导读 今年 8 月,国务院印发《关于深入实施“人工智能+”行动的意见》,明确提出 2027、2030、2035 年三阶段发展目标。其中,“人工智能+”产业发展行动将工业领域作为重点方向,从人员素养、工业软件、供应链协同等维度,围绕“人、机、料、法、环”全要素推进智能化升级,为我国智能经济发展按下加速键。
10 月 24 日,在介绍和解读党的二十届四中全会精神的新闻发布会上,科技部部长阴和俊强调,要“全面实施‘人工智能+’行动,全方位赋能千行百业”。这一系列政策信号清晰表明:工业智能化正从局部探索,迈入系统性创新与规模化落地的新阶段。在“人工智能+”行动持续推进的背景下,制造业的智能化转型也正在发生深刻变化。当自动化、信息化建设逐步完成,设备联网、系统上线不再是难题,真正的挑战开始浮现——数据如何跨系统流动?知识如何持续沉淀?智能如何真正参与决策与执行?当工业智能进入“场景驱动”的深水区,企业不再缺系统、不再缺数据,而是缺乏将分散数据转化为可解释洞察、可执行决策、可闭环行动的能力。如何用新一代智能工具解决行业长期存在的运维不稳定、质量难追溯等核心痛点,正成为制造企业下一阶段竞争的关键命题。正是在这一背景下,围绕设备运维稳定与质量问题可控,构建“零停机、零缺陷”的智能制造体系,开始从理念走向工程实践。
*主要内容包括以下几个部分:*
-
从“救火式运维”到“稳定性工程”:制造现场的真实困境
-
小停机、高稳定:以 Ontology 为核心的智能运维方法论
-
从“问题追责”到“问题预防”:质量追溯需要运维参与
-
运维 × 质量协同:打造高可靠生产闭环
-
运维稳定与质量追溯的最佳实践
-
质量 × 运维协同如何真正落地?
-
“零停机、零缺陷”,来自系统能力而非运气
分享嘉宾|吴赢时 悦点科技 产研负责人
内容校对|郭慧敏
出品社区|DataFun
01
从“救火式运维”到“稳定性工程”:制造现场的真实困境
在大量制造企业中,设备运维和质量管理长期被视为两个相对独立的体系:
- 运维关注的是设备是否还能跑、什么时候坏;
- 质量关注的是产品是否合格、问题发生在哪个工序。
这种割裂带来的直接后果,是企业在现场管理中反复陷入被动。
一方面,设备运维仍以事后响应为主。虽然部署了传感器和监控系统,但数据分散在不同平台,健康状态缺乏统一评估口径,异常往往在放大成故障后才被发现。非计划停机频发,维修高度依赖个人经验,稳定性难以保障。
另一方面,质量问题“看得见,却追不清”。当批量不良出现时,质量人员往往只能沿着工序、批次、时间轴反复排查,却难以快速判断:问题究竟源自工艺参数波动,还是设备隐性劣化?整改措施缺乏针对性,问题容易反复发生。
归根结底,设备状态与质量结果之间缺乏有效连接,企业很难形成真正可控、可预测的生产体系。
02
小停机、高稳定:以 Ontology 为核心的智能运维方法论
在先进制造实践中,运维目标早已从“设备尽量不坏”转向“故障可预测、影响可控制”。
这意味着,企业不再追求绝对零停机,而是通过提前感知与精准干预,将不可控的大故障,转化为计划内的停机,以换取整体运行的高稳定。
围绕这一目标,悦点科技并未简单叠加算法模型,而是从工程本质出发,构建了以 Ontology(领域本体)为核心的智能运维体系。
Ontology 推进制造业全链路再造与效率跃迁
1. Ontology:让设备、质量与运维“说同一种语言”
在制造现场,最大的技术难题往往不是“算不算得准”,而是数据、模型与业务语义之间无法对齐。悦点通过 Ontology,将原本分散在系统中的隐性知识显性化、结构化:
- 设备被拆解为“设备—系统—部件—工位”的多层结构;
- 每个部件对应明确的失效模式、劣化路径与可观测特征;
- 运维动作、质量缺陷、工艺参数被统一映射到同一语义框架中。
在这一语义底座之上,设备状态不再只是数据点,而是具备工程含义的“可推理对象”。
2. Agent 协同:让知识参与决策,而不是停留在文档中
基于 Ontology,悦点构建了多 Agent 协同机制:
- 数据 Agent负责多源数据校验、对齐与异常捕捉;
- 诊断 Agent基于本体关系进行状态评估与因果推演;
- 决策 Agent联动历史案例与规则,生成可执行的运维与调整方案;
- 反馈 Agent将…