一、工业 AI 的业务架构

工业AI系统通常采用分层架构，从底层到顶层依次为

┌─────────────────────────────────────────────┐│           企业层：MES / ERP / 数据分析        │├─────────────────────────────────────────────┤│         边缘层：AI推理 / 数字孪生             │├─────────────────────────────────────────────┤│        控制层：运动控制 / 视觉处理 / PLC      │├─────────────────────────────────────────────┤│   执行层：伺服电机 / 气缸 / 机器人关节        │├─────────────────────────────────────────────┤│   感知层：工业相机 / 力传感器 / 编码器        │└─────────────────────────────────────────────┘

感知层负责从物理世界采集数据——工业相机拍摄工件、编码器反馈关节角度、力传感器感知接触力。这些数据是整个系统闭环的起点。

控制层负责实时处理感知数据并生成控制指令——运动控制卡计算伺服电机的力矩命令、视觉处理器执行缺陷检测算法、PLC执行逻辑联锁。控制层的特点是硬实时：控制循环必须在确定的时间内完成（通常1-10ms），否则会导致安全事故。

边缘层负责在设备侧运行AI推理——缺陷检测模型、视觉定位算法、预测性维护模型在边缘设备（如GPU工控机、嵌入式AI芯片）上运行。边缘AI的核心价值是低延迟+数据安全：推理延迟<100ms，且敏感数据不离厂。

企业层负责生产管理和数据分析——MES（制造执行系统）排产和报工、ERP统筹供应链、质量分析系统挖掘良率提升机会。企业层的特点是大数据+长周期：分析时间窗口通常是天到月，分析对象是海量历史数据。

1.2 硬件基础：工业计算的关键节点

工业AI的硬件基础围绕三个计算节点展开

传感器端计算

• 工业相机内置ISP（图像信号处理器），完成曝光控制、坏点校正等预处理
• 智能传感器（如康耐视Keyence的视觉传感器）内置小型CNN加速器，可独立完成尺寸测量
• 边缘传感器节点运行TinyML模型，执行数据压缩和异常检测

边缘端计算

• GPU工控机（如NVIDIA Jetson AGX、华为Atlas）运行复杂AI模型
• FPGA（如Xilinx Kria）运行确定性视觉处理流水线
• 专用AI芯片（如华为昇腾、海思3519）运行推理任务

云端计算

• 大规模模型训练（通常在云端进行，模型参数再下发到边缘）
• 跨工厂数据聚合和联邦学习
• 长周期质量分析和工艺优化

2.3 软件基础：工业AI框架

运行时框架：

• ROS/ROS2：机器人操作系统，提供标准化的通信和工具链，但实时性不足
• EtherCAT：工业实时以太网，1ms同步精度，用于运动控制
• OPC UA：工业信息模型标准，用于IT/OT融合

AI推理框架：

• TensorRT：NVIDIA GPU推理优化，支撑深度学习模型实时运行
• OpenVINO：Intel CPU/GPU推理优化
• TFLite Micro：嵌入式端TinyML推理

工业软件：

• PLC编程环境（西门子博图、三菱GX Works）
• SCADA系统（WinCC、IFIX）
• MES系统（西门子Opcenter、达索Apriso）

二、AI机器视觉：让机器看懂世界

2.1 工业视觉的技术体系

工业机器视觉是Physical AI中发展最成熟、应用最广泛的技术分支。其核心任务是让机器从图像中理解物理世界的状态。

工业视觉系统的典型架构

工业相机 → 镜头 → 光源 → 图像采集卡 → 工控机/GPU → 控制系统

工业相机的分类

按芯片类型：

• CCD相机：成像质量高，但功耗大、成本高，正在被CMOS取代
• CMOS相机：成本低、速度快，主流选择

按快门类型：

• 全局快门：所有像素同时曝光，适合运动物体（运动场景选这个）
• 卷帘快门：逐行曝光，成本低，适合静止物体

按色彩：

• 黑白相机：精度高，适合尺寸测量、缺陷检测
• 彩色相机：适合颜色相关的检测（胶路颜色、标签印刷）

2.2 工业视觉的三大应用

缺陷检测（AOI/AVI）缺陷检测是工业视觉最大的应用场景，用AI替代人工目检。

传统机器视觉的缺陷检测流程：

• 人工设计缺陷特征（如边缘检测、灰度阈值）
• 规则化判断（if缺陷特征>阈值 then NG）
• 局限性：只能检测预设类型的缺陷，无法发现新类型

AI缺陷检测的突破：

• 深度学习从海量样本中学习缺陷模式（CNN/Vision Transformer）
• 能够发现未曾预设的新类型缺陷（泛化能力）
• 迁移学习：少量样本微调即可部署到新产线

典型应用场景：

• 3C零部件：手机中框划痕、摄像头镜片缺陷、电池表面瑕疵
• 半导体：晶圆表面缺陷、芯片封装缺陷
• 汽车：车身漆面缺陷、冲压件毛刺、焊接飞溅
• 光伏：电池片隐裂、黑斑、印刷不良

视觉引导（VGR/Vision Guided Robotics）视觉引导是工业机器人的"眼睛"，用于定位工件的位置和姿态：

典型流程：

• 工业相机拍摄工件（固定位置或机器人末端安装）
• 视觉算法识别工件特征点（边缘、角点、孔位）
• 计算工件的实际位置和角度
• 机器人控制器补偿工件偏移，引导执行机构准确操作

典型应用：

• 料框抓取：Bin Picking，从杂乱零件中抓取任意姿态的工件（物流场景）
• 装配引导：将连接器精确插入孔位（电子制造场景）
• 焊接引导：激光焊接焊缝跟踪（汽车制造场景）
• 涂胶引导：密封胶路径跟随（车门焊缝场景）

三、工业互联网与智能制造

3.1 自动化到智能化的跃迁

制造业的数字化转型经历了四个阶段：

1.0 机械化：蒸汽机驱动机械化生产，替代手工劳动

2.0 电气化：电力驱动流水线生产，实现大规模制造

3.0 信息化：ERP/MES系统实现生产过程数字化管理

4.0 智能化：AI驱动生产系统的自主优化和决策

工业4.0的核心特征是数据驱动和自主决策：

• 传感器遍布生产线，实时采集海量数据
• AI模型分析数据，发现隐含规律
• 闭环控制优化生产参数，实现持续改进

3.2 数字孪生：虚实映射

数字孪生（Digital Twin）是工业4.0的核心概念——在数字空间中建立物理设备的精确映射，实现虚拟调试、远程监控和预测优化。

数字孪生的三层架构：

• 物理层：真实的生产设备、传感器、控制系统
• 数字层：物理设备的3D模型+实时数据映射
• 应用层：基于数字孪生实现仿真优化、故障预测、远程运维

数字孪生的典型应用：

虚拟调试：在虚拟环境中调试机器人程序，调试完成后直接部署到真实设备，节省80%的停机时间。

工艺优化：基于数字孪生模拟不同工艺参数下的产品质量，搜索最优工艺窗口（温度、压力、速度等），缩短工艺开发周期60%。

预测性维护：基于设备数字孪生模型，分析设备运行数据，预测设备故障时间，在故障前安排检修，避免非计划停机。