📚 课程目录第2章工业AI基础

2. 工业AI基础

工业AI不是把通用大模型直接搬进车间，而是把数据、算法、算力、工业知识与控制闭环组合成可落地的工程系统。理解工业AI，先要区分它与消费级AI的差异：消费级AI追求体验与泛化，工业AI追求稳定、可解释、可追溯、可集成，并且必须与PLC、SCADA、MES、ERP等既有系统协同工作。

一、核心概念：从数据到决策的闭环

工业AI的核心可以概括为一条闭环链路：感知—传输—建模—推理—决策—执行—反馈。感知层通过传感器、仪表、视觉相机、振动探头采集温度、压力、流量、电流、图像、声音等信号；传输层借助工业以太网、5G、OPC UA、MQTT把数据汇聚到边缘或云端；建模层用机器学习、深度学习、机理模型或混合建模形成可计算的知识；推理层在边缘盒子、工控机或云服务器上运行模型；决策层输出参数调整、报警、分拣指令或维护建议；执行层通过PLC、机器人、阀门、变频器完成动作；反馈层再把结果数据回流，用于模型迭代。

这条链路中，边缘计算与云边协同是关键概念。边缘侧负责低时延、高可靠、数据不出厂的实时推理；云端负责大规模训练、模型管理和跨厂区知识沉淀。二者通过模型下发、数据回传和版本管理形成协同。

工业AI的四个基本判断：数据是否可得、场景是否可闭环、收益是否可量化、责任是否可界定。缺少任何一项，项目都容易停留在演示阶段。

二、常见术语：建立共同语言

工业AI项目涉及OT（运营技术）、IT（信息技术）和AI三方人员，术语对齐是沟通前提。以下术语在方案评审、需求调研和验收中高频出现：

OT与IT融合：OT关注设备与控制，IT关注数据与业务，融合层通常由工业互联网平台承担。
SCADA / MES / ERP：SCADA负责监控与数据采集，MES负责生产执行，ERP负责经营资源，AI常作为增强模块嵌入其中。
OPC UA / MQTT / Modbus：常见工业通信协议，决定数据能否稳定采集与互通。
特征工程：从原始信号中提取均值、方差、频谱、峰值等可判别特征，是工业小样本场景的关键。
标注与样本：工业缺陷样本往往稀少且不平衡，需结合合成数据、迁移学习或半监督方法。
模型漂移：设备老化、工况变化导致模型精度下降，需要监控与再训练机制。
数字孪生：用虚拟模型映射物理设备，支持仿真、预测与优化。
可解释性：在安全、质量、工艺场景中，必须说明模型为何给出该结论。

三、技术栈：分层理解工业AI系统

工业AI技术栈通常分为五层，从下到上依次为设备层、边缘层、平台层、算法层和应用层。设备层包括PLC、传感器、机器人、CNC；边缘层包括边缘网关、工业PC、AI推理盒子；平台层包括数据采集、时序数据库、数据治理、模型管理；算法层包括传统机器学习、深度学习、强化学习、机理模型与优化算法；应用层则面向具体业务，如预测性维护、视觉质检、工艺优化、能耗管理、排产调度。

在实操中，一个典型的边缘推理配置可能如下所示：

# 边缘AI推理服务示例配置
model:
  name: bearing_fault_detector
  version: v1.3.2
  framework: onnxruntime
  input: vibration_1024x3
  output: fault_probability
runtime:
  device: edge_box_gpu
  latency_budget_ms: 50
  batch_size: 1
data_source:
  protocol: opcua
  endpoint: opc.tcp://192.168.10.21:4840
  sampling_hz: 25600
alert:
  threshold: 0.85
  action: push_to_scada

该配置体现了工业AI的典型约束：低时延、小批量、协议兼容、结果可回写。算法选型不是越复杂越好，而是要在精度、速度、可维护性之间取得平衡。

四、典型应用场景与对比

工业AI的落地场景高度集中，常见方向包括：预测性维护、视觉质检、工艺参数优化、能耗优化、智能排产、安全行为识别、AGV调度等。不同场景对时延、数据量、可解释性和集成深度的要求差异很大，方案设计时必须区别对待。

应用场景	核心数据	典型算法	时延要求	集成对象
预测性维护	振动、温度、电流	时序分类、异常检测	秒级至分钟级	SCADA、EAM
视觉质检	工业图像、深度图	CNN、目标检测、分割	毫秒级至百毫秒	产线PLC、分拣机
工艺优化	温度、压力、配方	回归、强化学习、贝叶斯优化	分钟级至小时级	MES、DCS
能耗管理	电表、水表、气表	时序预测、聚类	分钟级	EMS、ERP
智能排产	订单、设备、物料	约束优化、启发式算法	分钟级至小时级	MES、APS

以视觉质检为例，某3C结构件产线在边缘部署缺陷检测模型，相机采集图像后由推理盒子在80毫秒内完成划痕、脏污、缺料三类缺陷判断，结果通过PLC触发分拣气缸，同时把缺陷图像与判定结果写入MES。上线后漏检率从2.1%降至0.4%，误检率控制在1.5%以内。该案例说明：工业AI的价值不在模型本身，而在与产线节拍、控制逻辑和质量体系的咬合程度。

五、常见误区与复盘要点

工业AI项目失败往往不是算法问题，而是工程与组织问题。常见误区包括：

先买算力后找场景：没有明确业务指标，模型精度再高也无法验收。
忽视数据质量：传感器漂移、时间戳错位、标签缺失会让模型学到错误规律。
追求全自动：在安全关键场景，人机协同比无人化更现实。
忽略OT集成成本：与PLC、SCADA的接口改造常占项目工作量的一半以上。
没有运维机制：模型上线只是开始，缺少监控、告警和再训练，半年后精度必然下降。

复盘时建议追问三个问题：业务指标是否改善？模型是否仍在有效区间？一线人员是否愿意持续使用？三者缺一，项目就难以规模化复制。

综上，工业AI的基础在于用工程化思维把数据、算法与工业系统连接起来。掌握核心概念、术语、技术栈与典型场景，是后续方案设计、选型与实施的前提。