大家好，我是成都小火科技公司軟件產品經理，當下是2025年11月13日，星期四。前段時間前往德陽的一個機械廠，廠長帶領我去參觀車間，指很多進口的加工中心說道，這些東西一臺得有上千萬，如果壞了停止運行一天，損失就足夠給全廠發放兩個月的工資。半夜個電話是他最為懼怕的，在設備出現報警狀況的時候，維修工趕過去之后，所發現的是傳感器出現誤報的情形。一年之中會出現三百多次這樣的無效報警情況，使得人心惶惶。他，就說道，如果能夠有樣一個系統，能夠提前告知哪臺設備可能會出現問題，該有多好。算是工業智能體項目里最為常見的開場白了，設備預測性維護，雖然聽挺玄乎的，可一旦落地就是實打實的白花花銀子了。

當這個客戶被我接觸的時候，他已經用上了套已經上線的MES系統，不過MES系統僅僅負責執行，卻不負責預測。設備數據是有了，就樣放在數據庫里閑置。他所提出的非常明確的需求是：去打造一個AIAgent，個在24小時里緊緊盯的設備參數，像溫度、振動、電流、壓力等，一旦出現異常就提前預警，還能夠自動生成維修工單并派發給工程師。我的技術主管一聽到后，得去運用LSTM來進行時間序列異常檢測，再去運用強化學習來開展派單優化，技術棧就確定成用Python加上TensorFlow來進行模型構建，用Java來進行系統集成。可是問題就出現了，工控系統的數據協議是多種多樣的，像OPCUA、Modbus、Profibus等，而且每個廠商還都有其自家的小變種。兩個工程師被我派去待在車間里，使用協議分析儀進行抓包操作，隨后逐一進行解析工作，經過長達兩個月的時間之后數據管道才被成功打通。

開發周期整了有六個月，有人就詢問起開發周期得要多久。對于這類工業項目，周期是短不了的，因為得去跟生產節奏相跟隨。客戶邊不能停機，我測試只能夠趁周末或者夜班去進行，時間就是零零碎碎的。中間需求想要進行調整，可以進行調整，但是得看看生產線的安排。客戶在第四個月的時候，聲稱想要將質量檢測也進行集成，以視覺識別來取代人工目測。這樣的改動相當不小，我經過評估之后，添加了一個圖像識別模塊，運用YOLOv8來進行缺陷檢測，準確率就達到了94%。為什么不同企業的報價會相差么多？是因為工業智能體并非普通的應用程序，得是既懂PLC又懂工控還懂設備工藝的一類。我公司曾經做過醫院一體機系統，里面也有設備監控模塊，可是醫療方面的標準，跟工業方面的標準可是兩碼事。還做過個智慧城市的系統，個數據的量級倒也差不多，不過個數據源卻更加穩定。

技術人員方面，我投入了十四位人員，其中有五個算法工程師，三個做嵌入式的，四個Java后端的人員，兩個前端的人員。研發人員的占比超過了80%，這里面30%以上是來自互聯網大廠的，有從華為出來的，有從西門子出來的，帶原廠的經驗。成都的小火科技公司作為軟件企業單位（證書編號：川IRQ-2025-0052）、高新技術企業（證書編號：GR202451001272）以及成都軟件協會理事單位（證書編號：CDSIA-5373），這些資質在投標的時候會成為加分項。云服務器還是線下自主服務器？客戶很堅決地要求本地進行部署，數據是不會上外網的，我于是搭建起一套私有云，服務器就放置在他的機房里，防火墻設置成有三層。APP是否能同時適配iOS和安卓？他并沒有需要APP，給維修工配備的是工業平板，是安卓系統，還專門為其定制了離線的功能，因為車間里頭信號是比較差的。

測試階段里有一個較為大膽的嘗試被我來進行，使用歷史故障數據去進行回測，模擬了三百多回次的故障，查看系統是否能夠提前兩小時進行預警。結果發現出現了漏報兩回次的情況，經過檢查原來是傳感器數據采樣頻率不夠，就從每秒一次改為每秒十次，這使得算力要求有所上升，不過準確率倒是達到了標準。上線的時候如果有bug出現，我會去進行修復？會去進行修復，不過存在一個響應等級，對于影響生產的P0級的bug，我承諾在1小時內就到達現場。

維護費是如何收取的？首年是免費的，而后每年則按照合同額的20%來收取，因為工業系統的維護成本是比較高的，工程師需要去到現場。后期要是想要添加功能還需要額外花錢？是需要的比如說客戶要是想要加個能耗優化的模塊相關的，屬于新算法，重新報了價格。代碼的版權歸屬于客戶？歸屬于客戶但是模型訓練所使用的基礎框架是我所預先訓練的，這一部分在合同里得單獨去進行約定。

UI能夠設計多少個版本？僅僅設計了一版，由于操作工所需要的是簡潔，按鈕要越大越好，顏色得越醒目越好，這可不是設計師用來炫技的地方。交付質量如何？系統上線之后，成功預警了四次設備故障，避免了可能出現的生產中斷，客戶算了一筆賬，ROI是1比8。像數據大屏監測系統這類可視化要求頗高的項目我做過，而工業智能體卻是重于預測與決策、邏輯更為進一層的項目。ISO/IEC27001:2002認證（編號為840251S20185R0SC）我是有的，工業數據安全是不能馬虎的紅線。

復盤這個項目的時候，最大的障礙是低估了現場環境的復雜性。我的算法在實驗室環境里的準確率是98%，可是一到車間，電磁干擾使得傳感器數據出現跳變，模型就頻繁誤報。之后添加了濾波與滑動窗口的內容之后，才得以穩穩地穩住。經驗需要補充么一點點，工業智能體可不要去追求一下子就全部到位，先進行單點的突破相關的，比如說先把預測性維護做到一個85%準確率相關的，之后再去擴展別的功能。

重點需要提醒很多想要去應用工業AI的企業，你需要先把自家設備的數據采集做得穩穩當當的，系統就算再智能，也經不起傳感器天天就掉線相關的情況。說到底工業智能體是給老師傅配備的一個數字助手，并非是將老師傅換掉。技術能夠起到提升效率的作用，可是工藝方面的經驗沉淀，還得依靠人。

文章來源網址：http://www.zeyuandiaosu.com/archives/xitongkaifa01/2406，轉載請注明出處！