1. 从"机器换人"到"数据换脑"：工业AI到底在工厂里干什么
很多人对工业AI的印象还停留在机械臂焊接、AGV小车搬运这类"看得见的自动化"上。但真正在工厂里跑起来的AI，绝大多数时候是"看不见的"——它藏在质检工位的工业相机后面，藏在注塑机的参数面板里，藏在排产系统的调度算法中，甚至藏在老师傅退休前留下的那本手写笔记本里。
我在过去几年里陆续接触过几个制造业的数字化项目，从汽车零部件到消费电子组装，从注塑车间到精密加工。一个很深的感受是：工业AI的价值不在于替代人，而在于把老师傅脑子里的隐性经验变成可复用的显性规则，再把规则变成实时决策。这件事听起来简单，做起来极难，因为工厂里的数据往往比互联网数据"脏"得多、少得多、也贵得多。
这篇文章想聊的就是：工业AI在工厂里到底在做哪些事？这些事情背后的技术逻辑是什么？如果你是一个想入局工业AI的开发者、一个正在推进产线数字化的工程师、或者只是一个对这个方向好奇的技术人，希望这篇内容能给你一些来自一线的真实参考。
需要提前说明的是，工业AI的落地高度依赖具体场景，不同行业、不同工艺之间的差异极大。下面我尽量用通用的框架来拆解，同时补充一些我在实际项目中观察到的细节和踩过的坑。
2. 质检环节：工业AI最成熟的落地场景
2.1 为什么质检成了工业AI的第一站
如果要在工厂里找一个AI落地最密集的环节，表面缺陷检测几乎毫无争议地排在第一位。原因很直接：这个环节过去高度依赖人眼，而人眼有三个绕不开的硬伤——疲劳、主观、不可追溯。
一个典型的消费电子外壳质检工位，工人每天要看上万件产品，每件产品要在几秒内判断是否有划痕、脏污、色差、毛刺。上午十点和下午三点的判断标准可能就不一样了，更别说不同工人之间的标准差异。而AI视觉检测一旦调通，它的标准是恒定的，可以7×24小时保持同样的判断力，而且每一张被判定为NG的图片都会被自动存档，方便后续追溯和复盘。
但这里有一个常见的误解：很多人以为工业AI质检就是"训练一个分类模型"。实际上，一个能上产线的质检系统，模型只是其中一小部分，更多的工作量在光学方案设计、数据采集规范、缺陷定义标准、以及和产线PLC的联动逻辑上。
2.2 一个缺陷检测系统的完整链路拆解
我以表面缺陷检测为例，把整个链路拆开讲。
第一步是光学成像方案。这是最容易被低估的环节。同一个划痕，用环形光、条形光、同轴光打出来的效果完全不同。有些缺陷在特定角度下才可见，有些缺陷需要多角度组合才能和背景区分开。我见过一个项目，模型换了三版效果都不行，最后发现是光源角度不对，调整光源后同样的模型结构准确率直接提升了十几个百分点。所以业内有一句话：工业视觉项目，七分靠打光，三分靠算法。
第二步是缺陷定义和标注规范。工厂里经常出现的情况是，品控部门说"这个算划痕"，生产部门说"这个不算"，供应商说"这个在允收范围内"。如果缺陷定义没有统一，标注数据就是一团乱麻，模型学出来的边界也会模糊不清。我的经验是，在标注开始之前，一定要拉着品控、生产、工艺三方一起，把缺陷类别、判定标准、边界样本（尤其是临界样本）全部确认清楚，形成书面文档。这份文档后面会成为模型验收的依据。
第三步是数据采集和增强。工业场景的数据有一个特点：正常样本极多，缺陷样本极少。一条产线可能跑一天都出不了一个特定类型的缺陷。这就导致数据集极度不平衡。常见的做法包括：对缺陷样本做几何变换和亮度变换来扩充、用正常样本做无监督异常检测、或者用合成数据来补充罕见缺陷。但要注意，工业图像的增强不能乱做，比如把划痕旋转90度可能就不符合实际工艺特征了，这种增强反而会引入噪声。
第四步是模型选型和训练。早些年大家用YOLO系列做缺陷检测，后来分割网络（如U-Net及其变体）在像素级缺陷定位上表现更好。最近两年，基于Transformer的架构和自监督预训练方法也开始在工业场景中试用。但说实话，在大多数工厂的实际项目中，模型结构的选择远不如数据质量和标注一致性重要。一个标注干净的ResNet-18，往往能打败一个标注混乱的ViT-Large。
第五步是部署和产线联动。模型训练完只是开始。产线上的节拍可能是几百毫秒一件，模型推理必须在这个时间内完成。常见的做法是用TensorRT或OpenVINO做推理加速，把模型量化到FP16甚至INT8。同时，检测结果要能实时推送给PLC，触发剔除机构或者报警灯。这里涉及到一个关键决策：误检和漏检哪个更不能接受？在汽车安全件上，漏检是致命的；在消费电子外观件上，误检太高会导致产线频繁停线。这个阈值需要和产线负责人一起定，没有标准答案。
2.3 质检AI落地中最容易踩的三个坑
第一个坑是拿实验室指标当产线指标。在测试集上99%的准确率，到了产线上可能只有80%。因为产线上的光照会漂移、产品会换批次、相机镜头会积灰。所以模型上线后必须有一个持续监控和迭代的机制，不能一劳永逸。
第二个坑是忽视样本的时空分布。同一个缺陷，月初和月末的形态可能因为模具磨损而变化。如果训练数据只覆盖了某个时间段，模型在新时间段的表现就会下降。解决办法是定期用新数据做增量训练，或者设计对分布偏移更鲁棒的模型。
第三个坑是和产线节拍不匹配。我见过一个项目，算法团队花了三个月把准确率做到极致，结果单张推理时间要800毫秒，而产线节拍要求300毫秒，整个方案直接不可用。所以在项目启动阶段就要把节拍约束作为硬指标，而不是最后才考虑。
3. 工艺参数优化：让AI学会老师傅的"手感"
3.1 注塑、焊接、热处理中的参数寻优问题
如果说质检是工业AI的"面子"，那工艺参数优化就是"里子"。这个方向不如质检直观，但价值可能更大。
以注塑为例。一个注塑件的质量受几十个参数影响：料筒温度、模具温度、注射速度、保压压力、保压时间、冷却时间等等。这些参数之间还存在复杂的耦合关系。老师傅调机靠的是多年积累的直觉——"这个件缩水了，把保压压力加一点，保压时间延长两秒试试"。但这种经验很难传承，而且换一台机器、换一套模具，原来的参数可能就不适用了。
工业AI在这里做的事情，是建立参数到质量的映射模型，然后在这个模型上做寻优。具体来说，可以分为几步：
- 从产线MES系统或设备PLC中采集历史参数和质量数据
- 用回归模型或神经网络建立参数-质量预测模型
- 用贝叶斯优化、遗传算法等方法在参数空间中搜索最优解
- 把推荐参数下发给设备做验证，验证结果回流继续优化模型
这个过程听起来很清晰，但实际操作中有几个难点。一是数据质量问题：很多工厂的历史数据记录不完整，或者参数是人工抄录的，误差很大。二是实验成本问题：在产线上做参数试验是有成本的，不可能像互联网A/B测试那样大规模试错。三是安全问题：AI推荐的参数不能超出设备的安全边界，必须有硬约束兜底。
3.2 小样本条件下怎么做参数推荐
工业场景的数据量往往很小。一个新产品可能只试模了几十次，根本不够训练一个深度模型。这时候有几种策略：
迁移学习是最常用的。先在类似产品、类似设备的大量历史数据上预训练一个模型，再用新产品的少量数据做微调。关键是要找到合适的"类似"定义——是同一类材料？同一类模具结构？还是同一类质量指标？
贝叶斯优化在小样本场景下表现很好。它不需要大量数据就能在参数空间中高效搜索，而且每次试验的结果都会更新后验分布，指导下一次试验。我见过一个项目，用贝叶斯优化在20次试验内就找到了比老师傅手动调机更好的参数组合。
物理模型+数据驱动的混合方法也值得关注。注塑过程有成熟的物理仿真软件，可以先在仿真环境中做大量试验，再用真实数据校正仿真模型。这样既能利用物理知识，又能减少真实试验次数。
3.3 老师傅的经验怎么变成AI的输入
这是一个很有意思的问题。老师傅的经验往往是模糊的、定性的，比如"听到这个声音就知道压力不够"。要把这种经验变成AI能用的输入，需要做"经验结构化"。
我参与过的一个做法是：让老师傅在调机时做"出声思维"，即一边操作一边说出自己的判断依据。比如"现在这个件表面有银纹，我判断是料温偏低，我先把料温加5度看看"。这些记录被整理成"现象-判断-动作-结果"的四元组，然后用来构建规则库或作为模型的先验知识。
另一种做法是逆强化学习的思路：观察老师傅的操作序列，反推他优化的目标函数是什么。这个方向在学术上很热，但工业落地还比较少，因为老师傅的操作往往不是最优的，只是在当前条件下"够用"。
4. 设备预测性维护：从"坏了再修"到"快坏就修"
4.1 预测性维护到底预测什么
设备维护经历了几个阶段：最早是"坏了再修"（事后维修），后来是"定期保养"（预防性维护），现在工业AI推动的是"按需维护"（预测性维护）。
预测性维护的核心是：在设备真正故障之前，提前发出预警，让维护人员有时间安排停机、准备备件、规划维修方案。它预测的不是"什么时候坏"，而是"健康状态在恶化，建议在某个时间窗口内处理"。
典型的监测对象包括：电机的振动和电流、轴承的温度和声发射、液压系统的压力和流量、刀具的磨损量等。数据采集通常用加速度传感器、温度传感器、电流互感器等，采样频率从几kHz到几十kHz不等。
4.2 振动信号分析：工业AI的经典战场
振动分析是预测性维护中最成熟的方向。旋转机械的故障往往会在振动频谱中留下特征频率：轴承外圈故障、内圈故障、滚动体故障、保持架故障，各自对应不同的频率成分。传统的做法是靠专家看频谱图，但专家资源稀缺，而且不同设备的频谱特征差异很大。
AI在这里的切入点是自动特征提取和故障分类。早期做法是人工设计特征（时域的均方根、峭度、峰值因子，频域的谱峰、边频带等），然后喂给SVM或随机森林。现在更多用一维CNN或LSTM直接处理原始振动信号，让模型自己学特征。
但工业场景有一个特殊挑战：故障样本极度稀缺。一台设备可能运行几年才坏一次，而且故障类型多种多样。所以实际项目中，无监督异常检测（如自编码器重构误差、孤立森林）往往比有监督分类更实用。模型先学会"正常是什么样"，然后任何偏离正常模式的行为都会被标记出来。
4.3 从报警到工单：预测性维护的最后一公里
很多预测性维护项目失败在"最后一公里"。模型能发出预警，但预警信息没有融入现有的维护流程，维护人员不知道该不该信、该什么时候处理、该准备什么备件。
我的经验是，预测性维护系统必须和EAM（企业资产管理）或CMMS（计算机化维护管理系统）打通。模型输出的不只是一个"异常分数"，而应该是一个结构化的建议：设备编号、异常部件、建议检查项、建议处理时间窗口、紧急程度。维护人员收到的是工单，而不是一条需要自己解读的曲线。
另外，预警的可解释性很重要。维护人员需要知道"为什么你觉得有问题"，是振动频谱中出现了某个特征频率？还是温度上升速率异常？有了这些信息，他们才能判断是否采纳建议。
5. 生产排程与供应链：AI在工厂"大脑"层面的角色
5.1 排程问题为什么这么难
生产排程是一个典型的NP-hard问题。一个中等规模的工厂，可能有几十台设备、几百个订单、上千道工序，还要考虑交期、优先级、换型时间、物料齐套、设备可用性等约束。人工排程靠Excel和老师傅的经验，往往只能做到"可行"，很难做到"最优"。
AI和运筹学在这里的结合点很多。强化学习被用来训练排程策略：把排程过程建模为序贯决策问题，每一步选择一个订单分配到一台设备，奖励函数考虑交期达成率、设备利用率、换型次数等。约束规划和混合整数规划则适合处理硬约束明确的场景。遗传算法和模拟退火在中小规模排程中也有广泛应用。
但排程AI落地的一个核心障碍是：工厂的现实约束太多太碎，很难完整建模。比如"这批物料虽然到了但质检还没放行"、"这台设备虽然空闲但操作工去吃午饭了"、"这个订单虽然不急但客户是战略客户"。这些约束往往不在系统里，而在调度员的脑子里。
5.2 数字孪生在排程验证中的实际作用
数字孪生这个词被炒得很热，但在排程场景中，它有一个很实际的作用：在不干扰真实产线的前提下验证排程方案。
具体做法是：用历史数据构建一个产线的仿真模型，包括设备产能、换型时间、故障率、物料到达时间等。当AI生成一个排程方案时，先在仿真环境中跑一遍，看看会不会出现设备冲突、物料短缺、交期延误等问题。只有仿真通过的方案才会下发到真实产线。
这个做法听起来很美好，但实际落地时，仿真模型的准确性是最大的挑战。如果仿真模型和真实产线偏差太大，验证就失去了意义。所以数字孪生不是一次性建成的，而是需要持续校准和迭代。
5.3 需求预测与库存优化的AI切入点
除了排程，AI在供应链侧的应用也很广泛。需求预测是最典型的：用时间序列模型（如Prophet、DeepAR）或梯度提升树（如LightGBM）来预测未来一段时间的物料需求，然后据此优化库存水平。
工业场景的需求预测有几个特点：数据粒度细（按SKU、按天甚至按小时）、影响因素多（季节性、促销、客户项目周期、宏观经济）、长尾效应明显（少数SKU占大部分出货量，大量SKU出货稀疏）。所以实际项目中，往往需要对不同类别的SKU采用不同的预测策略：高频SKU用统计模型，低频SKU用简单规则或人工判断。
库存优化则是在需求预测的基础上，用报童模型或马尔可夫决策过程来计算最优安全库存和补货点。这里的关键是平衡缺货成本和库存持有成本，而这两个成本在财务上的定义往往需要和业务方反复对齐。
6. 工业AI落地的现实约束与应对策略
6.1 数据基础设施：绕不过去的第一道坎
聊了这么多应用场景，但如果你问我工业AI落地最大的障碍是什么，我会说是数据基础设施。
很多工厂的数据散落在不同的系统里：设备数据在PLC和SCADA里，质量数据在QMS里，生产数据在MES里，物料数据在ERP里。这些系统之间往往没有打通，数据格式不统一，时间戳对不齐。更麻烦的是，很多老设备根本没有数据接口，只能靠人工抄表。
所以一个工业AI项目，往往有超过一半的时间花在数据采集、清洗、对齐和存储上。这不是算法问题，是工程问题，但它是所有算法工作的前提。
我的建议是：在项目启动阶段就做数据可获取性评估。哪些数据有？哪些数据能采？采集频率够不够？历史数据有多长？数据质量如何？这些问题不搞清楚，后面全是坑。
6.2 边缘计算与云端的协同架构
工业场景对延迟和可靠性有很高要求，所以纯云端方案往往不可行。常见的架构是边缘+云端协同：
- 边缘侧：部署在产线旁的工控机或边缘服务器上，负责实时推理、数据预处理、与PLC联动。要求低延迟、高可靠、断网可运行。
- 云端：负责模型训练、大数据分析、多工厂数据汇聚、模型版本管理。要求弹性算力、海量存储、统一管理。
边缘和云端之间的模型同步是一个关键设计点。模型在云端训练好后，需要安全地下发到边缘设备，边缘设备上的推理结果和异常数据需要回传到云端用于再训练。这个闭环的自动化程度，直接决定了系统能否持续进化。
6.3 工业AI项目的ROI怎么算
最后聊一个很现实的问题：工业AI项目的投入产出怎么算？
工业AI项目的成本包括：传感器和相机等硬件、边缘计算设备、软件开发、模型训练、系统集成、运维人力。收益则可能来自：质检人力节省、不良率下降、设备停机减少、产能提升、能耗降低。
但很多收益是间接的、长期的，比如质量追溯能力提升带来的客户信任、工艺知识沉淀带来的传承价值。这些很难量化，但在决策时不应该被忽略。
我的经验是，先找一个"小而痛"的场景做试点，用3-6个月做出可量化的效果，再逐步扩展到其他场景。不要一上来就搞"全厂AI平台"，那几乎注定会失败。工业AI是一场持久战，不是一次冲刺。
