制造业AI这个赛道这几年喊得特别响但真正能把项目落地的人少之又少。我见过太多团队开会时拿着一张A4纸的需求清单看起来每一条都清清楚楚——识别率99%提前48小时预警误差控制在3%以内可真到产线上跑起来才发现清单上每个字背后全是坑。这份需求清单恰恰是制造业AI最被低估的地方外行看热闹觉得AI什么都能干内行看门道看到的是数据质量、工控边界、部署约束、模型漂移这一连串硬骨头。这篇文章想跟你聊聊制造业AI落地时那些需求清单背后没写出来的真实难题以及我踩过的坑。无论你是甲方工艺工程师、乙方算法团队还是想转行做工业AI的产品经理都有参考价值。1. 会议室里那张A4纸需求清单背后的潜台词1.1 一份典型需求清单长什么样先还原一份我真实见过的制造业AI需求清单。甲方是某零部件制造企业想搞一条AI质检线需求一共五条都是典型的制造业AI诉求基于AI的视觉质检系统对产线上的产品进行外观缺陷检测识别准确率不低于99%关键设备的预测性维护需提前48小时预警异常减少非计划停机基于历史数据与实时数据的产量预测误差控制在3%以内能耗优化模型对空压机、注塑机等设备的运行参数进行优化建议工艺参数推荐当出现质量波动时给操作工推荐调整方案单看清单这是不是特别正常、特别合理的需求但恰恰是这种合理会让不明内情的乙方团队一进场就跪。因为需求的每一句话背后都藏着完全不同的工业逻辑。制造业AI项目和互联网AI项目最根本的差别在于互联网AI面对的是海量用户行为数据数据量大、维度丰富、标签相对清晰制造业AI面对的是产线上一个个具体的物理设备、工艺环节和老师傅脑子里的经验。算法还是那些算法但需求清单的表达方式、验收标准、约束条件完全不同。1.2 表面需求与真实意图的对应关系我建议所有做工业AI的人都把需求清单做一次翻译你会发现很多话术底下才是真正的诉求。下面这份表格是我这些年接触了多家制造型企业之后总结出来的共性你可以拿它当参考清单上的原话真实诉求需求背后的潜台词识别率不低于99%错检和漏检的代价不对称漏检一个坏件可能赔整批货款误杀一个好件会产生报废成本你到底优化AUC还是优化漏检率提前48小时预警设备异常减少非计划停机带来的订单违约金预警早不等于预警准现场要的是少撒谎宁可不报也别乱报产量预测误差3%以内排产部门需要一个可信的输入参数他们其实不指望预测100%准但要一个可解释的区间否则没人敢用能耗优化建议降低单位产品的能耗成本参数建议必须落在工艺允许区间里否则操作工根本不会执行工艺参数推荐把老师傅的经验固化下来老师傅退休了、跳槽了经验就没法传承你会发现一条规律真正的需求清单往往不是在提技术指标而是在提管理目标。管理目标的背后是成本、效率、质量和交期AI只是实现手段。如果把识别率99%当成纯技术问题去接你会死在漏检和误杀的权衡上只有把它当成一个质量成本管理问题你才能真正找到解法。这个认知差异决定了你是做一个能交付的项目还是做一个被反复打回修改的Demo。1.3 为什么互联网AI思维在制造业会翻车我见过太多从互联网大厂出来的算法工程师拿着CV/NLP那套打法进工厂第一周就被现实教育一遍。不是说他们技术不行而是制造业AI的约束条件完全不一样。第一个约束是数据量。互联网场景下动辄上亿条数据工业场景里一个工序一个月可能就只有几百个样本其中正常样本占绝大多数缺陷样本寥寥无几。你拿大数据思维去做连训练集都凑不齐。第二个约束是错误代价。互联网推荐系统猜错一次推荐用户顶多点一下不感兴趣质检系统漏掉一个缺陷件整批次发货后可能是退货和索赔这不是算法指标能完全衡量的东西。第三个约束是系统集成。互联网AI是独立的线上服务制造业AI必须跟PLC、SCADA、MES这些老家伙打交道物理世界的滞后性、网络隔离、工控安全都会成为需求清单上没写但必须解决的问题。所以在看制造业需求清单的时候我的第一条建议是放下技术自嗨先去产线蹲两天。2. 数据才是最硬的骨头小样本、脏数据与老师傅不干了怎么办2.1 别指望凑齐漂亮的缺陷样本制造业AI第一个真正劝退人的难题就是数据。我在前面提到缺陷样本少得可怜。很多产线的良率在99%以上缺陷率只有百分之零点几。你做视觉质检需要各种类型缺陷的标注图——划痕、脏污、毛刺、缺胶、气泡每一种还得有不同角度、不同光照、不同严重程度的变体。这听起来像CV项目的基础工作但在工业现场这些样本可能要连续收集好几个月都不一定够用。那种缺样本就上数据增强的思路在工业场景要小心。旋转、翻转、加噪声对自然图像有效但对工业缺陷不一定有效因为缺陷的成像机理和生产工艺强相关你增强出来的假缺陷很可能学不到真正缺陷的本质。更靠谱的做法是跟产线、质量部门合作把过去半年甚至一年的缺陷记录翻出来看有没有图片存档、有没有对应的工艺参数记录如果连历史记录都没有那就得老老实实在产线上安排一个缺陷样本收集期同时配合工艺人员主动制造一些可控缺陷比如故意调整温度、压力来触发缺陷。但这么做又涉及报废成本和产线安全需要跟甲方反复确认边界一个不小心就会因为几块报废件被现场主管骂到怀疑人生。2.2 现场数据的三种脏法就算你搞到了样本数据干净程度也堪忧。工业数据最常见的三类脏我逐个拆开讲。第一类是采样不同步。产线上温度传感器可能每秒采一次PLC里压力变量可能每100毫秒刷新一次MES里的批次记录可能是每一小时一条。你要做设备故障预警把这三个数据源合在一起时间对齐本身就是个工程问题。我遇到过一个项目PLC里的数据带时区问题和MES的记录对不上光校准时间就把人折腾了两天。第二类是标签不可靠。设备维护记录里异常和故障的标注往往是操作工手填的不同班组的标准不一样。有的班组觉得有点异响就该报有的班组觉得还能跑就不算故障。这种标签噪声会直接污染模型训练你辛辛苦苦训出来的分类器可能学的不是故障特征而是班组填写习惯的差异。第三类是工程单位混乱。有些传感器数据已经做了非线性变换有些是百分比有些是绝对值有些变量名是德语缩写你根本不知道它代表什么。遇到这种情况别硬猜直接找现场仪表工程师逐条确认比自己反推快得多也安全得多。2.3 老师傅的经验怎么变成标注制造业AI里最有意思的数据源其实是老师傅。老师傅看一眼设备声音、摸一下产品表面就知道哪个参数要调靠的是什么是多年积累的模式识别。这种模式识别能不能变成AI的训练数据能但过程远没有想象中顺畅。我在一个注塑项目里做过这样的尝试把老师傅的判断逻辑拆解成规则。比如他判断注塑缺胶时会先看产品外观哪个部位、再查料温设定、再看保压压力曲线那就把这些条件写成标注规则用历史数据自动打标再用这些标签训练模型。你会发现老师傅的规则往往能覆盖80%的常见场景但总有一些我也说不清为什么就是感觉不对的特殊场景这时就只能在老师傅还在岗的时候安排专人跟拍跟记录做成经验知识地图。说白了AI落地有时就是在和时间赛跑——先把经验抢救下来再谈建模优化。很多企业找过来做AI其实就是老师傅要退休了想在最后几年把隐性知识固化下来这种项目技术含量未必很高但意义很大。2.4 模型上线三个月后失效才是真正的考验数据坑的最后一层也是很多项目上线即巅峰、三个月后没人用的原因分布漂移。工业现场不是静止的产品换型、原材料批次更换、季节温湿度变化、设备磨损都会让输入分布悄悄发生变化。举一个真实的例子一个热压工艺的质量预测模型上线时准确率很好到了冬天突然大幅下滑。排了半天原因发现是车间供暖开启之后温湿度变化导致传感器读数偏移进而改变了特征分布。这种问题你在离线测试阶段永远发现不了因为历史数据里就没有冬天的记录。所以做工业AI一定要有模型监控的概念——不只是算准确率还要监控特征分布是否发生偏移、告警频率是否异常、关键变量是否有跳变。这些监控项应该在需求清单阶段就跟甲方确认好否则模型退化了没人知道几个月后客户就会觉得AI不靠谱你也很难再拿到后续合作。3. 不是所有需求都该上AIAI与PLC/工控系统的边界拉扯3.1 先想清楚AI在产线上到底是决策者还是建议者很多需求清单上会写实现产线AI自动控制无人化智能工厂这种话往往来自对AI的过高期待。现实是产线上的核心控制逻辑几乎都跑在PLC、DCS这类工业控制器里它们可靠性极高、经过严格的安全认证并且是闭环控制——传感器采集、控制器计算、执行器动作。AI现在想插一脚本质上只能做两件事要么当传感器提供更好的检测和预测信号给PLC或操作工参考要么当参数优化器在后台计算推荐工艺参数由人工或上层系统确认后执行。这两件事背后是同一句话制造业AI绝大多数时候是辅助者不是决策者。别听PPT上吹的AI自主控制真要落地没人敢把安全关交给一个神经网络。对乙方来说最稳妥的定位是让AI的建议进入决策回路但保留人的最终控制权。这样既解决了实际问题又避开了安全认证和法律责任的大坑。这个定位从销售阶段就要跟客户讲清楚不然最后验收时客户拿你为什么不直接控制设备来质问场面会非常尴尬。3.2 要打通多少系统才能拿到一份干净数据需求清单里写基于实时数据建立预测模型喊起来容易做起来你才知道要从多少系统里取数。离散制造企业数据可能散落在下面这些系统里PLC/SCADA设备层实时数据如温度、压力、转速、电流MES制造执行数据如工单、批次、完工数量、工序流转ERP计划、库存、订单、物料数据QMS质量检测数据如检验项、指标值、判定结果EMS能源数据如电耗、水耗、气耗每个系统都有自己的数据库、字段规范、接口协议和数据粒度。最麻烦的是IT/OT网络隔离。很多工厂有严格的信息安全要求生产网和办公网物理隔离数据不能随意跨网传输。你模型要部署在生产网边训练数据却要导出来中间就需要摆渡、防火墙规则、审批流程。一些项目看似只做AI模型实际上一大半时间耗在了数据接入和网络打通上。我的经验是立项阶段就要把数据接入范围、网络隔离方式、接口开发责任方写清楚不然后面全是扯皮。别看客户嘴上说数据随便用等真要碰生产网的时候IT部门的安全审批够你喝一壶的。3.3 哪些看起来很美的需求注定是坑其实很多需求一出现就该警觉。我列几个典型的坑需求供各位参考全流程AI无人化风险极高涉及安全认证、复杂异常处理现阶段几乎不可能在主流制造业落地。谁接这种项目谁就是拿职业前途开玩笑。AI直接替代老师傅的判断老师傅的价值不只是判断还有现场应变和责任心AI暂时替代不了。把预期降成辅助老师傅更现实。一个平台解决所有产线的AI问题制造业场景碎片化程度极高跨工序、跨产品、跨工厂的通用模型非常难做。硬做只会陷入看起来都有、用起来都不行的尴尬。100%准确率只要不是全检之后的复判任何检测都做不到100%。这种需求一般不是技术问题是责任边界问题要在合同里明确漏检误检责任怎么划分。看到这类需求我的做法是直接和客户聊透目标是什么、失败了最坏结果是什么、谁为决策负责。如果客户不愿意聊这些那这个项目大概率要黄早发现早脱身。3.4 一条安全落地AI集成的通用路径最后给一套我实践下来比较稳的集成路径分四步走。第一步AI旁路验证模型在后台跑只输出日志和离线报告不参与任何现场决策用一两个月积累对比数据看看模型判断和实际情况的吻合度。第二步人工确认阶段AI给出建议操作工决定是否采纳同时记录采纳率和效果。这一步往往能暴露出很多模型细节问题比如建议频率太高操作工嫌烦、建议时机不对影响节奏等都是宝贵的迭代素材。第三步受限自动执行在工艺允许区间内AI可以对某些不敏感参数自动微调但超出安全边界必须报警停机。第四步全流程可控运行经历前面三个阶段充分验证后再考虑更大的自动控制范围。每一步都要有评审节点和回退方案。这样做的好处是万一模型出问题损失是可控的而且能逐步积累现场信任。信任不是靠PPT讲出来的是拿几个月不闯祸、不出错跑出来的。制造业客户一般都很朴实你跟他讲先进理念他不会太兴奋但你让他的产线少停一分钟机、少废一个件他会记在心里。4. 验收那一刻才是噩梦模型漂移、最后一个问题与产线信任4.1 离线测试99%上线怎么就变成80%这件事几乎每个工业AI项目都会遇到我也翻过车。问题根源往往不是算法退步而是离线测试和在线运行之间的数据差异。离线阶段你是用历史数据做的回测数据是静止的上线之后模型面对的是实时数据流环境在变、工况在变、数据分布也在变。再加上很多人在离线测试时犯了一个隐蔽错误随机划分训练集和测试集。时间序列数据一旦随机划分相当于让模型偷看未来测试指标自然虚高。正确做法是必须按时间顺序划分用前80%时间段的数据训练、后20%时间段的数据测试。另外一个常见坑是特征计算方式不一致。离线时候你可能用某个窗口统计量比如过去5分钟均值但上线代码里窗口滑动逻辑有偏差哪怕差一秒结果也可能天差地别。所以上线前一定要做一个离线/在线一致性验证用同一批实时抓取的数据分别跑模型脚本和线上服务比对输出是否一致不一致就一行行排查特征工程代码。这一步做完能避免很多上线后的灵异事件。4.2 客户追问为什么报警才是真正要过的坎工业AI和互联网AI的另一个本质差别是可解释性。互联网推荐算法给你推个商品你最多疑惑一下为什么推这个然后划走但工业场景里系统报警了操作工、班组长、质量经理、设备厂商都会围过来问凭什么报警依据是什么如果答不上来下一次报警就没人当回事了系统就废了。有些算法比如树模型、线性模型解释起来还容易给出特征重要度、规则路径客户能听懂但深度神经网络你只能给热力图、置信度客户不一定买账。所以我在制造业项目里会优先选可解释性强的方案实在要用深度学习也会配套一个规则引擎做兜底解释——比如模型置信度0.87同时关键特征X超过工艺上限Y%所以触发预警。这个解释当然不完美但在现场足够建立一个AI说话有依据的初步信任。4.3 部署环节的隐形门槛算力、工控机与数据不出厂验收阶段最容易被低估的是部署环境。工业现场不像云服务器网络隔离、算力受限是常态。有的工厂不允许数据上传云端模型必须部署在本地工控机或边缘设备上。这些设备往往CPU性能一般、内存不大、没有独立GPU你训练时用的ResNet可能跑不起来得换成轻量级模型或者做量化压缩。还有一个现实问题生产环境不允许随便远程登录过去改模型。有些工厂网络隔离严格算法工程师不能直接访问生产设备那监控和更新模型怎么办必须提前设计好离线升级包、模型版本管理和灰度发布机制。别小看这件事我见过不少项目就是死在模型上线后无法迭代上算法团队改了一版又一版却永远进不了现场最后只能看着模型效果一天天变差干着急。4.4 信任是陪跑出来的从报警日志到灰度试点最后谈一谈信任这件事。制造业客户对AI天然有戒心这很正常毕竟出了事故是要停产、要赔钱的。你怎么赢得信任我的经验是重视每一份报警日志。报警了、误报了、漏报了都要有记录。上线后前三个月每周给客户出一份模型行为报告统计告警数量、误报率、漏报率、采纳率让客户看到模型在持续学习、持续收敛而不是一个黑盒子。同时建议做灰度试点先选一条线、一个班次跑起来和人工/传统方式对比用数据说服客户。等这个班次的老师傅开始觉得这AI有时候还真提醒对了信任就慢慢建立起来了。制造业是个靠口碑和案例说话的领域你在一条产线上做扎实了后面的项目会好谈得多。5. 写在需求清单之外先啃哪块骨头以及我踩过的坑5.1 选课题的三个标准价值看得见、风险可控、数据基本能拿到给还在需求清单阶段迷茫的人一句实在话制造业AI不适合一上来就干革命性大项目更适合从外科手术式的小切口切入。具体挑课题我一般用三个标准衡量。第一价值要用钱说话。这个项目做完一年能给客户省多少钱、多赚多少钱如果算不清楚项目大概率做不大。视觉质检省人工、预测性维护省停机损失、能耗优化省电费这些都能算成钱。第二风险要可控。不碰安全关键环节、不影响主工艺流程、失败最多损失一个试点线这种课题最适合起步。千万别第一个项目就奔着全厂无人化去那是给自己挖坑。第三数据要有基础。现场得有历史数据哪怕乱一点、脏一点至少有东西可摸。如果现场连记录都没有那先做数据采集和数据治理再谈AI。制造业AI的第一步往往不是算法而是把你的数据管线先理顺。5.2 哪些方向最值得先试难度与收益的视角我接触过的制造业AI方向里有几个性价比相对高的列个表给各位参考。应用方向典型难度落地周期参考价值特点工业视觉质检中高3-6个月效果直观、可算成本节省但缺陷样本获取难设备预测性维护中3-6个月减少非计划停机价值大但标签和信号处理是门槛工艺参数推荐中高6个月以上能固化老师傅经验但需要工艺稳定和数据积累产量/需求预测低中1-3个月数据要求相对低可作为团队第一个练手项目能耗优化中3-6个月优化空间可量化但需接入能源数据这张表不是绝对标准但作为切入点参考足够了。我的建议是第一个项目选产量预测或视觉质检这类目标明确、价值可量化的方向更容易跑通全流程也更容易向客户展示成果。做完一个成功案例后再往外扩展其他场景会顺畅很多。5.3 谈需求时一定要问清客户的三个问题很多项目翻车根源不在技术而在需求阶段没有把边界问清楚。我现在接制造业需求必问三个问题。第一你们有多少历史数据样本量多少有没有标注如果客户支支吾吾答不上来那说明数据基础很差需求再漂亮都是空中楼阁。第二这个模型判断错了后果是什么漏检一个坏件赔多少钱误报一次停机损失多少把这个问清楚你就知道该优化漏检率还是误报率了这是技术方案的分水岭也是报价时需要重点考虑的部分。第三系统上线后谁来维护、谁来调参、谁为AI的决策负责如果客户完全没有运营团队的准备那你要么把服务包揽下来要么建议客户先别上AI。否则模型一上线没人管三个月后肯定废弃。这三个问题看着简单但每次都能问出答案背后的真相。制造业AI项目的成败往往在签合同之前就已经决定了。5.4 送我自己的一个收尾交付不是终点是养模型的开始最后再说一点个人体会。很多人把模型上线当项目结束这是制造业AI最大的误区。工业现场变化太多模型漂移、工艺调整、人员流动都会影响效果没有持续的运营和迭代AI系统迟早变成摆设。我在实际项目里倾向把交付定义为陪跑期结束而不是模型部署完成。上线后至少留一段时间跟客户一起看报警日志、一起调阈值、一起迭代特征。等模型真正稳定下来、客户自己也学会看数据了才是合格的交付。这个过程很累但它就是制造业AI区别于互联网AI的地方——你在那里多陪的每一个小时换来的是客户未来几年的信任。提示如果你正准备接制造业AI项目别被漂亮的案例和宏大的概念牵着走。先蹲产线、再谈数据、后定方案。制造业AI拼到最后拼的不是算法炫技而是你对现场的理解和敬畏。
制造业AI落地：需求清单背后的真实难题
制造业AI这个赛道这几年喊得特别响但真正能把项目落地的人少之又少。我见过太多团队开会时拿着一张A4纸的需求清单看起来每一条都清清楚楚——识别率99%提前48小时预警误差控制在3%以内可真到产线上跑起来才发现清单上每个字背后全是坑。这份需求清单恰恰是制造业AI最被低估的地方外行看热闹觉得AI什么都能干内行看门道看到的是数据质量、工控边界、部署约束、模型漂移这一连串硬骨头。这篇文章想跟你聊聊制造业AI落地时那些需求清单背后没写出来的真实难题以及我踩过的坑。无论你是甲方工艺工程师、乙方算法团队还是想转行做工业AI的产品经理都有参考价值。1. 会议室里那张A4纸需求清单背后的潜台词1.1 一份典型需求清单长什么样先还原一份我真实见过的制造业AI需求清单。甲方是某零部件制造企业想搞一条AI质检线需求一共五条都是典型的制造业AI诉求基于AI的视觉质检系统对产线上的产品进行外观缺陷检测识别准确率不低于99%关键设备的预测性维护需提前48小时预警异常减少非计划停机基于历史数据与实时数据的产量预测误差控制在3%以内能耗优化模型对空压机、注塑机等设备的运行参数进行优化建议工艺参数推荐当出现质量波动时给操作工推荐调整方案单看清单这是不是特别正常、特别合理的需求但恰恰是这种合理会让不明内情的乙方团队一进场就跪。因为需求的每一句话背后都藏着完全不同的工业逻辑。制造业AI项目和互联网AI项目最根本的差别在于互联网AI面对的是海量用户行为数据数据量大、维度丰富、标签相对清晰制造业AI面对的是产线上一个个具体的物理设备、工艺环节和老师傅脑子里的经验。算法还是那些算法但需求清单的表达方式、验收标准、约束条件完全不同。1.2 表面需求与真实意图的对应关系我建议所有做工业AI的人都把需求清单做一次翻译你会发现很多话术底下才是真正的诉求。下面这份表格是我这些年接触了多家制造型企业之后总结出来的共性你可以拿它当参考清单上的原话真实诉求需求背后的潜台词识别率不低于99%错检和漏检的代价不对称漏检一个坏件可能赔整批货款误杀一个好件会产生报废成本你到底优化AUC还是优化漏检率提前48小时预警设备异常减少非计划停机带来的订单违约金预警早不等于预警准现场要的是少撒谎宁可不报也别乱报产量预测误差3%以内排产部门需要一个可信的输入参数他们其实不指望预测100%准但要一个可解释的区间否则没人敢用能耗优化建议降低单位产品的能耗成本参数建议必须落在工艺允许区间里否则操作工根本不会执行工艺参数推荐把老师傅的经验固化下来老师傅退休了、跳槽了经验就没法传承你会发现一条规律真正的需求清单往往不是在提技术指标而是在提管理目标。管理目标的背后是成本、效率、质量和交期AI只是实现手段。如果把识别率99%当成纯技术问题去接你会死在漏检和误杀的权衡上只有把它当成一个质量成本管理问题你才能真正找到解法。这个认知差异决定了你是做一个能交付的项目还是做一个被反复打回修改的Demo。1.3 为什么互联网AI思维在制造业会翻车我见过太多从互联网大厂出来的算法工程师拿着CV/NLP那套打法进工厂第一周就被现实教育一遍。不是说他们技术不行而是制造业AI的约束条件完全不一样。第一个约束是数据量。互联网场景下动辄上亿条数据工业场景里一个工序一个月可能就只有几百个样本其中正常样本占绝大多数缺陷样本寥寥无几。你拿大数据思维去做连训练集都凑不齐。第二个约束是错误代价。互联网推荐系统猜错一次推荐用户顶多点一下不感兴趣质检系统漏掉一个缺陷件整批次发货后可能是退货和索赔这不是算法指标能完全衡量的东西。第三个约束是系统集成。互联网AI是独立的线上服务制造业AI必须跟PLC、SCADA、MES这些老家伙打交道物理世界的滞后性、网络隔离、工控安全都会成为需求清单上没写但必须解决的问题。所以在看制造业需求清单的时候我的第一条建议是放下技术自嗨先去产线蹲两天。2. 数据才是最硬的骨头小样本、脏数据与老师傅不干了怎么办2.1 别指望凑齐漂亮的缺陷样本制造业AI第一个真正劝退人的难题就是数据。我在前面提到缺陷样本少得可怜。很多产线的良率在99%以上缺陷率只有百分之零点几。你做视觉质检需要各种类型缺陷的标注图——划痕、脏污、毛刺、缺胶、气泡每一种还得有不同角度、不同光照、不同严重程度的变体。这听起来像CV项目的基础工作但在工业现场这些样本可能要连续收集好几个月都不一定够用。那种缺样本就上数据增强的思路在工业场景要小心。旋转、翻转、加噪声对自然图像有效但对工业缺陷不一定有效因为缺陷的成像机理和生产工艺强相关你增强出来的假缺陷很可能学不到真正缺陷的本质。更靠谱的做法是跟产线、质量部门合作把过去半年甚至一年的缺陷记录翻出来看有没有图片存档、有没有对应的工艺参数记录如果连历史记录都没有那就得老老实实在产线上安排一个缺陷样本收集期同时配合工艺人员主动制造一些可控缺陷比如故意调整温度、压力来触发缺陷。但这么做又涉及报废成本和产线安全需要跟甲方反复确认边界一个不小心就会因为几块报废件被现场主管骂到怀疑人生。2.2 现场数据的三种脏法就算你搞到了样本数据干净程度也堪忧。工业数据最常见的三类脏我逐个拆开讲。第一类是采样不同步。产线上温度传感器可能每秒采一次PLC里压力变量可能每100毫秒刷新一次MES里的批次记录可能是每一小时一条。你要做设备故障预警把这三个数据源合在一起时间对齐本身就是个工程问题。我遇到过一个项目PLC里的数据带时区问题和MES的记录对不上光校准时间就把人折腾了两天。第二类是标签不可靠。设备维护记录里异常和故障的标注往往是操作工手填的不同班组的标准不一样。有的班组觉得有点异响就该报有的班组觉得还能跑就不算故障。这种标签噪声会直接污染模型训练你辛辛苦苦训出来的分类器可能学的不是故障特征而是班组填写习惯的差异。第三类是工程单位混乱。有些传感器数据已经做了非线性变换有些是百分比有些是绝对值有些变量名是德语缩写你根本不知道它代表什么。遇到这种情况别硬猜直接找现场仪表工程师逐条确认比自己反推快得多也安全得多。2.3 老师傅的经验怎么变成标注制造业AI里最有意思的数据源其实是老师傅。老师傅看一眼设备声音、摸一下产品表面就知道哪个参数要调靠的是什么是多年积累的模式识别。这种模式识别能不能变成AI的训练数据能但过程远没有想象中顺畅。我在一个注塑项目里做过这样的尝试把老师傅的判断逻辑拆解成规则。比如他判断注塑缺胶时会先看产品外观哪个部位、再查料温设定、再看保压压力曲线那就把这些条件写成标注规则用历史数据自动打标再用这些标签训练模型。你会发现老师傅的规则往往能覆盖80%的常见场景但总有一些我也说不清为什么就是感觉不对的特殊场景这时就只能在老师傅还在岗的时候安排专人跟拍跟记录做成经验知识地图。说白了AI落地有时就是在和时间赛跑——先把经验抢救下来再谈建模优化。很多企业找过来做AI其实就是老师傅要退休了想在最后几年把隐性知识固化下来这种项目技术含量未必很高但意义很大。2.4 模型上线三个月后失效才是真正的考验数据坑的最后一层也是很多项目上线即巅峰、三个月后没人用的原因分布漂移。工业现场不是静止的产品换型、原材料批次更换、季节温湿度变化、设备磨损都会让输入分布悄悄发生变化。举一个真实的例子一个热压工艺的质量预测模型上线时准确率很好到了冬天突然大幅下滑。排了半天原因发现是车间供暖开启之后温湿度变化导致传感器读数偏移进而改变了特征分布。这种问题你在离线测试阶段永远发现不了因为历史数据里就没有冬天的记录。所以做工业AI一定要有模型监控的概念——不只是算准确率还要监控特征分布是否发生偏移、告警频率是否异常、关键变量是否有跳变。这些监控项应该在需求清单阶段就跟甲方确认好否则模型退化了没人知道几个月后客户就会觉得AI不靠谱你也很难再拿到后续合作。3. 不是所有需求都该上AIAI与PLC/工控系统的边界拉扯3.1 先想清楚AI在产线上到底是决策者还是建议者很多需求清单上会写实现产线AI自动控制无人化智能工厂这种话往往来自对AI的过高期待。现实是产线上的核心控制逻辑几乎都跑在PLC、DCS这类工业控制器里它们可靠性极高、经过严格的安全认证并且是闭环控制——传感器采集、控制器计算、执行器动作。AI现在想插一脚本质上只能做两件事要么当传感器提供更好的检测和预测信号给PLC或操作工参考要么当参数优化器在后台计算推荐工艺参数由人工或上层系统确认后执行。这两件事背后是同一句话制造业AI绝大多数时候是辅助者不是决策者。别听PPT上吹的AI自主控制真要落地没人敢把安全关交给一个神经网络。对乙方来说最稳妥的定位是让AI的建议进入决策回路但保留人的最终控制权。这样既解决了实际问题又避开了安全认证和法律责任的大坑。这个定位从销售阶段就要跟客户讲清楚不然最后验收时客户拿你为什么不直接控制设备来质问场面会非常尴尬。3.2 要打通多少系统才能拿到一份干净数据需求清单里写基于实时数据建立预测模型喊起来容易做起来你才知道要从多少系统里取数。离散制造企业数据可能散落在下面这些系统里PLC/SCADA设备层实时数据如温度、压力、转速、电流MES制造执行数据如工单、批次、完工数量、工序流转ERP计划、库存、订单、物料数据QMS质量检测数据如检验项、指标值、判定结果EMS能源数据如电耗、水耗、气耗每个系统都有自己的数据库、字段规范、接口协议和数据粒度。最麻烦的是IT/OT网络隔离。很多工厂有严格的信息安全要求生产网和办公网物理隔离数据不能随意跨网传输。你模型要部署在生产网边训练数据却要导出来中间就需要摆渡、防火墙规则、审批流程。一些项目看似只做AI模型实际上一大半时间耗在了数据接入和网络打通上。我的经验是立项阶段就要把数据接入范围、网络隔离方式、接口开发责任方写清楚不然后面全是扯皮。别看客户嘴上说数据随便用等真要碰生产网的时候IT部门的安全审批够你喝一壶的。3.3 哪些看起来很美的需求注定是坑其实很多需求一出现就该警觉。我列几个典型的坑需求供各位参考全流程AI无人化风险极高涉及安全认证、复杂异常处理现阶段几乎不可能在主流制造业落地。谁接这种项目谁就是拿职业前途开玩笑。AI直接替代老师傅的判断老师傅的价值不只是判断还有现场应变和责任心AI暂时替代不了。把预期降成辅助老师傅更现实。一个平台解决所有产线的AI问题制造业场景碎片化程度极高跨工序、跨产品、跨工厂的通用模型非常难做。硬做只会陷入看起来都有、用起来都不行的尴尬。100%准确率只要不是全检之后的复判任何检测都做不到100%。这种需求一般不是技术问题是责任边界问题要在合同里明确漏检误检责任怎么划分。看到这类需求我的做法是直接和客户聊透目标是什么、失败了最坏结果是什么、谁为决策负责。如果客户不愿意聊这些那这个项目大概率要黄早发现早脱身。3.4 一条安全落地AI集成的通用路径最后给一套我实践下来比较稳的集成路径分四步走。第一步AI旁路验证模型在后台跑只输出日志和离线报告不参与任何现场决策用一两个月积累对比数据看看模型判断和实际情况的吻合度。第二步人工确认阶段AI给出建议操作工决定是否采纳同时记录采纳率和效果。这一步往往能暴露出很多模型细节问题比如建议频率太高操作工嫌烦、建议时机不对影响节奏等都是宝贵的迭代素材。第三步受限自动执行在工艺允许区间内AI可以对某些不敏感参数自动微调但超出安全边界必须报警停机。第四步全流程可控运行经历前面三个阶段充分验证后再考虑更大的自动控制范围。每一步都要有评审节点和回退方案。这样做的好处是万一模型出问题损失是可控的而且能逐步积累现场信任。信任不是靠PPT讲出来的是拿几个月不闯祸、不出错跑出来的。制造业客户一般都很朴实你跟他讲先进理念他不会太兴奋但你让他的产线少停一分钟机、少废一个件他会记在心里。4. 验收那一刻才是噩梦模型漂移、最后一个问题与产线信任4.1 离线测试99%上线怎么就变成80%这件事几乎每个工业AI项目都会遇到我也翻过车。问题根源往往不是算法退步而是离线测试和在线运行之间的数据差异。离线阶段你是用历史数据做的回测数据是静止的上线之后模型面对的是实时数据流环境在变、工况在变、数据分布也在变。再加上很多人在离线测试时犯了一个隐蔽错误随机划分训练集和测试集。时间序列数据一旦随机划分相当于让模型偷看未来测试指标自然虚高。正确做法是必须按时间顺序划分用前80%时间段的数据训练、后20%时间段的数据测试。另外一个常见坑是特征计算方式不一致。离线时候你可能用某个窗口统计量比如过去5分钟均值但上线代码里窗口滑动逻辑有偏差哪怕差一秒结果也可能天差地别。所以上线前一定要做一个离线/在线一致性验证用同一批实时抓取的数据分别跑模型脚本和线上服务比对输出是否一致不一致就一行行排查特征工程代码。这一步做完能避免很多上线后的灵异事件。4.2 客户追问为什么报警才是真正要过的坎工业AI和互联网AI的另一个本质差别是可解释性。互联网推荐算法给你推个商品你最多疑惑一下为什么推这个然后划走但工业场景里系统报警了操作工、班组长、质量经理、设备厂商都会围过来问凭什么报警依据是什么如果答不上来下一次报警就没人当回事了系统就废了。有些算法比如树模型、线性模型解释起来还容易给出特征重要度、规则路径客户能听懂但深度神经网络你只能给热力图、置信度客户不一定买账。所以我在制造业项目里会优先选可解释性强的方案实在要用深度学习也会配套一个规则引擎做兜底解释——比如模型置信度0.87同时关键特征X超过工艺上限Y%所以触发预警。这个解释当然不完美但在现场足够建立一个AI说话有依据的初步信任。4.3 部署环节的隐形门槛算力、工控机与数据不出厂验收阶段最容易被低估的是部署环境。工业现场不像云服务器网络隔离、算力受限是常态。有的工厂不允许数据上传云端模型必须部署在本地工控机或边缘设备上。这些设备往往CPU性能一般、内存不大、没有独立GPU你训练时用的ResNet可能跑不起来得换成轻量级模型或者做量化压缩。还有一个现实问题生产环境不允许随便远程登录过去改模型。有些工厂网络隔离严格算法工程师不能直接访问生产设备那监控和更新模型怎么办必须提前设计好离线升级包、模型版本管理和灰度发布机制。别小看这件事我见过不少项目就是死在模型上线后无法迭代上算法团队改了一版又一版却永远进不了现场最后只能看着模型效果一天天变差干着急。4.4 信任是陪跑出来的从报警日志到灰度试点最后谈一谈信任这件事。制造业客户对AI天然有戒心这很正常毕竟出了事故是要停产、要赔钱的。你怎么赢得信任我的经验是重视每一份报警日志。报警了、误报了、漏报了都要有记录。上线后前三个月每周给客户出一份模型行为报告统计告警数量、误报率、漏报率、采纳率让客户看到模型在持续学习、持续收敛而不是一个黑盒子。同时建议做灰度试点先选一条线、一个班次跑起来和人工/传统方式对比用数据说服客户。等这个班次的老师傅开始觉得这AI有时候还真提醒对了信任就慢慢建立起来了。制造业是个靠口碑和案例说话的领域你在一条产线上做扎实了后面的项目会好谈得多。5. 写在需求清单之外先啃哪块骨头以及我踩过的坑5.1 选课题的三个标准价值看得见、风险可控、数据基本能拿到给还在需求清单阶段迷茫的人一句实在话制造业AI不适合一上来就干革命性大项目更适合从外科手术式的小切口切入。具体挑课题我一般用三个标准衡量。第一价值要用钱说话。这个项目做完一年能给客户省多少钱、多赚多少钱如果算不清楚项目大概率做不大。视觉质检省人工、预测性维护省停机损失、能耗优化省电费这些都能算成钱。第二风险要可控。不碰安全关键环节、不影响主工艺流程、失败最多损失一个试点线这种课题最适合起步。千万别第一个项目就奔着全厂无人化去那是给自己挖坑。第三数据要有基础。现场得有历史数据哪怕乱一点、脏一点至少有东西可摸。如果现场连记录都没有那先做数据采集和数据治理再谈AI。制造业AI的第一步往往不是算法而是把你的数据管线先理顺。5.2 哪些方向最值得先试难度与收益的视角我接触过的制造业AI方向里有几个性价比相对高的列个表给各位参考。应用方向典型难度落地周期参考价值特点工业视觉质检中高3-6个月效果直观、可算成本节省但缺陷样本获取难设备预测性维护中3-6个月减少非计划停机价值大但标签和信号处理是门槛工艺参数推荐中高6个月以上能固化老师傅经验但需要工艺稳定和数据积累产量/需求预测低中1-3个月数据要求相对低可作为团队第一个练手项目能耗优化中3-6个月优化空间可量化但需接入能源数据这张表不是绝对标准但作为切入点参考足够了。我的建议是第一个项目选产量预测或视觉质检这类目标明确、价值可量化的方向更容易跑通全流程也更容易向客户展示成果。做完一个成功案例后再往外扩展其他场景会顺畅很多。5.3 谈需求时一定要问清客户的三个问题很多项目翻车根源不在技术而在需求阶段没有把边界问清楚。我现在接制造业需求必问三个问题。第一你们有多少历史数据样本量多少有没有标注如果客户支支吾吾答不上来那说明数据基础很差需求再漂亮都是空中楼阁。第二这个模型判断错了后果是什么漏检一个坏件赔多少钱误报一次停机损失多少把这个问清楚你就知道该优化漏检率还是误报率了这是技术方案的分水岭也是报价时需要重点考虑的部分。第三系统上线后谁来维护、谁来调参、谁为AI的决策负责如果客户完全没有运营团队的准备那你要么把服务包揽下来要么建议客户先别上AI。否则模型一上线没人管三个月后肯定废弃。这三个问题看着简单但每次都能问出答案背后的真相。制造业AI项目的成败往往在签合同之前就已经决定了。5.4 送我自己的一个收尾交付不是终点是养模型的开始最后再说一点个人体会。很多人把模型上线当项目结束这是制造业AI最大的误区。工业现场变化太多模型漂移、工艺调整、人员流动都会影响效果没有持续的运营和迭代AI系统迟早变成摆设。我在实际项目里倾向把交付定义为陪跑期结束而不是模型部署完成。上线后至少留一段时间跟客户一起看报警日志、一起调阈值、一起迭代特征。等模型真正稳定下来、客户自己也学会看数据了才是合格的交付。这个过程很累但它就是制造业AI区别于互联网AI的地方——你在那里多陪的每一个小时换来的是客户未来几年的信任。提示如果你正准备接制造业AI项目别被漂亮的案例和宏大的概念牵着走。先蹲产线、再谈数据、后定方案。制造业AI拼到最后拼的不是算法炫技而是你对现场的理解和敬畏。
