3. 工业场景分析
工业AI联动项目能否落地，第一步不是选模型，而是把场景看清楚。离散制造、流程工业、能源电力三大类场景，在物理对象、数据形态、控制逻辑和停机代价上差异极大，AI需求与痛点也完全不同。若用同一套方案套用，往往出现“模型精度很高、现场却不敢用”的尴尬。本节从场景特征出发，建立一套可复用的需求与痛点识别方法。
一、核心原理：场景差异决定AI介入方式
工业场景分析的本质，是判断“AI在哪个环节、以什么方式、承担多大责任”。可以从四个维度切入：对象是否可离散计数、过程是否连续不可中断、数据是否高频时序、失效代价是否不可逆。离散制造以工单、零件、工序为对象，节拍明确，允许一定缓冲；流程工业以温度、压力、流量等连续变量为核心，物料不可分割，停车代价高；能源电力则兼具连续性与广域分布，安全等级最高，且受调度与并网约束。
二、方法流程：五步完成需求与痛点识别
- 画物理流程图：标出物料流、能量流、信息流，明确AI可能介入的节点。
- 采集现状数据：统计现有传感器、PLC、MES、SCADA的数据频率与覆盖率。
- 定位痛点：区分“人工经验依赖”“检测滞后”“非计划停机”“能耗偏高”等类型。
- 评估AI适配度：判断该痛点是否具备可学习模式、可获取标签、可闭环执行。
- 定义成功指标：如漏检率、误报率、停机时长、单位能耗，必须可量化、可对比。
下面这张图展示了三类场景在“数据特征—核心痛点—AI优先方向”上的对应关系，可作为项目初期的场景定位参考。
三、案例场景：三类场景的痛点识别实例
离散制造——汽车零部件冲压车间。痛点是表面缺陷依赖人工目检，漏检率约3%，且夜班标准下降。识别后发现产线已有高清相机和稳定光源，具备图像数据基础，AI适配度高，优先落地视觉质检，并将结果对接分拣执行机构形成闭环。
流程工业——化工反应釜。痛点是产品浓度只能每2小时化验一次，控制滞后导致批次波动。识别后发现温度、压力、流量均为秒级采集，具备软测量建模条件，AI输出浓度预测值回写DCS作为操作指导，先“建议”后“闭环”，降低风险。
能源电力——风电场。痛点是风机故障发现滞后，备件与吊装成本高。识别后发现SCADA已记录振动、温度、功率曲线，具备预测性维护的数据基础，AI模型输出健康度评分并生成检修工单，与运维系统联动。
四、误区与复盘：场景识别中最容易踩的坑
| 识别维度 | 离散制造 | 流程工业 | 能源电力 |
|---|---|---|---|
| 数据频率 | 事件/节拍级 | 秒级连续 | 秒级至分钟级 |
| 标签获取 | 相对容易 | 化验滞后、稀疏 | 故障样本少 |
| 闭环执行 | 分拣、工单 | DCS设定值 | 调度、检修 |
| 失效代价 | 返工、停线 | 停车、安全 | 停电、设备损毁 |
| AI介入优先级 | 视觉质检 | 软测量 | 预测性维护 |
场景分析不是一次性工作，而是随产线改造、设备更新、调度规则变化持续迭代的过程。只有把物理对象、数据链路和业务闭环三者对齐，工业AI联动项目才具备真正的落地基础。