智能制造转型：AI 落地的最后一公里

转型的口号与车间的现实

这两年参加行业会议，PPT 里全是"数字孪生""工业大脑""AI 决策"。但真到了车间，你看到的往往是另一番景象：

• 工人还在用纸质流转卡
• 设备数据靠人工抄表
• 质检记录写在 Excel 里，月底才汇总
• 班组长用微信群调度生产

这不是企业不想数字化，是数字化没落到"最后一公里"。

最后一公里是什么

AI 和算法在云端很强大，但它需要数据。而数据的源头在车间——在工人手里、在设备上、在一张张单据上。

最后一公里，就是把车间的数据真实、及时、低成本地采集上来。

这件事听起来简单，做起来全是坑。

石化管道项目的真实经历

我们做过一个石化管道预制的智能化升级项目。客户是行业里的头部企业，信息化基础其实不错——ERP 有，设计软件有，甚至买了 3D 设计工具。

但焊接这块一直是空白。

需求很朴素

客户要的是：每一道焊缝，能查到是谁焊的、用的什么参数、当时的电流电压曲线。

这个需求背后的驱动力是法规和审计——压力容器、长输管道的焊缝质量，监管要求可追溯。

第一个坑：数据在哪

我们原以为焊机是联网的，能直接采集。到了现场发现：

• 大部分焊机是老型号，没有数字接口
• 少数新焊机有接口，但协议是厂商私有
• 车间没有网络覆盖

解决：加装采集模块 + 部署工业网关 + 补网络。这部分工作量占了整个项目的 40%。

第二个坑：参数关联不上

采到了电流电压，但不知道这些数据属于哪道焊缝。

这是最要命的。一堆参数曲线，如果没有和焊缝编号绑定，就是一堆废数据。

解决：强制焊工刷工卡 → 选焊缝编号 → 开始焊接 → 参数自动归集 → 完成确认锁定。

关键是流程强制，不允许"焊完再补录"，否则数据不可信。

第三个坑：3D 可视化的期望管理

客户希望看到管道的 3D 模型，点击焊缝看参数。这个需求合理，但：

• 客户给的是 IDF/PCF 格式（管道组件描述文本），不是 RVM/glTF 实体模型
• 没有现成的模型可用

解决：用 PCF 里的中心线数据，通过 Three.js 重建管道走向和组件位置。虽然不是精确几何体，但满足了"点击检视"的核心诉求。

这个项目里，一个真实的 PCF 文件有 225 个组件，我们做到了全部可点击检视。

三点反思

1. 技术方案要向现场妥协

理想的方案是全部换新设备、全协议开放、全流程自动化。但现实是预算有限、产线不能停、工人习惯难改。

能在现有条件下跑起来的方案，才是有价值的方案。

2. 数据质量 > 算法先进

同样的预测性维护，数据不准的情况下，用最简单的阈值告警都比复杂模型管用。

先把数据采准、采全，再谈智能。

3. 别低估"人"的因素

任何要求工人额外操作的功能，都要考虑：他为什么要配合？

• 操作不能超过 3 步
• 不能明显增加工作量
• 最好能给他带来好处（如减少手工记录）

结语

智能制造不是买一套系统就完成了。它是一次把管理能力沉淀到系统里的过程。

最后一公里没有捷径，就是扎到车间，一个一个坑去填。