工业人工智能（AI）落地实录：那些年我们踩过的坑与捡到的宝

说实话，进厂搞AI之前，我以为最大的挑战是算法调参。😅 结果呢？第一周就被打脸——数据根本没准备好，传感器安装位置歪了3毫米，采集的信号全是噪声，模型跑起来像在猜谜。真够呛。

✅ 后来学乖了，先花一个月整顿数据管道，这是后话。这里先抛出个核心观点：工业人工智能，本质是工业，然后才是人工智能。别被各种炫酷的Demo带偏。你让一个深度学习模型去识别轴承故障，如果连轴承的振动机理都没搞懂，采集的频谱图没有对应的物理标签，那模型就是“人工智障”。

边缘计算盒子，是神器还是鸡肋？

现在不少工厂都在推边缘计算，把AI推理放到现场的工业计算机里。我们去年给一条冲压产线加装视觉检测，一开始用的是云端方案，延迟直接让人崩溃——传送带跑得飞快，图片传到云里再返回结果，次品已经冲出3米远，根本来不及踢出去。😂

后来换成边缘盒子，延迟降到毫秒级，但新问题来了：散热。冲压车间夏天温度能到45度，盒子动不动就死机。最后我们加了个风扇对着吹，丑是丑了点，好用。所以啊，工业环境比实验室残酷得多，软硬件选型都得考虑实际工况。别听厂家吹嘘IP67，你真丢进粉尘堆里试试？

💡 分享个实用经验：如果你的产线节拍很快（比如小于200ms），必须用边缘推理；如果只是做质量追溯，云端分析也可以，成本低很多。不过话说回来，边缘盒子的运维成本容易被忽略——固件升级、模型更新都得跑现场，几百个盒子分布在各个车间，那真是噩梦。

问：边缘推理延迟低，但模型精度会不会打折扣？
答：好问题。这其实要看你如何做模型量化。我们试过把一个ResNet-50直接INT8量化后部署到NVIDIA Jetson上，精度掉了将近3个点，这在缺陷检测里简直是灾难。后来改用TensorRT+自定义校准数据集，精度损失压到了0.5%以内。所以关键不是边缘推理本身，而是量化策略和校准数据的代表性。再补充一点：有些场景其实不需要每秒处理30帧，降到10帧，用全精度模型跑，反而更稳。别被“实时”二字绑架。

预测性维护？先问问你的老师傅

这几年“预测性维护”被吹得神乎其神，好像装上AI就能预知设备何时罢工。我们吃过亏。给一台老式镗铣床装振动传感器，收集了半年数据，模型信誓旦旦地说主轴没问题，结果一个周末直接崩了——因为润滑泵悄悄堵了，振动信号根本没体现出来，直到温度突变才报警，但为时已晚。

后来我们改变了策略：AI必须和老师傅的经验结合。那位干了30年的维修班长，一听声音就知道主轴轴承间隙大了0.01毫米。我们把他叫来，一起标注数据。他的判断标准，很多是没法量化的“感觉”，比如“声音发闷”、“摸起来有点跳”。于是我们增加了声纹传感器和加速度传感器，并且让模型学习老师傅的历史检修记录作为标签。现在准确率高多了，虽然偶尔还会虚警——但总比漏报强。

问：小工厂买不起那么多传感器，怎么搞预测性维护？
答：这是个很现实的痛点。其实不一定非得用昂贵的在线监测系统。我们帮一家小五金厂做过一个轻量方案：用电流互感器卡在电机进线上，采集电流波形，成本极低。刀具磨损会导致负载电流逐渐上升，通过简单的LSTM模型就能抓到上升趋势。虽然不是万能的，但至少能保护关键设备。另外，定期的手持式点检仪数据也可以纳入模型，比如每周振动频谱，做个趋势预测。关键是把现有的碎片化数据串起来，而不是一步到位追求全自动化。

数字孪生：别急着建三维模型

一谈到数字孪生，很多领导就兴奋：“快把整个车间数字化，做个大屏！” 然后建模公司来了，激光扫描一圈，生成一个酷炫的3D模型，投在屏幕上转啊转。但除了参观演示，还能干嘛？数据还是死的。

我们团队踩过这种坑，花80万建了一个看似完美的数字孪生，结果维护起来极其麻烦，数据接口稍有变动，整个模型就不更新了。后来索性推翻，回归本质：数字孪生的核心是数据，不是模型。我们现在只对最关键的设备做高精度孪生，比如注塑机的锁模机构，把压力、温度、速度数据实时映射，用来做工艺参数寻优。其他部分，用简单的2D看板展示OEE、能耗就行，省钱又实用。

问：数字孪生到底该怎么起步？
答：我的建议是，先找“痛中之痛”的单点设备。比如那台经常出故障影响整条线的设备，或者能耗极高需要优化的环节。建立它的孪生体，并接入实时IoT数据。然后，一定要有一个持续迭代的团队，不是项目做完了就撤。我们内部形成了个习惯：每周五下午，工艺、维修和AI工程师坐在一起，对着孪生模型复盘，发现问题立即修改。这个机制比技术本身更重要。另外，别一上来就追求物理机理模型，很多时候黑盒数据模型更落地，比如用随机森林预测某台泵的剩余寿命，虽然解释性差，但能先用起来。

❗最后吐个槽：现在很多AI公司来工厂兜售方案，开口就是“端到端智能工厂”，列了一堆预测性维护、AI视觉、数字孪生、AGV调度等等。说实话，大部分厂连ERP和MES都没打通，基础数据一塌糊涂。我的忠告是：先解决数据孤岛，再谈AI。否则所有AI项目都会变成一场昂贵的绣花枕头秀。好了，说多了都是泪，希望同行们少走弯路。