上礼拜去了一家做汽车零部件的厂，厂长拉我看他们新上的‘AI预测性维护系统’。大屏幕很炫，曲线跳动，但旁边的老师傅叼着烟，压根不看。我问师傅为啥不看，他说：‘那玩意儿瞎叫，该坏的轴承不报警，不该坏的乱报。’ 我瞅了一眼后台，模型跑的是三年前的数据，特征都没选对。这事儿特别典型——很多厂里的AI，真的就是皇帝的新衣。

预测性维护的坑，踩不完

说实话，预测性维护这个概念火了快十年了吧？但真正落地的，十个项目九个半残。为什么？因为太多乙方上来就是‘我们有深度学习模型’，然后拿公开数据集跑个99%准确率，到现场抓瞎。工业数据啥样？噪声多、缺失值多、工况复杂。一台冲压机，夏天和冬天的振动频谱都不一样，你拿冬天的模型去预测夏天的故障，能不瞎叫吗？ 去年和一家钢厂合作，他们的轧机轴承老坏，想用AI提前48小时预警。一开始也是各种高大上，后来发现，最有效的特征就是温度变化率。对，就这个，不是什么复杂的LSTM神经网络，就是简单的数理统计。把传感器位置调整了一下，误报率从40%降到5%。所以啊，别一上来就搞大模型，先把物理机理搞透。 问：既然简单模型更好，为什么都推深度学习？ 答：因为不搞深度学习，怎么卖贵？怎么拿政府补贴？很多AI公司其实是在卖概念，项目结题了就跑，留下工厂自己维护不了。说到底，能解决问题的才是好技术，别管它深度不深度。❗ 钢铁厂轧机轴承温度监测传感器安装现场

机器视觉的火爆与尴尬

现在哪个自动化展没有机器视觉？缺陷检测、定位引导、OCR，看得眼花缭乱。但真正用起来，也是喜忧参半。有家手机玻璃屏厂，上了视觉检测系统，要求把划痕、气泡、脏污全检出来。结果呢？漏检率倒是低了，过杀率奇高，一片玻璃要人工复检三次，产线效率还降了。后来发现是光源问题，环境光干扰没遮好。这种细节，甲方不懂，乙方如果没经验，就互相扯皮。 视觉这块，数据标注真是无底洞。我有次帮一个项目标缺陷图，标了三千张，眼睛都快瞎了。结果模型上线后，来了一种新丝印不良，没标过，全漏。你说怎么办？重新标呗。所以现在都讲小样本学习、迁移学习，但工业场景的缺陷千奇百怪，纯靠AI不现实，必须要和工艺结合。比如调整打光角度，或者从机械结构上减少抖动，这些比调模型参数管用得多。 工业机器视觉检测手机玻璃划痕实物特写 问：视觉检测是不是可以完全替代人眼？ 答：替不了。人眼的适应性和综合判断能力，AI差远了。现在只能替代那些重复性高、对人有害的岗位。比如在高温、粉尘环境，或者看细小重复图案。但像判断一个铸件表面纹理是不是‘正常’，老师傅扫一眼就知道，AI得纠结半天。所以最好的人机协作，是AI初筛，人工对可疑品复判，这样效率最高。✅

数字孪生：PPT里的完美，车间里的骨感

数字孪生：PPT里的完美，车间里的骨感 数字孪生也是这几年的大热词。打开各种工业互联网平台，三维可视化一个比一个酷，旋转、缩放、剖切，如同游戏。但数据呢？我见过一个数字孪生项目，连设备实时数据都没接全，就在那演示‘虚拟巡检’。产线停了半小时，系统里还在跑。这种作秀工程，浪费钱不说，还让老板觉得数字化转型不过如此。 真正的数字孪生，核心不是动画，是模型与实体的同步和互操作。比如你改了虚拟产线的一个参数，真实产线能响应吗？或者反过来，设备故障能实时在虚拟空间报警并定位吗？这背后是物联网、数据清洗、实时计算一大堆苦活累活。去年有个做机床加工的小伙子，自己用开源工具搭了个简易孪生，监控主轴振动和刀具磨损，成本不到十万，效果比几百万的商用系统还实在。所以说，关键在于人对工艺的理解，不是软件好不好看。 我好几次遇到，老板们参观完展厅回来就拍板：‘我们也做个一模一样的！’ 然后预算批了，做出来就成了电子沙盘，操作工根本不看。这事儿真该刹住车了，数字孪生不是摆设，是要解决实际问题的，比如远程调试、工艺仿真、培训。务实点，哪怕只孪生一台关键设备，也比全厂做花架子强。💡 问：中小企业没有IT团队，怎么开始用AI？ 答：别一上来就想自己搞。先用成熟方案，比如带AI的视觉传感器、智能巡检机器人，买来就能用，遇到问题有售后。数据先存着，云端有免费的分析工具可以试试。最重要的是，找个懂工艺又懂点数据的内部人牵头，外部顾问只帮忙，不要全扔给他们。一开始目标定小一点，比如就检测一个尺寸不良，或者监控一台泵的电流，做成了再推广。积累数据和经验，比啥都强。很多成功的案例，都是从一个小点开始的。❗ 人工智能在工业落地，真的是一场持久战。别被那些天花乱坠的PPT忽悠，踏踏实实从产线痛点出发，哪怕是改一个传感器位置，都比调一个超参有用。智能化不是换设备，是换脑子。