答:AI在工厂里的角色定位,本质上是由数据基础决定的——你喂给它什么粒度、什么时效、什么质量的数据,它就只能扮演什么层级的角色。很多工厂把AI当"万能药"买回来,结果发现连最基本的异常报警都做不准,根子往往不在算法,而在数据底子没打牢。
一、先避开一个常见误区:以为上了MES、ERP就有数据基础了
这是踩坑最多的地方。ERP里的数据是"结果数据",比如工单完成了多少、库存剩多少,颗粒度是天级甚至周级;而AI要做实时判断,需要的是"过程数据"——设备每秒钟的电流波动、每批次物料的实际参数、每个工位的节拍差异。某电子厂曾以为ERP跑通就能上预测性维护,结果发现设备侧根本没有高频采集,最后补装了振动和温度传感器才把数据链路打通。所以第一件事不是选AI模型,而是盘点你的数据在时间颗粒度上够不够细。
二、AI角色定位对应三类数据基础,层级完全不同
1. 做"描述型"角色(报表可视化、异常统计):需要的是业务系统结构化数据,ERP、WMS、MES的历史记录基本够用,关键是口径统一、主数据不打架。
2. 做"诊断型"角色(根因分析、质量追溯):需要跨系统的关联数据,比如把工艺参数、设备状态、物料批次、人员班次对齐到同一时间轴。这时候数据孤岛就是硬伤,某汽配企业的教训是质量数据和设备数据分属两套系统、时间戳对不上,追溯分析做了半年没结论。
3. 做"预测型"角色(预测性维护、良率预测):需要高频时序数据和足够长的历史跨度,通常要求秒级或分钟级采集,且历史数据覆盖多个工况周期,否则模型学不到设备劣化的真实规律。
三、真实坑点:数据"有"不等于"可用"
常见的是三类问题。一是时间戳不同步,PLC、SCADA、MES各走各的时钟,关联分析直接失效。二是标签缺失,AI做监督学习需要标注好的故障样本、缺陷样本,很多工厂历史数据里根本没记"这次停机是什么原因"。三是数据质量差,传感器漂移、人工录入随意,导致模型训练出来偏差很大。规避方法很实在:先做数据治理再谈AI,把主数据、时间同步、标签体系这三件事理顺,比急着上模型划算得多。
四、最佳实践:按AI角色倒推数据建设优先级
别一上来就追求全域数据打通,成本高周期长。更稳的做法是先锁定一个具体AI场景,比如某条产线的良率预测,倒推需要哪些数据、颗粒度多细、历史多长,小范围把数据链路跑通验证价值,再横向复制。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商经验也说明,数据基础是逐步沉淀的,不是一次性工程。
相关追问:数据基础要达到什么程度才能上AI?没有历史故障数据能不能做预测性维护?边缘计算和云端数据架构怎么选?
简答:上AI的最低门槛是目标场景所需数据可稳定采集、时间戳可对齐、有基本标签;没有故障样本可先用无监督异常检测或迁移学习起步,但效果边界要心里有数;高频时序数据建议边缘侧预处理、云端做模型训练,避免全量上云带来的带宽和延迟问题。
适合与不适合的边界:如果工厂设备侧已有较完善的采集层、主数据口径统一、愿意先做数据治理,AI的角色可以从诊断型稳步走向预测型;如果连基础采集都没有、各系统数据长期对不上、也没有专人维护数据质量,建议先把数字化底座补课,别急着给AI安排"预测"这种高难度角色,否则投入很难看到回报。