導讀：本文為 Altair 數據科學家楊國宇分享在工業研發環節中基于數據驅動的應用解決方案與產品落地實踐。

主要內容包括以下幾個部分：

1. 產品&產線

2. 哪些工業場景在用 AI

3.LLM 在工業中能產生什么價值

4. Altair 能提供什么

5. Q&A

一、產品&產線

1.產品生命周期

產品全生命周期管理，這一理念在制造業中并不陌生。傳統的產品開發流程從立項開始，往往依賴設計師主觀判斷，甚至由領導“拍腦袋”決定。而現在，借助 AI 技術，我們可以從產品設計階段開始，提供更多智能輔助與科學決策支持。

舉例來說，過去在制造業，通常通過小批量試制進行測試，例如將樣機從十樓扔下測試抗摔性能，這種方式成本高且不易定位問題。而如今，我們可以通過仿真模擬的方式，基于應力應變、結構強度等指標，在電腦上預測產品性能，大幅減少試錯成本。

再以冷水機為例，傳統方式是在產品出現故障后再進行排查，效率低且難以溯源。而現在，通過在冷水機上部署傳感器，采集震動、電流、電壓、溫度等數據，再結合數據分析手段，就可以提前預警、快速定位問題。

AI 與機器學習技術已逐步深入產品研發、設計、制造、質檢及處置各環節，推動制造流程的智能化升級。

2. 數據如何預見未來？

如圖展示的是一個典型車間的產線流程圖，雖然看起來只是普通的生產線，但其中已集成大量傳感器，例如檢測電流、焊接電流、擰螺絲時的扭矩、外部溫濕度等。這些因素都會影響產品質量。

過去我們做數據采集主要用于可視化展示，真正用于決策的價值有限。而如今，通過構建數字孿生系統并結合歷史數據，我們可以進行預測性維護。例如預測某個焊點可能出現的問題，避免質量隱患擴散。

制造過程中的每一個環節、每一個參數波動，都可能對產品質量產生重大影響。

3. 一個焊點的蝴蝶效應

以某車企為例，曾因焊點不穩定問題召回大量燃油車。這種問題可能導致車身結構變化、力傳遞異常，進而引發車身剛度下降，嚴重時降幅達 15%。車輛行駛時可能出現異響，引發用戶投訴，一旦投訴率激增至 300%，企業往往不得不選擇召回，這會造成巨大的經濟損失，甚至達上千萬。

相比之下，如果在產線上預先部署傳感器，進行監控與數據分析，不僅能實現預警，還能結合歷史數據與機器學習模型進行質量檢測與分析。

比如針對焊點的檢測，在傳統方式下極難發現潛在問題：以我個人經驗為例，即使焊接后外觀看似合格，接通電路后仍可能出現不通電的情況，而肉眼檢查很難判斷焊點是否合格。傳統的檢測方式已不再適用。如果在焊槍中集成高精度傳感器，能夠采集微小的電流、電壓變化等信號，并在實驗后進行分析，便可標記出可能存在虛焊、開焊的問題點。隨后，利用這些帶標注的歷史數據訓練機器學習模型，就可以構建起用于分類判斷的系統。

這些模型部署在焊槍側，能夠在 0.1 秒甚至 0.01 秒內判斷焊點是否合格。一旦檢測出可能的虛焊問題，系統會立即反饋給人工進行補焊處理，從而顯著降低返工率。

這樣做有多方面的好處：

• 首先，漏焊率降低意味著返工減少，從而降低召回風險，提升企業聲譽；
• 其次，返工減少也直接降低了能耗，實現節能減碳。雖然單個焊點節省的能耗有限，但累計來看，每年可減少數十噸碳排放。

在 ESG（環境、社會和公司治理）語境下，這不僅僅是喊口號，而是通過具體任務實現節能降耗的實際成效。焊點檢測只是一個案例，實際在工廠中還有許多類似的應用場景，例如研發、材料、設計等多個方面。

二、有什么工業中的場景在用 AI

1. AI ? 仿真

我們與某車企合作的另一個典型案例是仿真優化。許多車企工程師在設計初期需要使用 Altair 的 HyperWorks 或 Feko進行仿真，仿真環節必不可少，如對電磁仿真，評估雷達照射后的場強幅值，以確保不會干擾傳感器系統，隨著新能源車的發展，車身傳感器增加規模可觀，一旦發生干擾導致傳感器時效性，會造成車輛安全問題。

以 Feko 為例，其仿真通常依賴網格計算，場強計算需要時間約在一周左右。但由于傳感器位置往往不落在網格節點上，工程師不得不反復重新標定 XYZ 坐標并提交新的仿真任務。由于高性能算力資源有限，每個點的計算可能需要 20 分鐘，非常耗時。

為了解決這一問題，我們與該客戶合作，利用 Altair 的自動化機器學習工具 AI Studio，構建了無代碼建模流程。客戶已有大量仿真數據，例如單輛車產生的 140 萬個 XYZ 點及其對應的實部、虛部數據。我們基于這些數據訓練模型，整個流程僅需約 10 分鐘。隨后，只需輸入一個新的 XYZ 坐標，即可在 3 秒內輸出 50 條掃頻曲線。相比傳統每個點 20 分鐘的高算任務，使用機器學習后的效率大幅提升。客戶可迅速識別出場強峰值過高的區域，從而加快設計與決策流程。

2.AI ? 材料研發

在材料研發方面，我們與國內某頭部膠黏劑企業合作，通過 AI 輔助其研發流程。材料研發的核心在于配方設計，通常需要進行大量實驗，涵蓋不同溫濕度等工藝條件，以滿足諸如導熱性、熱分解溫度、環保性等 KPI 指標。

針對這一需求，我們基于客戶的歷史實驗數據，結合 Altair AI Studio 的模擬功能構建了 KPI 預測模型。隨后進行了反向優化，使用戶可以輸入期望 KPI 值與工藝條件，自動推導出最優配方組合，或者反向輸入配方來尋找合適的工藝條件。這一方式顯著減少了實驗次數和材料浪費，只需少量驗證性實驗即可確定可行方案，極大提升研發效率。

3.AI ? 測試

在測試環節，我們與某剎車片制造商合作，優化其測試流程。剎車片測試涉及多種路況、溫度和速度條件，傳統測試周期長達一個月，且大量測試場景高度重復。

我們利用 Altair AI Studio 構建了自動化機器學習流程，實現數據清洗、特征分析與建模全過程自動化。由于測試負責人不具備編程能力，該無代碼方案尤其適用。

模型訓練完成后，實際預測結果與真實測試磨損值的偏差約為 3%，可節省 66% 的測試時間。模型可用于單一場景（如高速路況模型情況）或組合場景預測，顯著提升測試效率與產品安全性。

4.AI ? 電池壽命預測

在電池壽命預測方面，我們與國內某頭部企業合作（因保密問題以公開數據示例）。該項目旨在利用極少充放電數據預測電池完整壽命。例如，通過前 100 次循環中采集的電流、電壓、溫度、容量等特征數據，訓練模型預測達到 80% 容量閾值所對應的循環次數，預測完整使用次數。

該預測模型使用 Altair AI Studio 無代碼完成特征生成與建模，適用于不具備算法背景的測試人員，可快速部署到實際應用中，顯著提升數據利用效率與預測能力。

5.AI ? 電耗優化與節能減排

我們與國內一家大型包裝企業合作開展了電耗優化與節能減排的項目。該企業的核心需求是實現節能減排。為此，我們基于其工廠中的四臺冷水機開展了合作，并收集了約 4 類相關數據。

這些數據主要包括四個方面：

• 第一類是冷水機自身的運行數據，如進出水溫度、冷凝器和蒸發器的工作參數，以及能耗數據；
• 第二類是天氣數據；
• 第三類是產量及排產信息；
• 第四類是每臺冷水機對應的 COP 性能效率曲線，即不同負載下的最優運行效率。

在掌握這些數據后，我們基于 Altair AI Studio 平臺構建了機器學習模型。通過前三類數據可以預測熱負荷，而熱負荷本身是可以計算得到的。預測出熱負荷后，再將其與冷水機的能效曲線進行匹配，從而確定最優運行策略。

企業只需提供次日的生產計劃以及天氣預報（如最高、最低溫度），模型即可自動優化冷水機的運行方式，實現按需調節，避免冷水機每天以固定模式運轉，造成能源浪費。由于該企業的冷水機為定頻設備，需要人工干預調整運行狀態，我們建議其后續通過 PLC 進行自動控制，從而實現自動化節能。

這個電耗與能耗的優化案例，是 ESG（環境、社會與治理）理念的一個典型實踐，能夠幫助企業直接節省用電成本、降低碳排放，同時也響應了國家的“雙碳”政策目標。事實上，ESG 的落地通常是通過一個個實際案例逐步復刻和推廣的，我們的這套解決方案已在多家企業中落地應用，包括一些即將上市或申報“燈塔工廠”稱號的企業。這些企業不僅采用了我們的工藝流程方案，同時還得到了我們內部冷熱專家的技術支持。

三、LLM 在工業中能產生什么價值？

1. LLM 在工業中的場景

大語言模型（LLM）在工業領域的應用，當前在消費端已廣泛普及，例如文檔生成、報告撰寫和代碼編寫等。但在工業場景中，由于模型缺乏對企業私有數據和業務流程的了解，即便將如 DeepSeek V3 這類強大的模型部署在工廠中，其表現仍可能“答非所問”。因此，要真正賦能工業，需要結合數個核心技術：知識圖譜、機器學習和大語言模型。

知識圖譜是非常關鍵的技術，它可以作為 LLM 的“外掛”模塊，實現諸如智能故障排查、技術助手、合規性查詢和供應鏈知識檢索等功能。

很多人質疑：既然大語言模型可以生成代碼，為何還需要傳統機器學習？原因在于：代碼生成對于程序員來說或許易于理解和驗證，但對工廠一線員工而言，他們既不了解機器學習，也不具備編程能力。因此，我們提出將 LLM、知識圖譜與機器學習融合，構建完整的工業 AI 解決方案。

2.LLM + Graph RAG

Graph RAG 技術最初由微軟提出，雖然目前已有很多開源實現，但大多仍是文檔級的本地應用，難以支撐企業級知識庫的建設。為此，我們基于自身收購的圖數據庫（Graph Studio），構建了完整的 Graph RAG 解決方案。

通過這個方案，我們能夠以“注塑工藝優化指南”為例，將復雜的文檔內容拆分為參數篇、曲線篇、案例篇等多個結構化部分。利用大語言模型進行實體關系抽取，比傳統 NLP 技術（如 NER）在中文場景下更為高效。舉例來說，我們可以抽取出“三元組”：如“壁厚產品”關聯“保壓時間大于 5 秒”、“飛邊缺陷”對應“鎖模力不足”、“材料 ABS”對應“最佳熔融溫度為 220-240°C”等。這些三元組可通過圖數據庫進行存儲與檢索。

后續我們可基于這些三元組做實體消歧、描述標準化與參數噪聲過濾，并將清洗后的數據存入知識圖譜中，構建成 Graph RAG 系統的知識基礎。用戶可以通過自然語言提問，系統會在圖譜中查詢相應信息并結合大語言模型生成答案，實現智能問答。例如，當用戶問：“ABS 背后掛件出現流痕，應如何調整參數？”系統會抽取“ABS”“背后掛件”“流痕”等關鍵詞，匹配知識圖譜，抓取相關關系鏈，并用LLM生成優化建議，滿足大部分搜索場景。

整個流程不僅支持文本信息的查詢，也可以接入生產數據、銷售數據等多源數據查詢。用戶可自然語言提問，除了產品質量問題，還例如“去年各廠商銷售數據如何？哪些是前五名？如何提升銷售業績？有沒有數據支撐？”系統都能做出有效回答。因此，“圖+大語言模型”的組合真正能夠輔助企業進行智能決策，在很多工業場景中大有可為。

四、Altair 能提供什么？

1.完整的數據科學流程

完整的數據科學流程中：

• 第一步是數據準備。不管歷史數據是干凈還是雜亂，我們都可以幫助客戶進行數據清洗和準備工作。尤其針對工廠中不具備算法能力但對業務非常熟悉的一線工程師，我們提供 Altair Monarch 平臺，幫助他們理解和處理數據。
• Altair Graph Studio 支持數據編織，對相關數據進行串聯，通過虛擬化進行編排，在實際應用中，當企業需要查詢某些產品相關數據時，可以通過 Altair Graph Studio 直接通過接口方式將數據導出。
• 導出后，可將這些數據輸入機器學習模型進行開發與訓練，從而構建一個性能較優的模型。例如，可用于材料 KPI 預測、預測性維護檢測等任務。
• 訓練完成后，模型可上傳至 Altair AI Hub 平臺，實現模型的管理與部署。
• 該平臺支持模型的迭代更新，用戶可對模型版本（如 v1、v2、v3）進行持續訓練。同時還支持定時訓練及版本回滾功能，如果發現當前模型效果不佳，可快速恢復至先前版本，確保系統穩定運行。
• 此外，Altair 還提供可視化工具 Panopticon，用于流式數據處理。只需接入 Kafka 或 MQTT 等流數據平臺，即可通過 Altair 的可視化工具進行接入和展示。系統還可對接實時數據庫，實現動態數據展示。從而支撐預測性維護、質量檢測、工藝優化等任務。

2. Extract and Prep Data with Altair Monarch

平臺支持多種數據接入方式，包括 Excel 表格、數據庫、云端服務，甚至 PDF 報告。考慮到許多產線中輸出的數據常以 TXT 或 PDF 格式存在，Altair Monarch 系統可實現這些非結構化或半結構化數據的結構化轉換。通過構建數據轉換模板，用戶后續可直接將相似數據拖入模板，自動完成數據轉換任務，顯著提高效率。系統還支持定時執行轉換任務，并可將模型部署在 Monarch Server 中，根據任務配置進行定時執行。

3. Altair Graph Studio

在獲取結構化數據后，用戶可通過 Altair Graph Studio 進行數據編排。系統支持以自然語言查詢數據，例如“我有哪些數據？”、“哪些數據對我有用？”等，并以圖結構方式展示數據之間的關系。值得一提的是，該平臺基于虛擬化技術構建圖譜，無需將數據集中存儲到某個服務器中，只在用戶查詢時進行調用，避免了繁重的存儲負擔。

4.Altair AI Studio and Altair AI Hub

如果企業希望構建知識圖譜，該平臺也可用于本地部署，保障企業數據的安全性。構建完成的數據可繼續通過 AI Studio 和 AI Hub 進行機器學習建模，整個過程強調“無代碼”和“自動化”特性。平臺內置多種機器學習算法，如分類、聚類、回歸、離群點檢測、購物籃分析等，用戶只需將數據導入，拖拽相應操作符進行連接，設定輸出格式后點擊運行即可，極大簡化了建模流程，滿足非程序員用戶的需求。

完成建模后，模型可上傳至 AI Hub 進行版本管理和部署，操作便捷。

5. Make Insightful Decision with Altair Panopticon

真實車輛運行合作案例中，用于接入車輛控制系統的數據，實現對車輛運行狀態的實時監控。系統還支持調用歷史數據，回看特定路況、轉彎等條件下的溫度、壓力等關鍵參數，支持對運行狀態進行實時檢測。該工具最初應用于金融行業，如今也被廣泛應用于制造業中的流式數據可視化場景。

在制造業應用中，通過 Altair Panopticon 工具，基于 MQTT 或者 KAFKA 對接包括 CC 數控機床在內的各類設備，對流式數據進行處理與展示。例如，可采集設備參數信息，統一通過數據準備工具進行處理，并以圖形方式將各項參數展示。

6.制造設備實時監控

當用戶需查詢某一產品的參數或特性時，可通過 Graph Studio 進行圖譜查詢，并可結合預測性維護等應用場景自動抽取關鍵特征，完成模型構建與部署。

部署完成后，系統還可展示可視化效果。例如，某客戶自行構建了系統界面，雖然設計相對簡潔，但能夠準確呈現他們關注的運行狀態信息，并可嵌入 AI Hub 中的模型，以實現特定階段的設備狀態識別和預測，從而提升預測性維護與質量檢測能力。

綜上所述，Altair 為客戶提供了一整套從數據接入、處理、建模、部署到可視化的 AI 應用解決方案。在全球化的數字浪潮中，智能化與萬物互聯正重塑產業格局。Altair 憑借 40 年的技術積累，融合仿真、高性能計算與人工智能平臺，為客戶提供多樣化、可落地的行業解決方案。

如您對 Altair 相關產品感興趣，歡迎掃碼申請免費試用我們的產品，并期待與您在后續的線上或線下交流中深入探討，共同推動 AI 在工業領域的創新與落地。

五、Q&A

Q1：工業場景中安全性和可解釋性非常重要。以剎車片為例，這是一個對安全要求極高的部件。傳統方法中，企業需要進行大量實驗以確保其可靠性。現在我們引入預測性技術時，如何說服客戶相信該技術不會帶來安全隱患，是一個非常現實的問題。通常技術人員會用模型指標來證明可靠性，比如預測準確率達到 97%、98%，或者誤差控制在幾個百分點以內。然而，這些技術指標對于客戶而言可能沒有直接意義，他們更關注這些誤差是否真的會對實際使用構成風險。

A1：在此類應用場景中，客戶若愿意引入新技術，通常是因為他們確實有迫切的業務需求。盡管安全性是首要考慮因素，但現實中大量測試時間和資源往往被浪費。如果我們能夠用預測模型在非關鍵階段提供輔助決策，并在實際道路試驗后再做驗證，將大大提升效率。對于制造業客戶而言，他們對模型的誤差并非要求極致精細，只要能將誤差控制在 5% 左右，并切實節省時間與成本，他們通常是可以接受的。在初期階段，更重要的是能“先提效”，后續再進一步提升模型精度。

Q2：很多制造業通常會遇到數據量不足，且業務模型復雜度較高的情況，Altair 會如何平衡數據量和復雜度的問題。

A2：確實，工業場景中很多客戶的數據量極小，甚至只有三五條記錄，真正達到上萬條的情況反而較少。在這種情況下，直接應用復雜模型往往難以保證穩定性與準確性。建議客戶若有意引入機器學習，需從現在開始有意識地進行數據采集。

除此之外，也可通過樣本平衡、實驗設計（DoE）等手段擴充數據集；另一種方法是引入大模型輔助打標簽，通過預訓練模型將少量數據擴展為帶標簽的大樣本集。然而，從安全性與可控性考慮，建議關鍵數據仍應由企業自身生成，尤其是在制造領域。整體來看，數據不足的問題，最根本的解決辦法仍是客戶主動建立數據采集意識與機制。

Q3：在制造業實際業務中，數據采集往往比較困難。以電焊槍為例，有些方案要求在設備上安裝傳感器，以便采集運行數據。但現實中，許多企業尚未實現設備智能化，仍處于傳統制造階段。這種情況下，是否需要客戶先升級設備，還是我們應在設備升級后再介入，是一個需要判斷的問題。

A3：建議先與客戶的決策層溝通，了解其對智能化轉型的意愿和緊迫性。如果企業領導層已有明確意愿推進此類項目，我們可以提供已有的成功案例和可行方案，幫助他們理解升級的價值。例如，通過設備升級配合 AI 分析系統，可以節省人力成本、提高生產效率，甚至降低質量風險。關鍵在于，需用“業務語言”向決策者闡述技術方案的價值，而非單純講技術原理。

如果客戶領導層沒有相關意識或意愿，則不建議強行推進，因為一線技術人員通常沒有決策權限，他們的主要職責是完成當前生產任務。因此，AI 項目的落地必須從管理層開始推動，只有在組織層面達成共識的前提下，技術團隊介入才有意義和價值。

Q4：您好老師，我這邊也有三個問題，一個是關于方案設計的問題，另外兩個是實際應用過程中的挑戰，想請教您作為專家對此的看法。

第一個問題是：目前我們看到很多應用展示中，都是將大模型與數據展示結合，尤其在特定領域下通過訓練形成一些小模型，并與知識圖譜融合。那么我們公司這邊的方案是否是這樣一種形式？也就是說，是否具備一套標準化的小模型體系，并在此基礎上結合客戶實際業務進行推廣？還是說我們是完全根據用戶的業務需求，進行定制化的實施和部署？此外，我們的產品是否也包含一些方法論？例如在預測性診斷中，傳統的通用方法有 FMEA、PFMEA 等，我們是否在產品中也引入了這些方法論？

第二個問題是關于一個現實挑戰：當前人工智能剛剛應用于工業領域時，常常出現“業務端”和“技術端”脫節的情況。業務人員了解業務，但不了解AI算法，而技術人員掌握機器學習和算法知識，但不懂業務邏輯。這種“兩張皮”的現象讓AI與業務難以深度融合，是目前應用落地的一大障礙。

第三個挑戰是，在向企業領導層推動 AI 項目時，領導非常關注 ROI（投資回報率）。在經濟環境相對緊張、預算有限的背景下，如何有效地向管理層匯報方案的投資回報，讓他們愿意投入資源并做出決策，也是一個重要的問題。想請問您對此是如何考慮和解決的？

A4：關于這些問題，我們其實已經積累了大量端到端的落地案例，涵蓋從場景識別、方案設計、ROI 測算到落地執行等完整流程。尤其是在 ROI 匯報方面，我們的策略是優先與領導層溝通，了解他們是否有節能減排等戰略性目標。如果有明確意愿，我們會進一步分析其現有業務中有哪些具體場景可以推動節能降耗，進而細化落地路徑。

在這個過程中，我們通常會先向領導“畫一張餅”，也就是描繪出一個潛在的收益圖景。但這個“餅”必須是對方愿意“咬一口”的，即項目必須具備實際價值并能切實落地。項目能否推進的關鍵，往往取決于領導層是否足夠重視。如果領導層缺乏推動力，即便技術能力到位，也難以真正落地。

關于您提到的技術與業務割裂的問題，我們目前的策略是——只面向業務用戶推廣AI產品。技術人員不懂業務，業務人員也不理解復雜的算法，因此我們更傾向于為業務方提供可視化、無代碼的操作工具，讓他們可以通過“傻瓜式”的拖拉拽完成建模和分析。至于具體如何解決問題，我們會通過合作溝通，了解其實際需求，并安排專家、算法工程師和數據科學家協助解決。

至于您提到的“小模型”和“方法論”的問題，我們確實已經積累了較為完善的專家團隊和相關方法論。我們所招聘的工程師大多擁有十年到二十年的工程經驗，不乏擁有空調冷熱、汽車工業等專業背景的博士級專家。這使得我們可以結合客戶實際業務提供一整套專業、可落地的 AI 解決方案，真正實現“技術賦能業務”的目標。

以上就是本次分享的內容，謝謝大家。

申請免費試用

如您對 Altair 數據分析解決方案感興趣

歡迎掃描二維碼申請免費試用：

關于 Altair 澳汰爾

Altair 是計算智能領域的全球領導者之一，在仿真、高性能計算 (HPC) 和人工智能等領域提供軟件和云解決方案，服務于16000多家全球企業，應用行業包括汽車、消費電子、航空航天、能源、機車車輛、造船、國防軍工、金融、零售等。

近期，Altair被全球工業軟件領導者西門子收購，成為西門子數字化工業軟件(Siemens Digital Industries Software)旗下成員，進一步鞏固西門子在仿真和工業人工智能領域的全球領導者地位，其技術正與西門子Xcelerator解決方案進行深度整合。

欲了解更多信息，歡迎訪問：

www.altair.com.cn