人工智能赋能新型工业化实施路径

智能化研究所顾维玺 目录 一、制造业数智化转型架构 二、人工智能赋能新型工业化实施路径三、人工智能赋能新型工业化发展建议 1.1实施路径基础：制造业数字化转型的六级架构 1.3人工智能赋能新型工业化实施路径方法论 目录 一、制造业数智化转型架构 二、人工智能赋能新型工业化实施路径 三、人工智能赋能新型工业化发展建议 2.1设备单元级（L1）实施路径 主要结合智能高端装备的设备数据、状态数据及工装数据，通过机器学习、深度学习方法构建小模型，打造可应用于故障诊断、工艺优化和寿命预测等典型场景的设备级工业智能体。 技术路线 数据来源 数据类型 设备数据 通过传感器实时采集设备数据与状态数据，运用机器学习或机理模型构建故障预测模型，预警设备异常状态。 传感器仪器仪表数控装备智能机床工业机器人仓储设备加工单元装配单元条码标签 用以描述设备基本信息，反映设备运行工况和健康状态,影响设备性能和运行状态的环境信息等数据。 状态数据 通过采集设备数据（如加工速度、温度）和工装数据（如夹具定位精度），利用深度学习训练模型，实时动态调整切削速度等工艺参数。 在制造过程、控制过程中反映各种不同状态的物理量信号,如刀具磨破损、机床热变形、切削负荷、振动变形等数据。 通过采集历史工装数据（如夹具使用次数、磨损量）与设备运行监控状态训练寿命模型，预测设备剩余寿命，动态调整更换周期，减少因工装失效导致的产品缺陷。 工装数据 描述工装基本信息,以及采用条码标签等采集的器件、辅具环境、工况、数值等数据。 2.2设备单元级（L1）数据勘察思路 设备单元级（L1）数据主要实时性强、动态变化大、物理意义明确、多源异构、价值密度低等特点。 数据类型 设备数据 用以描述设备基本信息，反映设备运行工况和健康状态,影响设备性能和运行状态的环境信息等数据。 状态数据 在制造过程、控制过程中反映各种不同状态的物理量信号,如刀具磨破损、机床热变形、切削负荷、振动变形等数据。 工装数据 描述工装基本信息,以及采用条码标签等采集的器件、辅具环境、工况、数值等数据。 2.3设备单元级（L1）高质量数据集建设思路 2.4设备单元级（L1）模型、算力部署、智能体应用策略 轻量化小模型为主，训练/推理算力需求在1TFLOPS/1TOPS以下，主要采取终端/边缘侧部署方式；设备层智能体主要满足单体物理设备的自主实时监控、快速响应，实现与工控软件的高效通信。 2.5设备单元级（L1）典型应用案例 设备管理智能体：设备全生命周期管理 背景：企业设备维护模式低效，“事后维修”成本高且响应慢，“定期保养”则存在过度维护和资源浪费。 主要实施路径 数据类型 算力、模型与部署 设备管理智能体 •设备数据：设备基本信息，运行工况和健康状态信息，环境信息等数据。 •设备预测性维护：基于机器学习模型，识别故障特征模式。自动触发预防性工单，优化备件与人力调度。 •算力：训练<1TFLOPS推理<1TOPS •设备故障诊断：平台内置的4700+行业机理模型与200+专家算法库。结合物理机理模型深度推理，实现故障定位与根因分析，并生成评估报告。 •状态数据：刀具磨破损、机床热变形、切削负荷、振动变形等状态数据。 •模型：小模型为主 •部署：终端 •智能体可与设备终端进行实时通信、与其他层级智能体进行协同交互。 应用成效： 合肥某制冷工厂案例中，使用设备管理智能体后，可自主识别设备故障，并自动进行根因分析，生成故障评估报告，设备平均维修时间由120分钟，降为40分钟，效率提升300%。 2.6产线级与车间级（L2-L3）实施路径 主要结合工控系统的控制数据、网络参数数据，通过深度学习、机器学习构建小模型或基于监督学习微调大模型，打造应用于产线异常检测、能耗预测等典型场景的产线/车间级智能体。 技术路线 基于高质量PLC历史工程代码、标准功能块库及IO配置表，微调轻量化代码大模型。通过输入自然语言控制逻辑或工艺流程描述，模型可实时生成符合标准代码，辅助工程师完成逻辑编写与调试 控制系统数据 可编程逻辑控制器（PLC） PLC包含的伺服参数、G代码、系统操作日志等。 基于伺服参数（如电机功率）和网络层信号（如设备启停状态），结合能耗机理模型进行人工智能建模，可实时预测产线能耗并提供优化方案。 网络参数数据 通过 联网系统 采集的 控制层网络参数、信号等。 通过采集系统日志、网络流量、设备操作记录等历史数据，建立产线的异常检测模型，及时发现产线异常行为并预警。 2.7产线级与车间级（L2-L3）数据勘察思路 产线级与车间级（L2-L3）的数据数据具有实时性强、数据体量大、数据质量低、多源异构、关联度高等特点。 数据类型 控制系统数据 PLC包含的伺服参数、G代码、系统操作日志等。 网络参数数据 通过联网系统采集的控制层网络参数、信号等。 2.8产线级与车间级（L2-L3）高质量数据集建设思路 2.9产线级与车间级（L2-L3）模型、算力部署基本策略 小模型为主(部分基于大模型)，小模型训练/推理算力需求在10TFLOPS/5TOPS以下，主要采取边缘侧部署方式； 产线级或车间级智能体需理解设备终端拓扑结构、具备自主产线监控及工控代码交付等能力，确保产线整体的高效与稳定。 2.10产线级与车间级（L2-L3）典型应用案例 工业PLC代码智能体：工业PLC编程 背景：传统PLC开发专业壁垒高，代码撰写与调试周期长，无法快速响应个性化的工业生产作业任务。 主要实施路径 数据类型 算力、模型与部署 技术路线 工业PLC代码智能体 •控制系统数据：PLC程序代码（ST结构化文本、LD梯形图）、变量声明表、程序单元（PU）； •自然语言驱动编程：基于轻量化代码大模型，精准理解自然语言工艺描述。支持批量变量自动定义并直接生成可应用的操作卡片写入程序。 •算力：训练<10TFLOPS推理<5TOPS •网络参数数据： •代码智能辅助与优化：融合抽象语法树分析技术与大模型推理能力，提供代码一键解释、上下文感知的自动补全、智能逻辑修复及ST/LD多语言互转功能。 •模型：大模型 Profinet/EtherCAT主从站硬件配置信息、IO映射表、设备IP地址、多PLC通信协议配置及任务周期设置。 •部署：云端协同 应用成效： 在大型项目配置中，替代人工手动配置，极大节省时间并降低出错概率；通过批量变量定义与代码自动生成功能加速开发速率，帮助软件开发人员高效生成并交付PLC代码。 2.11企业级（L5）实施路径 主要结合企业经营管理系统的技术数据、成本数据、财务数据及供应链数据等，通过大小模型协同等方法，打造应用于智能排产、订单预测、供应链优化、财务管理等典型场景的企业级智能体。 数据来源 数据类型 人力资源数据 财务数据 采购销售数据 企业资产管理系统(EAMS)企业资源规划系统(ERP)供应链管理系统(SCM)物流信息系统财务系统(FMS)人力资源系统(HRMS)客户关系管理系统(CRM)网络安全系统实验室管理系统(LIMS) 职员基本信息如人员薪酬、合同、绩效、奖惩、考勤、加班、年休假、离退休等跟职员有关的人力资源数据。 描述会计科目、薪酬管理、账户、合同等有关财务数据。 采购、销售、市场、客户等市场相关数据。 成本数据 供应链数据 调度数据 工艺员、部门在生产制造中涉及的设计费用、加工费用、材料费用等成本数据。 融合采购、供应商等一体的供应链数据。 能源产耗数据、调度指令等调度数据。 企业质量数据 生产计划数据 售后服务数据 采购检验信息、第三方检验,不合格品审理、客户反馈和索赔等质量数据。 与生产相关的项目计划、需求计划、协作计划、工艺变更等生产计划数据。 售后服务信息反馈、服务处理、改进等售后服务数据。 2.11企业级（L5）实施路径 主要结合企业经营管理系统的技术数据、成本数据、财务数据及供应链数据等，通过大小模型协同等方法，打造应用于智能排产、订单预测、供应链优化、财务管理等典型场景的企业级智能体。 技术路线 数据类型 工业智能体应用场景 打通ERP订单、成本与CRM客户价格、需求信号，经大模型统一编码为时序-图混合表征，实时预测原料价、销量与折扣，输出订单级动态利润，指导接单与定价。 人力资源数据 财务数据 综合SCM采购、库存与TMS运输轨迹、运价等数据，利用多模态大模型生成供应链知识图谱，预测需求与风险，强化学习在模拟环境中重排采购-库存-运输方案，动态最小化总成本。 采购协同调度 采购销售数据 成本数据 利用财务数据、ERP数据等结合专用模型生成企业财务图谱，利用大模型预测现金流、利率及异常交易概率，自动推演最优付款、融资、预算调配策略。 供应链数据 调度数据 企业级数据（BOM、工艺、订单、物流、能耗）→大模型构建碳图谱→GNN+RL秒级寻优低碳设计/采购/工艺→实时回写PLM闭环。 生产计划数据 企业质量数据 将人力资源数据接入大模型，构建人-技能-任务知识图谱；将知识图谱嵌入大模型驱动的HR智能体，推荐最优人选并预测ROI，并将结果反馈更新智能体。 售后服务数据 2.12企业级（L5）数据勘察思路 2.13企业级（L5）高质量数据集建设思路 2.14企业级（L5）模型、算力部署、智能体应用策略 主要以大模型+小模型结合开展应用赋能，训练/推理算力需求在1PFLOPS/5000TOPS以上，主流采取云端/云边协同的部署方式； 企业级智能体主要实现多目标自主协同优化，应用于企业战略决策制定、经营管理等复杂任务。 2.15企业级（L5）应用典型案例 经营管理智能体：企业业务管理优化 背景：传统企业在经营管理中存在部门数据割裂、流程审批繁琐、决策依赖经验、资源配置失衡等问题。 主要实施路径 算力、模型与部署 数据类型 多模块协同的经营管理智能体 •财务数据：企业营收、运营成本、实际利润等；•人力资源数据：员工档案、部门考勤、年度绩效等；•供应链数据：部门采购、企业库存、销售物流等；•营销数据：客户信息、销售业绩、推广效果等；•知识库数据：整合ERP、HRM、SCM等多系统数据，构建标准化经营管理知识库。 •算力：训练>1PTFLOPS推理>5000TOPS •财务方面：战略财务分析预测（例：整合历史数据与多维度业务影响因子，实现未来数据的战略测算）•税务方面：税务智能问答等（例：融合大模型和税收法规知识图谱，收集涉税数据，赋能企业决策）•监管方面：全方位运营监管等（例：预置监管模型，赋能国资国企实时高效识别问题，管控风险）•人力方面：智能面试助手等（例：调用人才库数据，赋能面试官，优化入职审查流程，节约人力成本） •模型：一个大模型和多个小模型（预置监管模型、决策模型等）协同 •部署：云边协同 应用成效： 金蝶开发的智能经营管理智能体，帮助企业财务结算效率提升40%以上，人力配置合理性提升30%，供应链库存周转天数减少25%，服务超过一半的中国500强企业；提供全球财务、税务解决方案及本地化支撑。 目录 一、制造业数智化转型架构 二、人工智能赋能新型工业化实施路径三、人工智能赋能新型工业化发展建议 3.1建设工业高质量数据集 推进形成“分级-分类-分环节”多维目录框架，实现工业高质量数据集精准归类。建设智能数据基础设施，依托可信数据空间打通数据集供给方、需求方及服务方协同链路，基于数据本体关系实现产业云、边缘云、企业云语义贯通，推动数据流通应用。 数据集供给方 3.1建设工业高质量数据集 打造本体模型驱动的高质量工业数据体系：通过打造语义统一的数据与知识底座，消除不同系统间的语义模糊性，实现数据互联互通，推广高质量工业数据集构建。 构建数据本体底座 打造语