1. 课程导入
在智能制造与工业数字化转型项目中，AI+工业互联网往往不是单一软件的安装，而是“设备连接—数据采集—平台建模—算法推理—业务闭环”的系统工程。项目能否真正落地，关键不只在于功能是否开发完成，更在于交付时能否被可验证、可复现、可追责地验收。验收不是项目尾声的“签字仪式”，而是贯穿需求、设计、实施、试运行全过程的最后一道质量闸门。
一、核心原理：验收到底在验什么
传统信息化验收常聚焦“功能是否可用”，而AI+工业互联网验收必须同时覆盖五条主线：连接、数据、模型、业务、安全。连接决定设备能否稳定上云；数据决定模型输入是否可信；模型决定AI是否真正产生效果；业务决定系统是否被现场人员使用；安全决定系统能否长期合规运行。五者缺一不可，任何一条断裂都会导致“演示很漂亮、上线即闲置”。
从验收对象看，可分为四层：现场层（PLC、传感器、网关、机床、机器人）、边缘层（边缘服务器、协议转换、实时推理）、平台层（IoT平台、数据湖、模型训练与推理服务）、应用层（MES、QMS、EMS、看板与移动端）。验收证据也应分层留存：现场点位表、网络拓扑与测速记录、数据对账报告、模型评估报告、业务KPI对比、安全扫描与等保材料。
二、方法流程：从预验收到终验收的闭环
验收不是一次性动作，而是一个“准备—预验—整改—终验—移交”的闭环。建议按以下步骤推进：
- 验收准备：冻结需求基线，明确验收范围、指标、抽样方法和责任矩阵，形成《验收大纲》。
- 预验收：在试运行环境中执行功能、性能、数据、模型、安全测试，记录缺陷并分级。
- 整改复测：对阻断级缺陷必须闭环，对一般缺陷制定计划并复测，保留版本与证据。
- 终验收：在真实生产工况下连续运行观察，核对KPI与合同条款，组织专家评审。
- 移交与复盘：移交账号、文档、源码、模型、运维手册，完成知识转移与项目复盘。
三、案例/场景：某汽车零部件工厂的验收实践
某汽车零部件工厂上线AI+工业互联网项目，目标是实现压铸机设备预测性维护与表面缺陷视觉检测。验收时发现三个典型问题：一是部分老旧PLC点位未按协议接入，导致在线率仅92%；二是视觉模型在实验室准确率96%，但现场因光照变化降至88%；三是MES与平台数据口径不一致，导致OEE统计偏差。项目组通过补充网关、增加现场样本再训练、统一数据字典后完成整改，最终在线率提升至99.3%，模型现场准确率93.5%，OEE统计偏差控制在1%以内，顺利通过终验收。
该案例说明：AI+工业互联网验收必须在现场真实工况下进行，实验室指标不能直接等同于交付指标。
四、常见误区与复盘
| 误区 | 表现 | 后果 | 纠正做法 |
|---|---|---|---|
| 只验功能不验数据 | 页面能点、报表能出，但数据缺失、延迟大 | 模型失效、业务不信任 | 增加数据完整率、时延、对账验收 |
| 模型指标脱离现场 | 用训练集指标代替现场指标 | 上线后准确率骤降 | 现场抽样、盲测、连续运行观察 |
| 安全验收后置 | 上线后才做等保与权限梳理 | 整改成本高、合规风险大 | 安全与功能同步验收 |
| 无证据链 | 口头确认、微信截图代替报告 | 争议时无法追溯 | 统一模板、版本管理、签字确认 |
五、学习目标与课程框架
通过本课程，你将能够：理解AI+工业互联网验收的完整定义与边界；掌握连接、数据、模型、业务、安全五维验收方法；能够编写验收大纲、测试用例与验收报告；能够识别常见验收风险并组织整改闭环；能够独立主持或参与中小型工业AI项目的验收工作。
课程整体分为六个模块：基础认知（定义、标准、角色与流程）、连接与数据验收（网络、协议、点位、数据质量）、平台与模型验收（IoT平台、数据中台、模型评估）、业务与安全验收（MES/QMS集成、等保、权限审计）、验收实操（大纲、用例、报告、缺陷管理）、综合案例与复盘（离散制造、流程行业、园区级项目）。
验收文档最小清单：
1. 验收大纲（范围、指标、抽样、责任矩阵）
2. 测试用例与执行记录（功能/性能/数据/模型/安全）
3. 缺陷清单与整改复测记录
4. 数据对账报告与模型评估报告
5. 安全扫描与权限审计记录
6. 终验收报告与移交清单
验收的价值，最终体现在三个方面：对甲方，确保投资转化为可量化的业务收益；对乙方，明确交付边界、降低尾款风险；对现场，形成可持续运行的运维与优化基础。只有把验收做扎实，AI+工业互联网项目才能真正从“样板间”走向“生产线”。