工业人工智能（AI）的落地之痛：一个老工程师的掏心话

去年我们在一条冲压产线上试水AI预测维护，结果系统上线第一个月就狂发警报。报警信息铺天盖地，但产线稳如老狗。排查半个月——才发现是振动传感器装歪了5度。就5度！你说气人不气人？这就是工业AI的日常：预期很丰满，现实却骨感得要命。

一、从“万能药”到“安慰剂”

工业人工智能（AI）被吹了好几年。说实话，我们这些搞制造的人，起初真有点被忽悠瘸了。供应商的PPT里，AI仿佛能看穿设备的一切，提前两周预测故障，轻松把OEE提升10个点。然而等实际部署后，才发现模型在实验室里跑得欢，一到车间就水土不服。环境噪音、工况波动、甚至不同班次的操作习惯，都让算法一脸懵。❗

后来我们学乖了。不再追求“一键智能”，而是老老实实做数据清洗、特征工程，甚至重新给传感器布线。你还别说，当把采样频率从毫秒级降到秒级，警报反而靠谱了。这说明什么？工业AI不是不好用，是得用对地方的精细活。

二、数据，数据，还是数据！但数据从来不是干净的

工业人工智能的核心是什么？算法？算力？都不是。是数据。但工厂里的数据有多脏，没下过车间的人根本想象不到。记得有一次，我们想用电流信号预测电机轴承磨损，结果连续三周的数据里，有两天是空白的——因为车间停电检修，服务器也跟着关了。模型学了个寂寞，把断电当成轴承损坏的前兆。笑死。

所以现在我跟团队说，做工业AI前，先花80%的时间搞数据治理。包括剔除停机时段、处理缺失值、对齐多源时间序列……每一个步骤都是坑。不过话说回来，一旦数据干净了，哪怕用个简单的回归模型，效果都比花里胡哨的深度学习强。💡

问：工业AI预测维护真的能减少停机时间吗？
答：能，但前提是你得吃透设备和数据。以我们那台冲压机为例，部署前非计划停机每月2.3次，折腾了半年后，降到了0.7次。但这不是AI一个人的功劳，还包括了维修流程优化、备件策略调整。AI更多的起了一个“哨兵”作用，提前几小时预警，给维修争取时间。要说直接省钱，一年大概省了30万维修费——还不是因为少停机，而是避免了二次损伤。

问：中小企业没钱没团队，能搞工业AI吗？
答：能，但千万别上来就搞全厂级数字孪生。建议从关键单机入手，利用云服务或边缘计算盒子，成本可以控制在10万以内。我们帮一家小注塑厂做过，就用树莓派+开源库（TensorFlow Lite）采集模具振动，预测顶针断裂，硬件成本不到5000块。关键是人，得有懂工艺的人配合调参。别迷信顾问公司，最后还得自己人上。

三、老师傅的直觉，是什么也替代不了的

工业AI最大的悖论：它想替代人，但离开人根本玩不转。我们车间有个干了二十年的钳工老周，他听齿轮啮合的声音就能判断有没有点蚀。起初AI模型还嘲笑他，因为声学特征里压根没发现异常。后来拆机检查，果然有早期点蚀。老周得意地嘬了口烟：“机器听的是分贝，我听的是音色。”

这件事给我触动很大。AI处理的是结构化数据，而人类经验里包含的模糊判断、跨感官联想、甚至是潜意识，还远远无法数字化。所以现在我们的系统设计成“人机双审”——AI给出风险评分，但最终判定的权限在人。✅ 这既是对老师的尊重，也更安全。

四、未来：边缘智能与行业大模型

到了2025年，工业AI的图画又变了。边缘计算芯片便宜到几十块钱，可以在传感器端直接跑TinyML，延迟从秒级压到微秒级。我们还试水了行业大模型——把维修手册、故障案例、零件图纸全喂给LLM，训练出一个维修大兵。问它“HT-203型注塑机锁模力突降怎么办”，它能一步步指导排查，甚至生成临时作业指导书。当然，胡言乱语的时刻也有，得人工复核。但至少，新人培训时间缩短了一半。

不过潮水退去，裸泳的也不少。很多工业AI创业公司撑不过三年，因为算法再好也卖不出价，最后拼的还是行业know-how。所以，我反而觉得踏踏实实做工控的人，比纯AI团队更有机会。毕竟，车间不相信PPT。

更新于2025年4月，根据我司最新项目复盘修订。