工业智能体要真正进入生产现场，首先要面对的不是模型问题，而是数据问题。

制造企业通常并不缺数据。设备有传感器数据，产线有节拍数据，MES 有工单数据，QMS 有质量数据，WMS 有库存数据，CMMS 有维修数据，ERP 有订单和成本数据，SCADA 或 Historian 中还保存着大量过程趋势数据。

但当企业希望智能体回答“为什么良率下降”“为什么设备频繁停机”“是否可以调整排程”“这个批次是否有风险”时，往往会发现数据并不容易直接使用。原因在于，工业数据天然具有分散、异构、语义复杂和上下文强依赖的特点。

工业智能体如果只是连接数据库，而不能理解数据含义，就只能做浅层查询，很难支撑可靠推理。因此，工业智能体的第一项基础工程，不是搭建问答界面，而是建设可供智能体理解和调用的工业数据底座。

一、工业数据的主要难点

1. 命名不统一

同一台设备，在 MES 中可能叫“Line-3-Machine-02”，在 SCADA 中叫“M302”，在维修系统中叫“CNC-3-2”，现场人员则称其为“三线二号机”。如果没有统一资产映射，智能体很难准确找到对应数据。

2. 指标含义不清

“温度”可能指炉膛温度、模具温度、出料温度、夹套温度或环境温度。不同温度对质量和设备状态的影响完全不同。智能体如果无法理解指标语义，就可能把无关变量当成关键原因。

3. 时间粒度不一致

设备数据可能是秒级，质量检测数据可能是批次级，工单数据可能是小时级，库存数据可能是天级。要分析质量异常，就需要把这些不同粒度的数据按设备、批次和时间窗口对齐。

4. 数据质量不稳定

传感器漂移、数据缺失、异常尖峰、人工录入错误、设备离线、接口延迟，在工业现场非常常见。智能体必须知道哪些数据可信，哪些数据只能作为参考。

5. 上下文缺失

质量问题往往不是由单一变量决定，而是由设备、物料、工艺、环境、人员和计划共同作用产生。没有上下文，智能体只能给出模糊判断。

二、工业智能体需要的数据语义层

为了让智能体真正理解工业现场，需要在原始数据之上构建工业数据语义层。它的目标，是把分散在不同系统中的数据转化为可关联、可查询、可解释、可推理的工业对象。

1. 资产模型

资产模型描述工厂中的物理对象及其关系，包括工厂、车间、产线、工位、设备、部件、传感器、控制点位和备件。

例如，3 号产线包含注塑机、机械手、检测工位和包装工位；注塑机包含液压系统、加热系统、锁模机构和模具；模具又关联温度、压力、冷却水流量等关键点位。

有了资产模型，智能体才能理解“这台设备”“这个工位”“三线模温异常”具体指向哪些数据对象。

2. 工艺模型

工艺模型描述产品如何被制造，包括工序、工艺路线、配方、参数窗口、关键控制点和质量控制点。

例如，一个涂布工艺可能包含放卷、涂布、烘干、冷却、收卷和检测。每道工序都有关键参数，例如涂布速度、浆料粘度、烘箱温度、张力、湿度和膜厚。智能体分析膜厚波动时，必须知道哪些参数属于关键控制点。

3. 质量模型

质量模型描述批次、检测项目、缺陷类型、判定标准、抽检规则和追溯关系。

例如，某批次对应某工单、某物料批次、某产线和某检测标准。质量模型是智能体做质量异常分析、批次追溯和放行建议的基础。

4. 事件模型

事件模型记录生产过程中的关键事件，包括报警、停机、换线、换模、换料、维修、点检、首件确认、参数变更和质量异常。

很多时候，事件比连续数据更能解释问题。例如不良率从下午 2 点开始上升，刚好 1 点 50 分进行了换料，2 点 10 分出现设备报警，这些事件为根因分析提供了重要线索。

5. 权限与责任模型

工业数据并不是所有人都能看、所有人都能改。智能体需要知道用户是谁、属于哪个岗位、拥有何种权限、能访问哪些产线、能发起哪些操作。没有权限模型，智能体容易出现越权访问或越权操作风险。

三、数据语义层如何支撑智能体推理

以电子装配企业的焊接不良为例。假设 A 产品在 2 号产线的焊接不良率从 1.2% 上升到 4.8%，质量工程师询问：

“帮我分析一下 A 产品今天焊接不良率升高的原因。”

如果没有语义层，智能体可能只能查询质量报表，然后回答“可能与设备、物料或工艺参数有关”。

如果已有语义层，智能体可以按以下路径分析：

1. 识别 A 产品的工艺路线。
2. 定位主要缺陷类型，例如虚焊和连焊。
3. 找到 2 号产线对应的焊接设备和检测工位。
4. 确定当天生产批次和时间范围。
5. 追溯锡膏批次和 PCB 批次。
6. 检查当天是否发生换线、换料、设备维护或程序切换。
7. 查询焊接温度曲线、传送速度、锡膏回温时间和环境湿度。
8. 对比历史正常批次和异常批次。
9. 输出候选根因和证据链。

智能体最终可能给出：

• 今日 10:20 后虚焊占比明显上升，主要集中在 A 产品第 3、4 焊点。
• 10:05 更换了锡膏批次，且新批次回温记录缺失。
• 回流焊第 4 温区实际温度在 10:20—11:10 期间低于工艺窗口下限。
• 建议优先检查锡膏回温记录、第 4 温区温控状态，并隔离相关时间段批次复检。

这样的输出不是泛泛而谈，而是基于语义关联和数据证据形成的工程分析。

四、数据治理应从智能体场景倒推

很多企业做数据治理时，容易追求“大而全”的数据中台，试图一次性打通所有系统、清洗所有数据、建立完整主数据体系。这种方式周期长、投入大，也容易与业务价值脱节。

工业智能体项目更适合采用“场景牵引”的数据治理方式。先明确要解决的业务问题，再倒推所需数据。

如果第一个场景是“设备报警解释”，优先治理：

• 设备资产编码。
• 报警代码字典。
• 报警历史记录。
• 设备运行状态。
• 维修记录。
• 设备手册和处理 SOP。
• 设备与产线、工单的关联关系。

如果第一个场景是“质量异常分析”，则优先治理：

• 产品与工艺路线。
• 工单与批次。
• 质量检测结果。
• 缺陷分类。
• 物料批次。
• 设备参数趋势。
• 换线、换模、换料、维修等事件记录。

这种做法能够让数据治理与业务价值形成闭环，避免长期停留在基础平台建设阶段。

五、工业数据接入的技术要点

工业智能体通常需要处理三类数据。

1. 结构化业务数据

来自 MES、ERP、QMS、WMS、CMMS 等系统，包括工单、产品、批次、质量检测、库存、维修工单、设备台账和人员班组。重点是统一主数据和业务口径，而不是简单同步。

2. 时序过程数据

来自 SCADA、Historian、IoT 平台或设备采集系统，包括温度、压力、电流、速度、振动、流量、湿度和能耗等。智能体通常不应直接读取大量原始曲线，而应先生成摘要特征，例如最大值、最小值、均值、波动范围、超限时长和异常时间段。

3. 非结构化文档数据

包括 SOP、设备手册、维修说明、工艺规范、质量标准和历史问题报告。适合用 RAG 处理，但必须保留文档版本、适用范围、生效日期、审批状态和权限等级，避免引用过期或不适用内容。

六、让智能体知道“不知道”

工业智能体不应假设所有数据都是完整和正确的。它必须具备数据质量感知能力。

例如，在分析设备异常时，如果关键传感器离线，智能体应明确提示：“当前缺少主轴温度数据，无法判断温升是否为主要原因。”在分析质量异常时，如果物料批次追溯缺失，应提示：“无法确认异常是否与物料批次变化有关。”

这种“不确定性表达”非常重要。工业现场宁可让智能体保守提示数据不足，也不能让它基于不完整数据给出确定结论。

结语

工业智能体的能力上限，首先取决于工业数据底座的质量。没有统一资产模型、工艺模型、质量模型、事件模型和权限模型，智能体只能做局部问答，很难支撑跨系统推理和生产决策。

制造企业建设工业智能体，不应从“接入大模型”开始，而应从“让生产数据可理解、可关联、可追溯”开始。数据语义化不是额外工作，而是工业智能体从演示走向生产可用的必经之路。