📚 课程目录第4章 AI+MES对接的典型场景

4. AI+MES对接的典型场景

AI与MES对接的价值，不在于把模型“挂”在系统旁边，而在于让模型输出直接进入制造执行链路，形成可执行的闭环。MES掌握工单、批次、设备、工艺参数、检验结果、人员与物料等实时数据，AI则负责从这些数据中识别规律、预测趋势并给出决策建议。两者结合后，典型场景可以归纳为五类：质量预测、设备预测性维护、生产排程优化、能耗管理和异常检测。它们共享同一套数据底座，但目标、输入、输出和闭环动作各不相同。

核心逻辑：MES提供“当前发生了什么”，AI回答“接下来可能发生什么、应该怎么做”，再把结论回写到MES的工单、排程、报警、检验或维护模块中，由人或规则触发执行。

一、五类典型场景的定位与闭环

质量预测关注“这批产品会不会不合格”。它通常读取MES中的工艺参数、设备状态、物料批次和在线检测数据，在关键工序后预测最终质量，提前拦截或调整参数。设备预测性维护关注“设备还能稳定运行多久”，通过振动、温度、电流、转速等时序信号，结合MES中的维修记录和工单节拍，预测剩余寿命或故障概率。生产排程优化关注“订单怎么排更合理”，把交期、产能、换型时间、物料齐套和人员班次作为约束，输出可执行的排程建议。能耗管理关注“单位产品能耗是否异常”，将电、水、气、蒸汽等计量数据与产量、设备状态关联，识别高耗能环节。异常检测则贯穿以上场景，负责从多维数据中发现偏离正常模式的点、段或趋势。

二、方法流程：从数据到闭环的六步

无论哪类场景，落地流程都可以抽象为六步。第一步是场景定义，明确预测目标、时间窗口和可接受的误报率。第二步是数据接入，从MES、SCADA、PLC、传感器和ERP中抽取数据，统一时间戳和批次号。第三步是特征构建，把原始信号转换为均值、方差、斜率、频域特征或窗口统计量。第四步是模型训练与验证，按时间切分训练集和测试集，避免数据泄漏。第五步是在线推理，通过API或消息队列把模型结果推送到MES。第六步是闭环执行与复盘，记录每次预测是否命中、动作是否有效，并定期迭代模型。

# 以质量预测为例的推理请求（示意）
POST /mes/ai/quality/predict
{
  "work_order": "WO-20240612-008",
  "batch_id": "B240612-03",
  "process_params": {
    "temperature": 182.4,
    "pressure": 0.86,
    "speed": 12.5
  },
  "material_lot": "M-7781",
  "model_version": "quality_xgb_v3"
}

# 返回结果（示意）
{
  "predict_result": "NG_RISK",
  "probability": 0.87,
  "suggestion": "降低温度2℃并复检",
  "action": "HOLD_BATCH"
}

三、场景对比与关键参数

五类场景在数据频率、预测周期和闭环动作上差异明显。下表给出对比清单，便于在方案设计时快速定位。

场景	主要输入	预测目标	典型模型	MES闭环动作
质量预测	工艺参数、物料批次、在线检测	合格/不合格概率	XGBoost、逻辑回归	冻结批次、参数调整、复检
预测性维护	振动、温度、电流、维修记录	剩余寿命、故障概率	LSTM、生存分析	生成维护工单、计划停机
排程优化	订单交期、产能、换型时间	最优排产序列	约束求解、遗传算法	调整工单顺序、重承诺交期
能耗管理	电水气计量、产量、设备状态	单位产品能耗	回归、聚类	峰谷调度、启停优化
异常检测	多维时序、日志、报警记录	异常点/异常段	孤立森林、LSTM-AE	分级报警、根因提示

四、案例场景：注塑车间的质量预测闭环

某注塑车间在MES中记录每模的注射压力、保压时间、模温和冷却时间。AI模型以历史批次的质量检验结果为标签，训练出不合格风险预测模型。当某批次预测风险超过0.8时，MES自动将该批次标记为“待复检”，并推送建议参数到机台终端。操作员确认后调整模温，复检合格则放行，不合格则触发工艺工程师介入。运行三个月后，该车间不良率下降约18%，复检工作量减少约30%。这个案例的关键不是模型多复杂，而是MES能够接收预测结果并执行“冻结—调整—复检—放行”的闭环。

落地建议：优先选择数据基础好、闭环动作明确的单点场景切入，例如先做质量预测或异常检测，再逐步扩展到排程和能耗。不要一开始就追求“大而全”的平台。

五、常见误区与复盘要点

误区一：只做模型不做闭环。预测结果停留在看板或报表上，没有回写到MES工单、报警或检验模块，业务价值无法兑现。
误区二：忽视数据时间对齐。MES批次号、设备时间戳和传感器采样频率不一致，导致特征错位，模型离线指标好、上线效果差。
误区三：用准确率单一指标评估。质量预测中漏报和误报代价不同，应结合召回率、误报率和业务成本综合判断。
误区四：模型上线后不再迭代。工艺、物料和设备状态会漂移，需要建立定期复盘和再训练机制。

复盘时应重点回答三个问题：预测是否提前于实际异常发生？闭环动作是否被真正执行？执行后的业务指标是否改善？只有把这三个问题量化，AI+MES对接才能从“演示”走向“生产”。