3. 工业AI概述
工业AI（Industrial AI）不是把通用大模型简单搬进工厂，而是把人工智能算法与工业现场的数据、机理、设备和业务约束深度结合，形成可落地、可验证、可运维的智能能力。它的核心目标通常不是“替代人”，而是让设备更早发现异常、让质量更稳定、让排产更合理、让能耗更低。理解工业AI，需要先抓住三个关键词：数据驱动、场景约束、闭环价值。
3.1 工业AI的定义与边界
从工程视角看，工业AI是指利用机器学习、深度学习、信号处理、优化算法等技术，对工业过程中产生的时序数据、图像、声音、文本和日志进行建模，从而完成分类、检测、预测、优化等任务，并将结果反馈到生产系统或管理系统中。它与传统工业自动化最大的区别在于：自动化更多依赖确定性规则和反馈控制，而工业AI更多依赖统计规律和概率判断。
例如，传统PLC控制电机启停，依据的是按钮、限位和逻辑条件；而工业AI判断轴承是否即将故障，依据的是振动频谱、温度趋势和历史故障样本。前者追求确定性和实时性，后者追求在噪声和不确定性中给出可操作的预警。
3.2 常见任务类型：分类、检测、预测
工业AI的任务类型很多，但最基础、最常见的是三类：分类、检测和预测。它们对应不同的输入输出形式，也对应不同的现场价值。
- 分类（Classification）：回答“是什么类别”。例如把产品分为合格/不合格，把工况分为正常/异常，把声音分为健康/磨损/断裂。输入可以是图像、振动信号、温度序列或工艺参数。
- 检测（Detection）：回答“在哪里、有没有”。例如表面缺陷检测、异物检测、火焰检测、人员闯入检测。检测通常需要定位目标位置，输出边界框、掩码或异常区域。
- 预测（Prediction）：回答“未来会怎样”。例如预测设备剩余寿命、预测下一小时能耗、预测产品质量趋势、预测订单交付风险。预测往往依赖时序建模和回归分析。
这三类任务并非孤立。实际系统中，检测可以看作分类的扩展，预测可以建立在分类结果之上。例如先检测到刀具磨损，再预测剩余加工寿命，最后触发换刀告警。
3.3 与传统工业自动化的关系
工业AI与传统工业自动化不是替代关系，而是互补关系。传统自动化擅长确定性控制：逻辑联锁、PID调节、顺序控制、安全急停。这些能力要求毫秒级响应和高可靠性，不能轻易交给概率模型。工业AI擅长不确定性判断：从复杂信号中识别模式、从历史数据中预测趋势、从图像中定位缺陷。
因此，合理的架构通常是“自动化做执行，AI做判断”。AI输出告警、评分或建议，再由PLC、SCADA或MES执行停机、分拣、降速或派工。AI不直接替代安全回路，而是嵌入到现有控制层级中，形成“感知—判断—执行—反馈”的闭环。
| 对比维度 | 传统工业自动化 | 工业AI |
|---|---|---|
| 核心逻辑 | 确定性规则、逻辑联锁、反馈控制 | 统计学习、模式识别、概率预测 |
| 典型输入 | 开关量、模拟量、限位、编码器 | 振动、图像、声音、日志、多源时序 |
| 输出形式 | 控制指令、阀门开度、电机转速 | 分类标签、检测框、预测值、异常分数 |
| 响应要求 | 毫秒级、硬实时 | 秒级到分钟级，部分可离线 |
| 可靠性要求 | 极高，失效影响安全 | 需人工复核，逐步提升可信度 |
| 典型场景 | 产线启停、联锁保护、运动控制 | 预测性维护、视觉质检、能耗优化 |
3.4 案例：轴承故障预警的AI闭环
某电机厂在关键泵组上部署振动传感器，采样频率为20kHz，每分钟上传一次特征值。传统自动化只能设置固定阈值，例如振动烈度超过4.5mm/s就报警，但往往已经接近故障后期。引入工业AI后，系统用历史正常与故障样本训练分类模型，输出“健康、早期磨损、严重磨损”三类概率。
输入特征：
RMS振动速度、峭度、峰值因子、温度、电流谐波
模型输出：
P(健康)=0.12 P(早期磨损)=0.76 P(严重磨损)=0.12
告警策略：
若 P(早期磨损) > 0.70 且持续3个周期 → 生成维护工单
若 P(严重磨损) > 0.85 → 触发降速或停机建议
反馈：
维修人员确认后回填标签，用于下一轮模型迭代这个案例说明，工业AI的价值不在于单次预测多准，而在于把“数据—模型—告警—处置—标注”串成闭环。没有反馈闭环，模型会逐渐漂移；没有自动化执行，告警就只是屏幕上的数字。
3.5 常见误区与复盘
- 误区一：把AI当万能规则引擎。 AI擅长处理模糊模式，不擅长替代安全联锁。安全相关逻辑仍应由PLC和硬件保护完成。
- 误区二：只关注模型精度，忽略数据质量。 工业现场标签噪声大、样本不平衡、工况漂移严重，数据治理往往比调参更重要。
- 误区三：忽略边缘部署约束。 产线边缘设备算力、内存、功耗有限，模型需要量化、剪枝或蒸馏，不能直接照搬云端大模型。
- 误区四：没有闭环反馈。 告警发出后无人确认、无标注回流，模型无法迭代，误报会迅速消耗现场信任。
总结来看，工业AI是工业自动化在感知与决策层面的能力延伸。分类、检测、预测是三类基础任务，它们分别回答“是什么”“在哪里”“会怎样”。传统自动化负责确定性执行，工业AI负责不确定性判断，两者通过边缘计算、工业网络和业务系统协同，最终形成可度量、可运维、可迭代的工业智能闭环。