检查建议。
发现异常后，如何分级处理
后台发现异常后，不同问题应按性质和风险分级处理。
- 远程处理：对适合远程处理的问题，由专业人员提供指导，或在适用条件下进行非安全类调整。
- 计划上门：对需要清洗、保养或进一步检查的问题，安排计划上门服务。
- 保护与紧急处置：涉及高风险的情况，进入相应的保护与紧急处置流程。
分级处理有助于服务团队安排工作，也能避免所有提示都走同一流程。无论采取何种服务方式，联网与云平台都不能替代设备自身的安全保护，更不能替代专业人员的现场检查与维修。
工程师、经销商和用户分别能得到什么
工程师上门前，可通过设备档案、历史问题和分析线索，提前了解需要关注的方向，例如设备型号、既往问题、异常发生前的运行变化、上一次处理方式等。复杂故障依然需要工程师经验，平台的作用是让上门前的准备更有依据。
对经销商而言，设备运行信息和历史服务记录形成关联后，异常发生时可获得比用户口述更完整的参考信息。能否减少重复上门、提高首次修复率，仍应以实际服务结果验证。
用户可在小沃云家 APP 查询相应设备的保修状态、历史订单、售后记录、延保与保养服务；工厂后台可按设备查询订单、保修信息和保养权益，并由有权限的人员发起工单。具体可查询项目、适用设备及服务权益，以 APP 页面、设备配置、区域政策及实际开通情况为准。
结语
云平台能够提供多深入的运维支持，取决于它能获得哪些运行信息、能否查询历史记录、分析结果能否帮助专业判断，以及这些信息能否及时交到实际处理问题的人手中。
小沃大数据云服务平台将设备端的感知与控制、工厂端的数据分析和技术支持、当地工程师的现场服务，以及用户端的权益与记录查询衔接起来。当前，用户可通过小沃云家 APP 查询相应设备的保修状态、延保与保养服务及已有售后记录；趋势预警、AI 辅助诊断和自动验收等更深入的能力，仍按分阶段验证路线持续推进。
