制造企业引入AI前,先搞清楚这5类数据再做决定

近年来，智能制造领域几乎离不开AI的身影。

客户常问：我们工厂能上AI吗？管理层会问：AI能否帮我们降本增效？方案中频繁出现：智能诊断、预测维护、能耗优化、质量分析、AI助手等术语。

这些概念都没问题。

但回到工厂实际场景，第一步往往不是采购大模型，也不是搭建华丽的大屏展示。

更务实的做法是：

先弄清楚数据在哪里。

数据不清晰，AI就只能在PPT中展示。数据不连贯，模型就难以判断趋势。数据缺少业务含义，分析结果就无人敢用。数据无法指导现场操作，项目就难以产生实际价值。

工业AI的真正难点，往往不在于“模型是否足够先进”，而在于现场是否将设备、工艺、能源、质量、运维这些信息转化为可用的数据。

我更倾向于这样理解工业AI：

先把工厂的真实问题转化为数据，再让AI帮助人更快地发现、判断和决策。

本文暂不讨论复杂算法，也不比较哪个平台更优。

只探讨工厂引入AI前，最需要理清的5类数据。

工厂最基础的数据来自设备本身。

例如：

这些数据看似平常，却是后续所有分析的基础。

很多现场并非缺少数据，而是数据分散在各个系统中。

有的存储在PLC中。有的记录在触摸屏上。有的存在于SCADA系统里。有的在设备厂商的软件中。有的还在纸质记录表里。

如果这些数据没有统一采集、规范命名和标注时间，AI很难做出可靠判断。

举个简单案例。

一台设备频繁停机，大家普遍认为应该做“AI预测维护”。

但真正开始查看数据时，往往会发现多个问题：

停机原因缺乏分类。报警记录不完整。维修记录依靠人工手写。运行电流虽有数据，但未与产量、工艺、班次关联。同一台设备在不同系统中的名称不统一。

这种情况下直接谈预测维护，很容易沦为空洞概念。

更务实的做法是先打通设备运行、故障、报警、维修等基础数据。

AI并非不能做预测维护。

但它需要先了解：设备过去如何运行，何时出现异常，异常前有哪些征兆，最终采取了什么维修措施。

缺少这些信息，再先进的模型也只能猜测。

设备数据说明机器是否在运转。

工艺数据解释为何如此运转。

这类数据更贴近生产本质。

例如：

很多AI项目难以落地，是因为只关注了设备状态，却忽略了工艺逻辑。

同样的温度波动，在不同工艺阶段可能含义完全不同。

同样的电流升高，有时是异常，有时只是负载变化。

同样的节拍变慢，可能是设备问题，也可能是上游来料、换型、人员操作、质量等待等原因导致。

工业现场并非简单的“数据异常等于设备故障”。

现场有工艺流程，有经验积累，有边界条件。

因此工业AI不能仅靠数据工程师闭门分析。它必须融入自动化工程师、工艺人员、设备人员的经验。

这正是很多看似精美的算法在现场无人敢用的原因。

因为它只说“异常”，却无法阐明异常与工艺之间的关联。

真正有价值的工业AI，不仅告诉你“这里不正常”。

还应进一步说明：

这个异常发生在哪个工艺阶段？与哪个设定值相关？过去是否出现过类似情况？当时现场如何处理？这次需要停机，还是继续观察？

这些问题都离不开工艺过程数据。

如果客户关注节能降碳，能源数据就是核心。

但很多工厂的能耗数据仍停留在总表层面。

月度电费清楚。全厂总用电清楚。但具体到哪条线、哪台设备、哪个系统、哪个班次、哪个产品的单位能耗高，往往不清楚。

这种情况下谈AI节能，容易流于空谈。

节能项目真正需要关注的是分项计量和业务关联。

例如：

AI在能源场景中能做什么？

它能帮你发现异常能耗。

比如某台设备产量未变，但单位能耗突然上升。

它能帮你找出规律。

比如某些班次、某些工况下空压系统压力设定偏高。

它能帮你做辅助决策。

比如在不影响生产的前提下，优化部分设备运行策略。

但前提是，能源数据不能仅有一块总表。

至少要逐步实现：

按系统分：空压、冷站、照明、动力、工艺设备。按区域分：车间、产线、工段。按时间分：小时、班次、日、月。按业务分：产量、品种、工况、班次。

没有这些维度，AI无法判断“高”究竟高在哪里。

质量数据是工业AI的另一个重要入口。

很多工厂都希望实现质量追溯、视觉检测、缺陷分析。

但质量问题通常不是单一原因。

它可能与原材料、设备状态、工艺参数、人员操作、环境条件等多方面相关。

如果质量数据只是记录最终结果，如合格、不合格、返工、报废，能分析的内容就有限。

更有价值的是将质量结果与过程数据关联起来。

例如：

AI可以帮助做缺陷分类、异常关联、原因提示。

但它无法凭空了解现场发生了什么。

如果质量记录与设备记录、工艺记录、批次记录之间没有关联，分析就变成了猜谜。

所以做工业AI，不要一上来只问“能否用视觉识别缺陷”。

还要问：

识别出缺陷后，能否追溯到设备和工艺？能否知道缺陷集中在哪些条件下？能否形成改善措施？能否减少返工、报废和客户投诉？

质量AI的价值不仅是“发现缺陷”。

更重要的是帮助人找到缺陷背后的规律。

这类数据经常被忽视。

设备坏了，老师傅如何判断？报警来了，值班人员如何处理？某个故障以前发生过几次？维修更换了什么部件？最后有没有复发？哪些问题其实是误报警？

这些经验如果只存在于老师傅脑海中，AI就无法利用。

很多工厂真正宝贵的数据，不在数据库里，而在微信群、维修记录本、交接班记录、设备点检表、工程师的个人经验中。

这类数据不一定一开始就很规范，但可以逐步整理。

例如：

这里反而是大模型比较现实的切入点。

它可以帮助工程师整理报警说明。可以将维修记录转化为结构化信息。可以根据历史案例生成排查建议。可以帮助新人快速了解某个设备的常见问题。可以将大量文档转化为可问答的知识库。

这比“让AI直接控制产线”更现实。

也更容易被现场接受。

因为它不是替代控制系统，而是帮人更快理解现场。

如果将上述5类数据放在一起，就会发现一个很重要的结论：

工业AI不是凭空产生的。

它离不开自动化系统。

PLC、HMI、SCADA、MES、EMS、数据库、工业网络、传感器、仪表、边缘网关，这些看似不如大模型新潮，但它们决定了AI能否获取真实、连续、可解释的数据。

一个工厂如果连基础点位都不清楚，报警都没有分类，停机原因依靠人工回忆，能耗只有月度总账，质量数据和工艺数据对不上，就算接入再强大的AI，也很难立即产生价值。

因此工业AI的第一阶段，不一定是搭建一个大型智能平台。

更务实的路径可能是：

第一步，整理数据资产。第二步，选择一个具体场景。第三步，打通必要系统。第四步，建立可验证指标。第五步，让AI做辅助分析。第六步，将分析结果转化为现场动作。

比如先从一个空压站、一个关键设备、一条产线、一个质量问题开始。

小范围验证成功，比一上来就做全厂AI平台更可靠。

如果你是做工业自动化方案或解决方案销售，我建议不要一上来就跟客户讲“我们有AI大模型”。

客户真正关心的通常不是模型名称。

他们关心的是：

能否减少停机？能否减少报废？能否减少用电？能否减少人工统计？能否让新人更快上手？能否让管理层看到真实数据？出了问题能否更快定位原因？

所以更好的问法是：

你们现在最难统计的数据是什么？设备停机原因有没有分类？能耗能否分到产线和设备？质量问题能否追溯到批次和工艺参数？报警来了以后，现场人员如何判断优先级？维修记录现在是系统里，还是纸上、表格里、微信群里？如果AI给出建议，谁来确认，确认后如何执行？

这些问题比“要不要上AI”更接近项目实际。

因为工业AI最终不是为了展示技术，而是为了让现场问题更快被发现、更快被解释、更快被处理。

如果一个工厂现在想尝试AI，我不建议第一步就追求大而全。

可以先选择一个小场景：

这些场景看起来没有那么惊艳，但更容易落地。

它们有数据