在制造业快速发展和大数据时代的背景下,设备的复杂程度、精密程度不断增加,设备维修管理被越来越多的企业重视,设备维修方案的相关推荐方法也得到很多人的关注。将人工智能应用到维修推荐方案上,进一步改善设备维修工作,辅助维修人员做出更好的维修策略,减少因设备故障给企业带来的损失。本文以车辆设备维修作为研究对象,从车辆故障问题匹配和维修方案决策两个方面对维修方案推荐方法进行研究。基于历史故障问题,依据本文提出的融合文本相似度算法找出相似故障,根据故障的相似标签得到故障的所有解决方案,依据历史维修数据构建方案的决策树实现对维修方案的推荐。车辆故障问题匹配中故障问题存在语言表达多样性、复杂性问题,本文从故障问题关键词相似度和句子相似度两个方面计算故障问题的匹配程度。针对故障问题的关键词相似度,采用层次分析法,融合关键词的向量相似度、词语相似度和词序相似度得到关键词相似度;针对故障问题的句子相似度,采用Bert预训练模型计算故障问题的句子相似度,Bert模型无法处理长文本序列问题,通过Text Rank算法实现对文本过长的故障问题做文本摘要提取,再输入到Bert预训练模型实现句子相似度的计算;在得到故障问题的句子相似度和关键词相似度后,通过相似度融合得到融合文本相似度算法,实现故障问题的匹配。在维修方案决策中,通过决策树算法,依据每个维修方案的维修时间、维修费用、车辆使用寿命、车辆损坏情况4个决策条件,以维修人员对维修方案的满意度为最终决策目标构建决策树,实现维修方案的推荐。本文采用百度汽车大师问答与推理数据集上进行了验证,实验结果表明,本文提出的融合文本相似度算法的精确率达到了90.64%,F值达到了90.46%,能够完成故障文本匹配的需求,基于融合文本相似度算法的维修方案推荐方法也达到了预期的目标,满足企业的基本需求。最后,实现了一套设备管理及维修保障可视化平台,实现设备全生命周期数据的采集与统计分析。目前,该系统已经在某企业投入使用,系统稳定运行,完成了企业内部数万台设备的管理及维修保障工作。其中小型车辆维修推荐模块取得了预期的目标,具有很好的应用价值。