工业智能体进车间,先要对齐设备与软件的语言

工业智能体连接工业软件与现场设备,封面图
读者提供的概念配图;画面不代表论坛现场。

工厂采购了一套智能体平台,销售演示时可以回答工艺问题、查询设备状态、生成质量报告,到了车间却发现最难的环节依然存在:设备数据只有编号没有工艺含义,研发系统里的零件结构无法直接对应生产执行系统的工序,质量部门的缺陷分类和生产部门的停机原因采用不同字典,模型说得再有道理,也无法替实际控制系统完成一道经过授权的动作。产业界经常把问题归结为模型能力不足;在工厂里,工业软件与智能装备之间的接口结构同样影响任务执行。2026年11月15日,东南网发表《智能柔性・产业向新|工业智能体软件与智能装备融合发展论坛圆满举办》,介绍11月13日在福建星网锐捷科技园举办的产业技术交流活动。活动由星网锐捷与北京大学软件工程国家工程研究中心共同组织,200余名产业和高校代表参与,主题集中于工业智能体软件、智能装备、软件工程和柔性制造的协同。

论坛举行的日期是11月13日,11月15日公开报道的是活动的组织形式、技术讨论方向和参与构成。报道介绍了论坛的组织与议题,未提供统一产品的销售清单或跨行业交付收入数据。值得从中提炼的产业线索,是硬件制造企业与软件工程研究团队开始围绕相同工厂问题建立工作关系。传统工业自动化企业熟悉设备协议、电气控制和现场可靠性,高校软件工程团队擅长形式化建模、软件架构、测试验证和系统演化;两种知识体系如果能进入同一条技术路线,工业智能体才有机会从独立对话入口演化成可反复交付的工程产品。

从设备功能到岗位任务,工业软件的对象结构正在改变

传统工业软件主要围绕数据对象展开。ERP管理订单与物料,PLM管理图纸、BOM和变更,MES管理生产工单和工序履历,QMS管理检验记录和质量问题,设备管理平台把传感器值、故障代码与维护计划关联起来。每套软件的对象模型都具有明确的专业边界,这些软件长期积累的业务规则仍然有效。在这种体系中,一个业务问题经常跨越多个系统。例如客户要求提前一周交付某批精密零件,需要同时查询产品结构、在制品状态、关键设备产能、工装准备、供应商到料和检验安排。员工能够理解这些业务对象的关系,却需要手动在不同系统之间查找与汇总。

工业智能体的入口可以从对象转向任务。用户描述“这批零件怎样排产才能提前交付”,系统先确定订单、设备和工序范围,再依据权限调用各专业软件,形成可解释的备选方案。这里的技术难度来自专业知识和执行规则的组合:模型可以归纳订单优先级,排产算法负责计算资源约束,MES负责提供真实工序状态,ERP检查物料,质量系统确认放行条件。智能体项目需要把各系统的能力封装成有清晰输入输出、业务语义和审计记录的工具,避免模型通过屏幕点击猜测软件界面。工业软件的菜单仍然存在,但越来越多的工作可以通过岗位任务组织功能调用。

这种结构改变也会影响软件采购和项目实施。一家装备企业已经购买了大量专业软件,最有商业价值的AI方案往往不是再搭建一个覆盖所有模块的新系统,而是建立现有系统共同使用的任务入口。平台需要知道一个BOM版本来自哪个PLM配置、一道工序的实际完成状态由哪个MES记录维护、一个质量异常是否已经获得审批。自然语言理解使业务人员不必记住每个系统的查询方式,专业软件仍对其所管理的业务数据承担权威责任。用户看到的是一个连续过程,后台执行的是经过编排的多种确定性程序。

数据通了之后,工艺语义仍要重新整理

工业现场早已有不少设备通信协议,数据采集技术已有较长应用历史。OPC Foundation发布的OPC UA标准为跨平台设备通信提供信息模型、身份与授权、订阅、事件及方法调用能力;针对过程自动化设备的PA-DIM信息模型,则进一步明确不同厂商仪表和设备如何用统一语义描述自己的信息。它们说明工业数据除更新的数值外,还需要保留设备身份、测量类型、工程单位和状态条件。将这些元数据整理好,工业智能体才能理解同样名为“温度”的字段究竟是电机绕组温度、液压油温度还是工艺反应温度。

对于工业AI,数据路径通常至少包含现场信号、设备对象、工艺单元、业务任务四层。现场采集提供实时性,设备对象提供身份和状态,工艺单元建立与产品、物料、工单之间的联系,业务任务把这些信息转化成岗位能够采取的动作。一个泵阀制造企业如果希望用智能体分析出厂试验波动,首先要把每次试验的阀门型号、试验台、压力传感器校准版本、介质条件和判定标准联系起来;再把检验结果与产品结构、加工批次和维修记录关联。模型获得这些上下文之后,才能提出与具体物料、工艺和质量历史相关的分析。

Eclipse基金会的开源项目Ditto为这种对象层提供了另一种工程参考。Ditto将物理设备抽象为可通过API访问的数字孪生对象,区分设备报告的状态与希望达到的目标状态,并用细粒度权限定义哪些主体能够读取或修改对象内容。一个设备对象可以包含相对稳定的序列号、厂商信息和位置,也可以包含实时状态和运行配置。将物理设备转换为可审计的数字资源,有助于统一不同系统访问现场对象的方式。工业智能体可以查询当前状态和关联知识,再把建议动作交给具备相应权限的专业控制程序执行。对于设备量大、型号多且寿命长的制造企业,这样的中间模型能够减少应用与某一种硬件协议直接耦合的维护成本。

设备对象、工艺单元与岗位任务的关联示意,正文图
读者提供的概念示意图;画面中示例指标不代表现场实测。

柔性制造怎样处理软件版本与设备变化

固定节拍、固定物料、固定动作的生产线可以通过传统PLC和工业机器人程序实现高度自动化。但当产品型号频繁变化、订单小批量交替、零部件姿态不稳定时,自动化系统不仅需要执行预定义动作,还要根据当前任务选择适当策略。柔性制造最难的部分往往是“任务变化如何转化成设备变化”:新订单进入ERP后,工艺路线是否匹配,夹具和刀具是否准备齐全,机器人需要加载哪种作业程序,首件检测怎样调整,异常件如何回退。这里既有制造工艺问题,也有版本配置与软件测试问题。

智能体在柔性制造中的作用,可以从工艺准备和异常协同切入。对于需要频繁换线的机械装配工位,系统可以先解析产品配置与工艺卡,自动查询可用治具、操作指导和历史质量记录,生成面向操作员的换线准备清单;现场扫描新物料后,再检查其是否属于当前配置并给出正确操作步骤。在这条流程中,模型完成文本理解和资料关联,工艺软件计算配置差异,现场控制程序承担互锁和动作执行。它是一种分层组合的自动化形态,比让通用语言模型直接输出电机控制指令更接近实际工厂的工程结构。

项目实施如果缺少统一的软件工程方法,原型会迅速碎片化。不同客户的系统接口、岗位规则和数据文件夹很容易各自形成一套定制代码,后来修复一个缺陷需要同时修改多个分支。采用插件化工具、版本化任务定义、通用权限中间件和可重复执行的测试用例,可以把项目中的共性部分沉淀下来。论坛所强调的软件工程力量,正对应企业在大规模部署工业智能体时必须解决的可维护性和可复制性。企业面对的真实任务千差万别,但任务状态、执行日志、身份权限、文件引用和验收报告可以共享同一套基础设施。

研发、仿真与中试验证能够形成工业智能体的数据支撑链

工业智能体也可以进入研发设计过程。CAD系统记录几何结构,CAE系统描述边界条件和物理场,PLM管理设计版本,试验台提供真实测量。过去这些数据通常由不同专业团队维护,项目交付时以图纸、报告和有限的结构化结果形式汇总。智能体工作台可以通过统一检索入口找到已有设计和试验数据,再调用仿真工具生成新的计算任务,最后把仿真结果与中试验证的数据进行比对。对于关键装备,模型预测需要与真实设备的压力、温度、振动、流量等测量结果建立对应关系,研发数据集也就从静态文档集合变成包含工况、边界、结果和实验来源的工程对象库。

举例来说,开发一种面向多工况的工业泵部件时,设计团队可以先从既有产品模型库中检索相近几何结构,计算团队根据流量扬程和介质条件设置多物理场仿真,试验团队在中试台架上采集压力、效率和振动曲线。智能体负责把任务与数据流衔接起来,并生成每次优化的结构化报告。实时降阶模型或物理神经网络可以服务高频预测,但其训练数据仍来自可追溯的仿真与试验条件。这里软件工程的重要性体现在任务编排、版本管理、工具接口和数据质量,而工业专业能力体现在试验设计、模型边界和结果解释。跨专业团队把这两部分能力连接起来,便能够将工程经验反复用于新的型号和客户项目。

中试环节也关系到产品与服务的商业化。科研团队可以在实验条件下证明某一算法成立,生产企业关心的是它对不同材料、不同批次和长周期运行是否具有稳定价值。建设专业化验证环境,需要机械、电气、材料、控制、数据工程和行业工艺共同参与。工业智能体能够在其中承担文档处理、试验任务排程、数据整理和异常分析,但真正形成可以验收的成果,还要依赖专业测量体系和质量标准。把模型能力放进既有工业工程方法之中,更容易形成可复制的行业产品。

从一次产学研论坛走向可交付的工业软件产品

福建这次论坛的参与者包括工业装备企业、软件工程研究力量和多类行业机构,这种组合的商业方向值得关注。装备厂商拥有真实工位和客户需求,可以明确哪些任务具有高频次、重复性和可量化经济价值;软件工程团队能够把任务抽象为标准组件,并形成版本、测试、接口和可观测性体系;高校和科研机构则能够针对难以用传统规则解决的问题开发新的算法、评估方法和仿真工具。三方共享场景和数据标准,有利于形成专业分工并减少各自重复开发概念演示。

工业AI产品化可以沿三个层次组织。第一层是底座能力,包括本地化模型调用、身份权限、知识文件夹、工具协议与任务日志;第二层是专业能力,包括设计、仿真、工艺、质量、设备维护和产品全生命周期服务;第三层是岗位工作流,让销售、工艺、质量和售后人员按自己的业务目标调用前两层能力。企业引入项目时,可以从一个确有成本收益的工位或业务闭环开始,再逐步扩展到相邻岗位。这样既保留专业软件的价值,又能让智能体承担真正需要跨系统协调的工作。

衡量项目进展,也可以采用更贴近生产现场的指标。对于设备维护协同,考察报修工单从创建到定位故障的处理时间、历史知识引用的完整性以及维修报告自动生成比例;对于质量问题调查,考察批次追溯覆盖范围、异常数据定位时间和纠正措施审核周期;对于研发仿真,考察相似模型复用程度、试验数据归档完整性与计算任务交付时间。指标由工艺负责人和企业管理者共同定义,软件团队负责将其转化为系统可以采集的运行记录。企业采购应看生产与研发效率是否持续改善,验收记录比界面演示更有用。

从产业角度看,工业智能体正在推动软件与装备产业链出现新的协作接口。传统工业软件厂商可把专业对象和业务方法开放为工具,设备厂商可把状态、报警和动作封装成可被调用的服务,行业AI团队则围绕数据语义和任务编排提供产品。福建这场论坛由制造企业与软件工程科研机构共同组织,说明产业界已经开始把这种协作放到具体研究和应用议题之中。下一阶段真正产生规模经济的,将是那些能够把跨系统工程经验转化为通用组件、又能保留行业专业深度的团队;软件与装备在同一条任务链上形成共同语言,工业智能体才具备长期进入工厂的产品形态。

参考文献

  1. 东南网,《智能柔性・产业向新|工业智能体软件与智能装备融合发展论坛圆满举办》,报道于2026-11-15,活动于2026-11-13:https://fjnews.fjsen.com/wap/2026-11/15/content_32283729.htm
  2. OPC Foundation,OPC UA for Process Automation Devices - PA-DIM:https://reference.opcfoundation.org/specs/OPC-30081/1
  3. OPC Foundation,OPC Unified Architecture – Part 1: Overview and Concepts:https://reference.opcfoundation.org/specs/OPC-10000-1/1
  4. Eclipse Ditto,项目与数字孪生对象技术说明:https://eclipse.dev/ditto/
  5. Eclipse Ditto,Digital Twins Explained:https://eclipse.dev/ditto/intro-digitaltwins.html
分享到