1. 课程导入
在智能制造场景中，MES（制造执行系统）承担着工单下发、过程追溯、质量管控、设备状态采集等核心职责，而AI（人工智能）则擅长从海量数据中发现规律、预测趋势并给出优化建议。当AI与MES真正对接后，制造现场不再只是"记录发生了什么"，而是能够"预测将要发生什么"并"建议应该怎么做"。本课程围绕这一目标，系统讲解AI与MES对接的完整技术链路。
一、学习目标：从"能连上"到"用得好"
本课程的学习目标分为四个层次，层层递进：
- 接口层：掌握MES常见对外接口形式，包括REST API、数据库直连、消息队列（MQ）、OPC UA等，能读懂接口文档并完成基础调用。
- 数据层：理解MES中的工单、物料、设备、质量、人员等主数据模型，能完成数据抽取、清洗与特征构造。
- 模型层：掌握将AI模型（预测、分类、推荐、异常检测）封装为可被MES调用的服务，并处理时延、并发与容错。
- 业务层：能把AI输出嵌入MES业务流程，如排产建议、质量预警、设备预测性维护，并设计人机协同的决策闭环。
学习本课程后，你应能独立完成一个"AI模型 → 接口服务 → MES业务动作"的最小可用闭环，并具备排查对接故障的能力。
二、核心价值：为什么AI必须与MES对接
很多企业已经部署了AI算法，但模型停留在离线报表或演示阶段，原因往往不是算法不好，而是没有与执行系统打通。AI与MES对接的核心价值体现在三个方面：
- 实时性：MES产生的是秒级、分钟级的现场数据，AI只有在线接入，才能对异常做出及时响应，而不是事后分析。
- 闭环性：AI给出建议后，需要通过MES下发到工位、设备或排产计划，形成"感知—分析—决策—执行"的闭环。
- 可追溯性：MES本身具备追溯能力，AI的每次推理结果、输入参数和触发条件都可被记录，满足质量与审计要求。
下面的SVG展示了AI与MES对接的整体知识框架，从数据源到业务闭环的完整链路，也是本课程后续章节的结构主线。
三、方法流程：对接工作的标准步骤
无论项目大小，AI与MES对接都可以遵循一套相对稳定的流程，避免"上来就写代码"导致的返工：
- 业务目标确认：明确AI要解决的具体问题，例如"降低某工序不良率"或"减少非计划停机"。
- 数据可用性评估：确认MES中是否有对应字段、采样频率是否足够、历史数据是否可追溯。
- 接口方案设计：选择实时性匹配的接口方式，确定调用频率、数据格式与异常处理策略。
- 模型服务化：将训练好的模型封装为HTTP或消息服务，定义输入输出契约。
- 联调与灰度：先在测试环境验证，再以只读或建议模式上线，观察效果后逐步放开执行权限。
- 监控与迭代：监控接口成功率、推理时延、模型漂移，定期更新模型与规则。
四、典型场景与误区复盘
以某电子组装厂为例：MES中记录了每块PCB的过站时间、设备参数和检测结果。AI团队希望用这些数据预测焊接不良。初期他们直接让模型读取MES数据库，结果发现数据延迟高达15分钟，无法在产线节拍内给出预警。后来改为通过MES的消息队列订阅过站事件，AI服务在3秒内完成推理并将预警写回MES的质检工位，不良拦截率显著提升。
| 常见误区 | 表现 | 改进方向 |
|---|---|---|
| 只关注模型精度 | 离线AUC很高，上线后无人使用 | 先确认业务动作与接口时延 |
| 直连生产数据库 | 查询拖慢MES，影响产线 | 使用只读副本或消息订阅 |
| 忽略数据字典 | 字段含义理解错误，特征失真 | 与MES厂商确认主数据模型 |
| 一次性全量上线 | 异常时无法快速回退 | 灰度发布，保留人工确认环节 |
对接不是"把模型接上去"就结束。生产环境中的网络抖动、MES版本升级、字段变更都会导致接口失效，必须设计降级策略，例如AI服务不可用时MES仍能按原规则运行。
建议在项目初期就建立一份接口契约文档，记录每个接口的字段、类型、频率、超时和错误码。这份文档会在联调和排障阶段节省大量沟通成本。
本课程后续将沿着"接口—数据—模型—业务—运维"这条主线展开，每一节都会结合真实MES对象与可运行的配置示例，帮助你逐步搭建起完整的AI+MES对接能力。