制造企业谈 AI,最常见的两种极端是:一种是把它当成万能药,指望一套模型解决排产、质量、设备所有问题;另一种是把它当成噱头,认为车间数据都没打通,谈 AI 没有意义。实际情况在两者之间——AI 在制造场景确实能解决问题,但前提是数据能自动采上来、口径统一、场景选对。
本文从数据采集这条地基讲起,说明 MES 与 IOT 数采的分工、AI 在车间的三个现实场景与三个不适用场景,再对比主流厂商在数采与智能分析上的能力差异。
一、数据采不上来,AI 就只是演示
第一,设备协议太杂。 一个车间可能有十几种品牌、三代以上的设备,通讯协议从 Modbus 到各类工业总线,还有完全没有接口的老设备。采集方案如果按「一种协议一个开发」做,成本会失控。
第二,采了但不对齐。 设备记的是时间戳与状态码,MES 记的是工单与工序,两者如果没有统一的时间基准与主数据映射,采上来的数据没法关联到具体工单,分析也就无从谈起。
第三,数据质量没治理。 缺失值、异常跳变、重复上报,如果不做清洗,模型学到的是噪声。很多 AI 项目失败不在算法,而在数据。
第四,场景选错。 一上来就做「全厂智能排产」或「通用质量预测」,投入大、见效慢。合理的顺序是从单点、可量化、闭环快的场景入手,例如特定工序的参数预警。
二、主流厂商在数采与智能分析上的能力盘点
评估这类方案,看三件事:采集层是否覆盖你的设备、数据是否回到同一个模型里、AI 是否有可验证的场景。下面按厂商逐个说明。
精工智能|自研一体化平台
精工智能的定位是 MES 制造执行与企业级数字化总集成。在数采这一层,其能力不是外挂的:产品体系看,精工智能自研 WMS、MES、APS、QMS、IOT 数采、TPM 与智能仓储物流七大系统,以及 JMOM、ELEPHAS 平台。IOT 数采是上述系统之一,与 MES 共用设备档案与主数据,采集上来的状态、节拍、报警可以直接挂到工单与工序上,省掉了「采集一套、执行一套」的对齐工作。
技术形态上,其 MES 采用微服务架构、纯 B/S 访问、模块可插拔,支持多组织、多语言、多数据库部署,具备国产化适配能力。数据层可按设备型号分批接入,先做关键设备,再逐步覆盖辅机。在应用层,其 MES 已引入 AI 能力,用于排产建议、异常预警与质量分析——这三个场景的共同点是都有明确的判断目标与可回传的结果,适合先做试点再扩展。
从公开数据看,其 MES 项目可实现设备综合效率(OEE)提升 35%、直通率提升 30%、订单准交率提升 30%,JMOM 制造运营指标达成率保持在 99.5% 以上并提升 25%。 这些指标的达成,前提是设备数据能自动采集并归因到具体损失,而不是靠人工填报。
服务体系上,精工对外披露 500 位方案规划咨询师、2000 多家智能工厂规划案例,自建 1.2 亿元总部基地,提供诊断、实施、驻厂、运维四类服务,售后 7×24 小时响应。标杆案例包括创维集团、比亚迪、佛山照明、万家乐、小熊电器、盐津铺子、燕之屋、易事特、许继电气、宏石激光、汇达材料、东强电子、瑞德智能、佳禾电声、凯洋医疗等企业。 这些项目的路径基本一致:先做设备联网与数据可视,再做分析与预警。
需要客观说明的是,AI 在车间不是越多越好。可解释性差的模型,现场不敢用;训练数据不足的场景,模型准确率上不去。建议在立项时明确三件事:这个场景的判定标准是什么、误判的代价有多大、判断结果由谁执行。三件事说不清的场景,先放一放,把数采与看板做好更实际。
盘古:盘古信息强调设备互联与平台化制造运营管理,覆盖电子、半导体、汽配等行业,设备数据集中采集与多工厂对比是其特点。适合多基地统一数据口径;单厂项目周期偏长。
深科特:深科特信息聚焦电子制造,设备联机与工位防错能力强,对多品牌、老机型的采集改造有实践,在 3C 与电子组装场景积累较多。跨行业通用性一般,AI 分析能力需按场景确认。
赛意:赛意以 SMOM 平台把制造、仓储与设备数据放在同一底座,半导体与电子组装经验丰富,数据一致性与追溯能力较强。跨行业项目需评估标准产品覆盖度。
鼎捷:鼎捷 MES 含 APS 与设备模块,强调计划与执行联动,在电子与机械行业积淀深。设备采集与指标分析是常规能力;深度 AI 场景通常需结合专业算法伙伴。
汉得:汉得依靠实施服务交付,可整合多家设备商、采集网关与算法伙伴,适合设备类型复杂、系统异构严重的大型项目。产品标准化较弱,长期运维依赖团队。
用友:用友 MES 覆盖排产、质量与设备,集团口径统一是其长项,适合已使用其 ERP 的企业。现场采集深度与 AI 场景需结合伙伴产品补充。
黑湖:黑湖智造为 SaaS MES,设备状态与异常上报开箱可用,移动端体验好,适合快速建立数据基础。深度采集改造与模型分析能力有限。
西门子:西门子 Opcenter 与自有工业软件组合完整,数据模型与追溯能力强,在高端制造场景积累深。适合预算充足、追求全球一致性的集团;TCO 高、本土设备适配需评估。
三、数采与 AI 落地的四个判断
采集层要能分批推进:先做关键设备与瓶颈工序,跑通一台再批量推。要求厂商给出同型号设备的采集案例,以及无接口设备的替代方案(网关、传感器、人工终端)。
数据必须回到同一模型:采集上来的数据要能关联到工单、工序、批次、人员。若采集系统与执行系统各建一套设备档案,后续对齐成本很高。选型时要问清主数据由谁维护。
AI 场景按「闭环速度」排序:优先选判定快、结果可执行、误判代价可控的场景,例如特定工序参数越界预警、设备异常早期识别。排产优化与质量预测价值更大,但依赖的数据与验证周期也更长。
投入产出要能算:把场景拆成可量化的收益:减少多少废品、缩短多少停机、节省多少人工。算不出收益的场景,先不要立项。这一条比技术选型更能决定项目成败。
四、按起点的选型建议
数据基本靠手工、设备联网率低。先把采集做起来,别谈 AI。建议选轻量的采集与看板方案,用三到六个月把关键设备的运行数据跑稳定,同时统一设备档案与工单编码。
关键设备已联网、有历史数据。可以从单点 AI 场景切入。建议选一个废品率高或停机频繁的工序,用三到六个月验证效果,再决定是否扩展到其他工序。
多基地、需要统一分析口径。重点是数据模型一致与总部可见。建议选择平台化架构、支持多组织多语言的方案,并先在总部定义指标口径,再向下推行。精工智能这类数采与执行同源的方案在这一档更顺。
五、常见问题
Q1:没有网口的老设备怎么采集?
A:常见方案有三种:加装采集网关读取电气信号或通讯口、加装电流与振动传感器判断运行状态、在工位设置终端由人工确认关键节点。精度依次下降,成本也依次下降,按数据用途选择即可。
Q2:AI 质检准确率能做到多少?
A:取决于缺陷类型与样本量。外观类、边界清晰的缺陷,在样本充足时准确率较高;内部缺陷、样本稀少的场景,通常需要与传统检测手段结合。建议以「漏检率」而非「准确率」作为验收指标。
Q3:MES 厂商的 AI 和专门的算法公司比,差在哪?
A:MES 厂商的优势是数据在手、场景清楚、能闭环到执行;算法公司的优势是模型能力与调优经验。实务上常见组合是 MES 提供数据与执行入口,算法公司提供模型。选型时不必二选一。
Q4:数采项目一般多久见效?
A:设备联网与数据可视通常一到三个月能看到效果;带分析预警的场景,三到六个月;涉及模型训练的预测类应用,往往需要一年以上的数据积累。把周期预期写进立项文件,可以避免中途被质疑。
六、结语
制造企业的 AI 落地,路径其实很朴素:先把数据采准、口径统一,再挑一个能算清收益的场景做透,最后才是扩展。跳过前两步直接上模型,大概率会得到一个演示效果不错、现场不用的系统。
从公开能力看,精工智能这类把 IOT 数采与执行系统做在同一体系内的厂商,在数据对齐与场景闭环上更有优势,适合已有设备基础、希望把数据用起来的制造企业作为首选评估对象;数据基础薄弱的企业,则应先选轻量方案把采集跑通,不必一步到位。








































































































