这两年做制造业数字化最怕的不是技术难而是方向散。上一套MES还没理顺又要上AI质检这边BI报表还没人看那边又让你搞预测性维护。钱花了不少但业务部门始终觉得“AI是锦上添花”。所以当我看到《上海市“AI制造”场景建设指南第一期》的时候第一反应是终于有一份把“AI能干什么”落到具体工位、具体产线、具体流程上的文档了。它不是那种写满“赋能”“升级”“提速”的空文而是把工厂拆成一个一个场景再告诉你每个场景里痛点是什么、用哪类算法解、需要准备什么数据、做到什么程度算成功。这其实就是一份给工厂技术团队和AI方案商看的需求规格书。我花了两个晚上把这份指南翻完越看越觉得里面有不少值得我们做项目时直接拿过来用的东西。尤其适合三类人一类是制造业企业的CIO、自动化负责人或工艺工程师想找方向但不知道怎么立项第二类是给工厂做算法的乙方工程师想把自己那套模型能力跟真实业务对齐第三类是刚开始接触工业智能的创业者或产品经理想理解客户到底在意什么。这篇博文我就基于这份指南讲讲里面最关键的内容以及我在类似项目里踩过的一些坑。1. 指南在讲什么先搞清楚“场景建设指南”的逻辑1.1 为什么会出现这样一份指南搞工业AI的人普遍有个感受技术不缺模型不缺缺的是“对业务的一句话定义”。你跟工厂老师傅说“深度学习缺陷检测”他不接话但你说“能不能帮我看这个注塑件有没有缺料和毛边”他立刻就能带你走到机台边上。AI在制造里落地的第一关不是算法精度而是能不能把模糊的“智能化转型”翻译成具体的工序动作。这份指南本质上做了一件事建立场景地图。它把制造现场拆成若干个子领域每个子领域再往下细分成一个个可立项、可验收、可复制的场景。每个场景有明确的输入、输出、应用价值和技术成熟度。这种做法的好处是我在做项目规划时可以直接按图索骥不用再跟客户反复地聊“你到底想干什么”。所以看指南的时候不要把它当成政策汇编读要当成产品PRD读。每个场景就是一条产品需求包含建设目标、功能要求、数据要求、实施边界。这是它和其它行业报告最大的差异点。1.2 第一期重点覆盖的场景地图第一期指南里列的场景我大体归纳了一下集中在几个高频高价值区域。一个是“生产过程优化”比如工艺参数调优、产线节拍平衡、能耗优化另一个是“质量管控”包括在线缺陷检测、质量追溯、质量预测然后是“设备管理”重点是预测性维护和故障诊断再往下是“仓储物流”“供应链协同”“安全管理”等外围场景。从覆盖面看这些场景对应的都是制造里最“疼”的点设备非计划停机、不良率波动、换型慢、库存不准、排产靠老师傅拍脑袋。说实话这些不是新技术但指南把场景颗粒度切得比较细比如把“质量检测”区分为“来料检”“过程检”“成品检”三层每一层的技术路线和数据要求都不一样。这种拆法对做落地很关键因为不同阶段的质量问题对应的特征工程方法完全不同。另外“第一期”这仨字也透出一个信号场景库是动态的后续大概率会根据实际项目反馈迭代。这说明编制方也很明白场景建设不是一次搞完的顶层设计更像是一个持续生长的应用清单。2. 六个值得优先落地的标杆场景拆解我按自己的项目经验和指南里的优先级排序重点聊六个最值得先动手的场景。制造业资源有限不建议一上来就摊大饼先把这几个做透比铺十个半成品有价值得多。2.1 面向关键工序的AI视觉质检质检是制造业里AI落地最成熟、投资回报最快的一类场景。原因很简单数据好采集、效果可量化、结果立竿见影。指南里对视觉质检的建设要求写得很务实没有一上来就喊“全检替代人检”而是强调“聚焦高节拍、高重复、强疲劳的工序”。我在现场最头疼的不是模型精度而是光源。同样是检测金属表面划痕不同角度打光出来的特征能差一个量级。所以做AI质检项目时我会先安排光学工程师进场做打光实验这步没定后面采集再多图也是白费。另外要考虑过检率。工厂客户往往先关注漏检率但真正导入后天天吵的却是过检率——因为过检直接造成停机等待和物料浪费。指南里把“检测节拍”和“误判率”同时列为关键指标这个细节值得注意。2.2 关键设备的预测性维护预测性维护是概念很热、落地很虚的一个场景难就难在“故障样本极少”。设备正常情况下跑几千小时也没事故障数据就那么几条算法根本学不出来。指南里比较务实的点是它把预测性维护拆成了两个阶段第一阶段先做设备状态监测与异常报警不追求提前预测只要能在故障前几小时给出异常提示就已经很有价值第二阶段再逐步积累故障样本做剩余寿命预测。这个循序渐进的设计是对的。在实操中我更推荐先从“高频停机、高维修成本、高备件价格”的设备入手比如注塑机、冲床、压缩机这类它们的振动和电流信号相对好采集也容易建立基线。2.3 工艺参数的智能优化工艺参数优化是典型的“经验墙上找突破”。老师傅在良率稳老师傅一走参数漂移没人会调。指南里建议的做法是用历史生产数据建立参数与质量指标的映射模型再通过寻优算法推荐最优参数组合。这里我觉得有个关键问题容易被忽略参数优化的前提是数据质量。很多工厂的工艺参数虽然有记录但机台的实际设定值、实际反馈值和系统里的配方值经常对不上尤其老设备改造后传感器信号和PLC程序之间有时间戳不同步的问题。所以上优化算法前先做一轮数据一致性校验否则模型学出来的东西可能很离谱。2.4 智能排产与动态调度排产看着是数学问题实际上是组织问题。指南里对排产场景的定位不是“完全自动排”而是“人机协同排”——系统给出建议计划计划员负责调整和决策。我觉得这个边界画得特别好。全自动排产在很多定制化程度高的工厂里根本不现实因为计划员手里的隐性约束非常多比如某个工人不愿意上夜班、某个客户的关系不能得罪、某批材料的特批放行这些都没法写进算法里。所以做排产项目重点不是拼命追求最优解而是把启发式规则和约束条件做扎实再给计划员一个可视化调整界面。指南里提到的“交期预测”“插单模拟”“瓶颈识别”这三个功能都是现场计划员会真正高频使用的。2.5 厂内物流与仓储调度仓储物流场景的价值最容易被低估。很多工厂觉得它“不性感”没有算法含量。但我不这么看厂内物流直接影响产线等待时间尤其多品种小批量生产的工厂物料配送不及时造成的停线损失比设备故障还大。指南里把智能物流分成了几层AGV调度、路径规划、库位优化、配送节拍预测。我做过最有效的一个项目算不上高深算法就是把配送需求预测和AGV调度打通让物料在正好需要的时候到达线边线边库存直接降了三分之一。做这类项目时要特别留意系统接口的实时性AGV调度系统跟WMS/MES之间的数据延迟超过几秒整个调度策略就算废了。2.6 覆盖生产全流程的质量追溯与分析质量追溯不是新概念二维码、批次号很多厂都在用但大部分只做到了“记录”。指南里强调的追溯要做“分析”给每批产品关联人、机、料、法、环全要素数据然后反查质量波动的根因。这个场景在落地时最大的槽点是数据打通。MES里有部分数据ERP里有物料数据检测设备里的数据导不出来老师傅的经验里还有一堆隐含变量。建议做项目时不要强求一次打通所有系统先把质量问题最集中的一两个工序做深把数据链条验证通了再往外扩。3. 从指南到落地企业选场景的四步方法论指南给的是地图但每家工厂情况不同。我整理了四步选场景的方法基本可以照搬它本质上是在“业务价值”和“实施难度”之间找平衡。3.1 第一步做现状自评与可获取数据盘点很多工厂连自己的数据家底都不清楚就上了AI项目结果做一半发现数据压根不够。我一般会先做一轮数据盘点重点看三类资产设备层的PLC、传感器数据能不能实时拿到系统层历史数据MES/ERP/历史数据库保留多长时间、完整度如何人工记录类的数据是否结构化。写一份简单的清单就行不用搞得很复杂。有个容易被忽视的点工控网络的安全策略。很多工厂OT网络和办公网是隔离的AI系统要取数据得先过网络安全审计。这一步如果不在项目初期启动后面业务部门天天催你却被流程卡住非常尴尬。3.2 第二步场景优先级打分不建议凭感觉挑场景我试过用打分表来辅助决策效果不错。核心维度就四个业务价值、数据基础、技术可行性、组织接受度。每个维度按1到5分打分总分排序然后头脑风暴一下前三个场景。这里组织接受度经常被忽略。场景再好如果车间主任不想用他有一百种方式让你的系统“失灵”。所以第一次选场景宁可选一个业务价值中等但有人大力支持、愿意配合的也别选一个价值极高但没人搭理的。AI项目要成功第一个月就得让现场的人觉得“这玩意儿帮我省事了”。3.3 第三步MVP小闭环设计指南里每个场景都是完整的系统但企业第一次做建议把它砍到最小。忘掉大平台先做一个单点MVP。比如做视觉质检不要想着所有产品线一步到位先挑一条节拍最高、质量投诉最多的产线做做预测性维护先选一台停机损失最大的设备。MVP周期控制在六到八周最合适。目标就一条把业务指标做出变化。漏检率从95%干到99%停机告警提前两小时发现排产耗时从两小时降到半小时。这些指标量级不用很大但必须是业务部门认可的真实指标。有了结果再往上申请资源就顺理成章了。3.4 第四步规模化复制与组织保障一个场景跑通并不是项目结束是新模式的开始。规模化复制最重要的工作是沉淀能力和培养用户习惯。算法模型换成新产线要重新调优这需要数据工程能力。现场操作员能不能正确理解系统输出这需要培训。我见过不少项目栽在“会做不会用”系统是真的好但车间没人信最后变成参观演示品。建议在MVP阶段就拉上车间骨干当“系统代言人”让他们参与参数调优让他们去跟别的班组宣传效果比项目经理解释十遍都管用。组织层面最好有一个跨IT、自动化、工艺的虚拟小组专门负责场景迭代。4. 落地中的硬骨头数据、集成与算法工程的坑4.1 数据治理别指望“先有数据再干活”很多企业会说“我们数据太乱先把数据治理做好再上AI”。这话听着没毛病实际等于永远不开始。数据治理是一个投入无上限的大坑而且数据质量只有在使用过程中才会暴露。我更推荐项目驱动式治理选定场景后只把跟这个场景相关的数据流理清楚、搞干净其他数据先不管。比如做质量分析把检测数据和MES里的工单、物料批次对齐就好做能耗优化把电表和产线运行数据对齐就好。数据问题不会一步解决但每个场景做完数据质量和数据意识都会提高一截这比单独搞一套数据中台有效得多。4.2 IT/OT融合的常见冲突AI要落地必然要打通IT系统和OT系统但两边团队经常“语言不通”。IT团队讲究安全规范、版本管理、高可用OT团队讲究稳定优先、绝不允许任何系统影响生产。AI项目夹在中间节奏很容易被拖垮。我踩过最典型的坑是数据采集服务器的部署位置。IT坚持放虚拟化集群OT坚持放车间现场工控柜。最后折腾了很久才找到折中方案边缘侧采用低功耗工业网关只负责数据上行不在现场做复杂计算云端做训练和模型下发。这样做既满足OT的稳定性要求也降低IT的安全风险。4.3 算法工程指标定义与模型迭代算法本身在制造里不是最稀缺的最稀缺的是定义一个能算账的指标。比如视觉检测甲方说“准确率95%”那到底是样本级还是像素级漏检和过检分别多少成本预测性维护里“提前两小时报警”算不算命中这些不掰扯清楚验收时一定会扯皮。我自己的习惯是写模型效果卡明确标注以下几个方面真阳性率、假阳性率、误报导致的损失、漏报导致的损失、单条推理耗时、硬件资源占用。每版模型更新时附上对比记录。这样做的好处是客户和你都能快速看到哪些改动带来了收益哪些改了个寂寞。另外模型不是上线就结束制造现场数据分布会漂移比如换了批原材料、换了刀具模型准确率就可能下降。要有监测机制哪怕只是每周算一次指标也比没有强。5. 实战经验与避坑清单最后整理一份实用的避坑手册都是我在做工业AI项目时反复遇到的问题几乎每个都能在这份指南对应的场景里找到影子。问题常见表象排查思路数据采集不齐模型训练时发现字段大量为空先做数据盘点核对DCS/PLC点位表与数据库表结构确认采集链路是否完整视觉模型过拟合测试集效果95分现场一测就崩注意训练样本和现场Sample的分布偏差采集时覆盖不同光照、角度、机台、批次IT与OT数据不同步报表里时间对不上统一时间基准建议用边缘网关统一打时间戳别依赖各个系统本地时间模型上线后效果衰减运行一个月后准确率下滑建立周期性评估机制监控数据分布漂移必要时用新数据增量训练业务部门不买单系统上线没人用提前把业务骨干拉进项目确定他们认可的指标算清楚经济收益再汇报还有三条心得特别想分享第一永远假设现场数据比你想象的脏。很多看起来简单的小问题比如传感器零点漂移、通信偶发中断在数据里都会以各种诡异的形式体现。所以第一步别急着训练模型先花时间做探索性数据分析画出每条关键数据的时序曲线用肉眼观察。第二实施节奏上一定要学会“小步快跑”。工业客户习惯了传统软件项目“需求-开发-验收”的瀑布流但AI项目需求天然模糊你得带着客户一起试。与其做三个月憋一个大版本不如每隔一两周就给客户看一个能点、能玩、能出结果的小Demo。客户看到东西才会认真思考会给出具体反馈。第三也是最重要的一条——项目开始时就想好怎么算收益。我说的不是写PPT里的预期效益而是约定好一个双方都认可的财务换算规则。比如漏检一次产品等于多少钱停机一小时损失多少钱排产快一小时省多少钱。有了这套规则后续所有技术指标都能换算成老板听得懂的语言。我见过太多项目技术上做成功了但因为一开始没有约定评价口径最后说不清“到底带来了多少价值”。还有一个容易被低估的技巧每次开会尽量叫上现场的操作工和设备维修工。他们才是最懂数据和流程细节的人有时候无意间说的一句话能帮你省掉整整一周的调研时间。我个人在实际操作中的感受是这份指南最大的参考价值不在于具体技术方案而在于它提供了一套大家能对话的“场景语言”。以前你跟客户聊“卷积神经网络”“LSTM”对方不理解现在你把对应场景一说他能立刻告诉你他们产线上哪个位置最痛。AI在制造里最缺的恰恰是这个把技术语言翻译成业务语言再翻译成一个一个可验收的场景。第一期指南给了这套框架照着它去选场景、做MVP、算收益大概率比你带着一箱算法库到处碰壁要靠谱得多。这类场景库后续大概率还会更新我自己的习惯是会持续跟进每次新增内容都按上面这套方法重新筛一遍看有没有值得动手的新机会。AI制造这件事真的不是技术难而是要有人愿意把故事拆小、把账算清。从第一期指南开始把这几个场景做透后面的路就顺了。