这两年工业AI很火。预测性维护、质量检测、能耗优化——每个方向都有公司在做。
但真正落地的项目，不到10%。
剩下的90%死在什么地方？
死在数据上。
一个真实的预测性维护项目，做了半年，失败了。
客户是一个注塑厂，想用AI做注塑机的预测性维护——通过分析注塑机的压力、温度、速度曲线，预测模具什么时候会出问题。
想法很好。注塑机的PLC里有完整的工艺参数——注射压力、保压压力、熔胶温度、模具温度、注射速度、保压时间。这些数据每秒钟采集一次，存到数据库里。
理论上，这些数据足够训练一个预测模型。
但实际做的时候，数据出了三个问题。
问题一：数据质量太差。
注塑机的传感器精度不高，而且经常漂移。同一个工况下，压力读数在±5%的范围内波动。温度读数在±3℃的范围内波动。
AI模型需要的是“干净的数据”。但工业现场的数据从来都不干净——有噪声、有漂移、有异常值、有缺失值。
问题二：数据标签不完整。
预测性维护需要“标签”——什么时候模具出了问题、出了什么问题、问题有多严重。
但注塑厂没有完整的维修记录。模具出了问题就修，修完就继续生产。没有人记录“什么时候出的问题、什么问题、修了多久”。
没有标签，AI模型无法训练。
问题三：数据不均衡。
模具出问题是“小概率事件”——可能几个月才出一次。正常生产的“数据”有几百万条，出问题的“数据”只有几百条。
数据不均衡，AI模型学不到“异常模式”。
工业AI落地的三道坎
第一道坎：数据采集。
工业现场的数据源很多——PLC、传感器、仪表、视觉系统。但要把这些数据采集上来，本身就不容易。
协议不统一：Modbus、S7、OPC UA、MQTT……每种协议都要单独对接。
数据频率不同：温度1秒采集一次，振动10毫秒采集一次，视觉检测每帧都要处理。
数据量巨大：一个中等规模的工厂，每天产生的原始数据可能几十GB。
第二道坎：数据治理。
采集上来的数据，不能直接喂给AI模型。要做清洗、对齐、标注、特征工程。
清洗：去除噪声、填补缺失值、处理异常值。
对齐：不同设备的数据时间戳要对齐——PLC的时间和传感器的可能不一致。
标注：给数据打标签——哪些是正常、哪些是异常、异常是什么类型。
特征工程：从原始数据里提取有用的特征——时域特征、频域特征、统计特征。
第三道坎：模型部署。
模型训练好了，怎么部署到现场？
云端部署：数据传到云端，算完返回结果。延迟高、依赖网络、数据安全风险。
边缘部署：模型跑在边缘网关上。延迟低、断网可用、数据不出厂。但边缘设备的算力有限。
我的建议：边缘部署。 工业场景对实时性和数据安全的要求高，云端部署很难满足。而且现在边缘设备的算力已经足够跑常见的AI模型了。
工业AI落地的正确姿势
第一步：不要一开始就做AI。先做数据采集。
把设备的数据完整地采集上来，存到数据库里。这一步不做，后面都是空谈。
第二步：做好数据治理。
清洗、对齐、标注——这些工作看起来不“高大上”，但决定了AI模型能不能用。
第三步：从简单的模型开始。
不要一上来就搞深度学习。先用简单的统计模型——阈值报警、趋势分析、相关性分析。这些模型不依赖大量数据，不需要标注，能快速上线。
第四步：边缘部署。
把模型部署到边缘网关上。数据在本地处理，结果在本地输出。延迟低、断网可用、数据不出厂。
第五步：持续迭代。
AI模型不是一次训练就完了。要根据现场的反馈持续优化——调整特征、调整参数、补充数据。
关于工具
EdgeLiteGateway支持ONNX Runtime边缘推理，可以在网关上跑常见的AI模型。数据在本地采集、本地推理、本地输出结果，不需要上传到云端。
配套的ProtoForge可以模拟各种工业设备的数据流，用于训练和验证AI模型。在没有真实设备的情况下，先用仿真数据跑通流程。
ProtoForge： GitHub：suoten/ProtoForge Gitee：suoten/ProtoForge
EdgeLiteGateway： GitHub：suoten/EdgeLiteGateway Gitee：suoten/EdgeLiteGateway
