1. 课程导入
在智能制造场景中，设备每天都在产生温度、振动、电流、转速、报警码等大量数据，但数据若只停留在PLC、SCADA或本地数据库中，就无法直接转化为决策能力。工业AI智能体的价值，正是把“设备数据”变成“可理解、可推理、可执行”的生产要素。本课程围绕一条主线展开：让AI智能体能够稳定接入设备数据、理解设备状态，并在安全边界内完成分析与动作建议。
一、核心概念：智能体不是“会聊天的模型”，而是闭环执行单元
工业AI智能体通常由四部分构成：感知、记忆、推理、行动。感知负责从设备侧获取实时数据；记忆保存历史工况、设备台账与工艺知识；推理结合大模型、规则引擎或专用模型进行状态判断；行动则通过接口向MES、SCADA或边缘控制器输出建议或指令。与普通问答系统不同，工业智能体必须处理时序数据、设备语义、控制约束和安全边界。
设备数据集成则是智能体的“神经末梢”。它不只是连数据库，而是要把不同协议、不同采样率、不同命名规范的数据，统一成智能体可消费的上下文。例如，同一台电机在PLC中叫MTR_01_Current，在MES中叫1#主电机电流，在振动系统中又叫MotorA_Vib。若没有语义映射，智能体就无法把“电流升高”和“振动加剧”关联为同一台设备的故障征兆。
二、整体框架：从设备层到智能体层的五层结构
本课程采用五层参考架构：设备层、采集层、集成层、智能体层、应用层。设备层包括PLC、CNC、机器人、传感器和仪表；采集层通过Modbus、OPC UA、MQTT、Profinet等协议获取数据；集成层完成协议转换、数据清洗、时序对齐和语义建模；智能体层进行状态识别、根因分析和决策生成；应用层则面向运维、排产、能耗和质量等场景输出结果。
三、方法流程：一个最小可用的设备智能体闭环
建议按以下七步建立第一个闭环，不要一开始就追求“大而全”的平台：
- 选场景：选择一台关键设备和一个明确问题，例如“主轴振动异常预警”。
- 定数据：列出所需测点，如振动加速度、主轴转速、负载电流、温度。
- 接协议：确认PLC或网关支持的协议，优先使用OPC UA或MQTT。
- 建模型：定义设备对象、属性、单位和层级关系。
- 做对齐：统一时间戳、采样率和质量码，处理缺失与跳变。
- 接智能体：把设备上下文注入提示词或工具调用链。
- 验闭环：用历史故障回放验证判断准确率与响应时延。
# 设备上下文示例（供智能体消费）
device_id: CNC-01
asset_name: 1号加工中心
signals:
- name: spindle_vibration
value: 4.82
unit: mm/s
quality: good
ts: 2025-03-18T10:22:31+08:00
- name: spindle_speed
value: 8600
unit: rpm
quality: good
ts: 2025-03-18T10:22:31+08:00
- name: load_current
value: 18.6
unit: A
quality: good
ts: 2025-03-18T10:22:31+08:00
context:
last_maintenance: 2025-02-20
alarm_history: [E021, E021]
work_order: WO-20250318-07四、案例场景：从“报警灯亮”到“智能体给出根因假设”
某汽车零部件工厂的加工中心频繁出现主轴报警。传统方式是操作工看到报警后停机检查，平均处理时间约45分钟。引入设备数据集成与智能体后，系统在报警前12分钟检测到振动频谱中2倍频分量持续上升，同时负载电流波动增大。智能体结合维护记录发现该主轴已运行超过保养周期，于是输出：“建议检查主轴轴承预紧力，优先安排保养，预计可避免非计划停机。”这个案例说明，智能体的价值不在于替代工程师，而在于把分散的数据变成可行动的判断。
五、常见误区与复盘
| 误区 | 表现 | 正确做法 |
|---|---|---|
| 先买大模型，再找数据 | 模型很强，但接不上设备 | 先做数据集成与语义建模 |
| 只连数据库，不做时序对齐 | 多源数据时间错位，误判频发 | 统一时间戳与采样策略 |
| 忽略安全边界 | 智能体直接下发控制指令 | 建议与执行分离，设置审批与回滚 |
| 追求全厂一次性覆盖 | 周期长、风险高、难验证 | 单设备闭环验证后再复制 |
六、学习路径建议
本课程后续将按“概念—协议—集成—建模—智能体—场景—排障”的顺序推进。建议你每学完一章，都在自己的设备或仿真环境中完成一个小练习：先跑通一个测点，再扩展到一台设备，最后接入一个智能体判断逻辑。只有亲手把数据从设备侧送到智能体侧，并看到一次完整判断，才算真正掌握。