上周我去了一家给主机厂做配套的冲压厂，车间新上了MES，大屏上OEE跳得煞有其事。我问车间主任老赵：“这些数你敢拿来排产吗？”他瞥了我一眼，压低声音说：“那个稼动率，是我让技术员手动调上去的——要不老板看着难受。”得，又一家“智能制造示范线”。说实话，这场景我见得太多了。数据是有了，可都是给人看的，不是给机器用的。

数据采集：你以为是数字化，其实是新时代的“抄表工”

很多厂子一说搞智能制造，就先上采集。传感器一装，网关一配，数据哗哗往平台上走。然后呢？然后就没有然后了。我去过一家轴承厂，磨床上的振动传感器精度倒是高，可安装位置不对，磨偏了都测不出来。数据采了一大堆，最后工艺优化的还是靠老师傅拿螺丝刀听音儿。💡 数据采集不是万能的，采不到关键特征，再多的数据也是垃圾。

工业设备加装传感器振动分析现场

更头疼的是老设备。连个网口都没有，难道直接报废？老板心疼钱啊。我见过最离谱的，是某厂为了采集一台80年代老冲床的状态，专门安排了个工人，每小时去瞧一眼，然后在PAD上勾一下——这叫“人工IoT”。你还别笑，很多智能制造项目就是这么起步的。❗

问：我们厂里有很多老旧机床，PLC太老没法直接联网，怎么低成本做数据采集？

答：别慌，现在办法多。可以外接智能电表监测电流，间接判断设备启停和负载；或者用无线振动温度传感器贴在关键部位，走LoRa或Wi-Fi，不用改电路。还有种“贴牌派”做法，买带Modbus RTU转Ethernet的网关，几百块钱一个。关键是先挑最痛的点，比如总是出故障的那台机，把它搞定。没必要一上来全覆盖，那不叫智能制造，那是烧钱。

模型建了一大堆，最后全成了“花瓶”

数据采来了，很多企业就急着上AI，搞预测性维护、质量预测。想法很好，可现实呢？我经手过一个项目，用深度学习预测电机故障，实验室准确率98%，现场一跑，误报率超过60%，工人直接把报警音响拔了。原因？训练数据全是实验室空载下的，实际负载变化、环境振动、电网波动，全没考虑。你的模型不是不准，是你喂给它的数据太“干净”了，干净的脱离了地气。

工业AI预测性维护误报现场报警器被关闭

还有更逗的，某厂上了个智能排产系统，算法推出来的计划，车间主任一次都没执行过。问为啥，他说：“它连换模时间要两小时都不知道，给我排得密密麻麻，我拿头生产？”这就是典型的“数据闭环”没闭上。系统里关于换模时间的数据是八年前Excel里的数字，黄花菜都凉了。

别迷信“整体方案”，你的工厂不是实验室

别迷信“整体方案”，你的工厂不是实验室

这几年，智能制造服务商满大街都是，一开口就是“端到端整体解决方案”。听着特高大上，对吧？但落地呢？10个里有9个水土不服。为啥？因为每家工厂的烂摊子都是独一无二的：物料编码混乱、BOM不准、工装夹具千奇百怪、老师傅的手法比SOP好使……这些“暗知识”系统里根本没有。你想用一个平台来“统一管理”，结果就是平台被现实管理得服服帖帖，最后沦为看板。

我特别反感某些展会上的宣传：屏幕上流光溢彩，数字工厂分分钟建成。真让他来我们机加工车间呆一天，那油味、那噪音、那永远少一张的图纸，看他还能不能笑得出来。😠

问：我们老板看到同行都在搞“黑灯工厂”，也想大干快上，但我们是多品种小批量，真适合吗？

答：千万别冲动！黑灯工厂的前提是标准化和单一品种大批量。你搞多品种小批量，换线频繁，自动化设备一换产，调试时间比你人工干还长。我的建议是：先从柔性工装和快速换产下手，比如用零点定位系统，把换模时间从两小时压缩到10分钟。然后，再考虑给瓶颈工序上点视觉检测或协作机器人。智能制造不是非黑即灯，小批量也能智能，关键在“流动”和“透明”，而不是没人。

写到这里，突然想起一件事。十年前我们在车间跑项目，老工程师说：搞什么信息化，还不如把我那台老铣床保养好。当时觉得他顽固，现在觉得话糙理不糙。数据只是工具，最终要回归到解决问题本身。设备趴窝、质量波动、交期延迟，这些才是你该盯的事儿。别被花哨的概念带偏了。

智能制造，说到底，是一场自己跟自己的仗。数据得自己理，流程得自己顺，人得自己变。指望买个系统就万事大吉，醒醒吧。✅