这两年工业AI很火。预测性维护、质量检测、能耗优化——每个方向都有公司在做。

但真正落地的项目，不到10%。

剩下的90%死在什么地方？

死在数据上。

一个真实的预测性维护项目，做了半年，失败了。

客户是一个注塑厂，想用AI做注塑机的预测性维护——通过分析注塑机的压力、温度、速度曲线，预测模具什么时候会出问题。

想法很好。注塑机的PLC里有完整的工艺参数——注射压力、保压压力、熔胶温度、模具温度、注射速度、保压时间。这些数据每秒钟采集一次，存到数据库里。

理论上，这些数据足够训练一个预测模型。

但实际做的时候，数据出了三个问题。

问题一：数据质量太差。

注塑机的传感器精度不高，而且经常漂移。同一个工况下，压力读数在±5%的范围内波动。温度读数在±3℃的范围内波动。

AI模型需要的是“干净的数据”。但工业现场的数据从来都不干净——有噪声、有漂移、有异常值、有缺失值。

问题二：数据标签不完整。

预测性维护需要“标签”——什么时候模具出了问题、出了什么问题、问题有多严重。

但注塑厂没有完整的维修记录。模具出了问题就修，修完就继续生产。没有人记录“什么时候出的问题、什么问题、修了多久”。

没有标签，AI模型无法训练。

问题三：数据不均衡。

模具出问题是“小概率事件”——可能几个月才出一次。正常生产的“数据”有几百万条，出问题的“数据”只有几百条。

数据不均衡，AI模型学不到“异常模式”。

工业AI落地的三道坎

第一道坎：数据采集。

工业现场的数据源很多——PLC、传感器、仪表、视觉系统。但要把这些数据采集上来，本身就不容易。

协议不统一：Modbus、S7、OPC UA、MQTT……每种协议都要单独对接。

数据频率不同：温度1秒采集一次，振动10毫秒采集一次，视觉检测每帧都要处理。

数据量巨大：一个中等规模的工厂，每天产生的原始数据可能几十GB。

第二道坎：数据治理。

采集上来的数据，不能直接喂给AI模型。要做清洗、对齐、标注、特征工程。

清洗：去除噪声、填补缺失值、处理异常值。

对齐：不同设备的数据时间戳要对齐——PLC的时间和传感器的可能不一致。

标注：给数据打标签——哪些是正常、哪些是异常、异常是什么类型。

特征工程：从原始数据里提取有用的特征——时域特征、频域特征、统计特征。

第三道坎：模型部署。

模型训练好了，怎么部署到现场？

云端部署：数据传到云端，算完返回结果。延迟高、依赖网络、数据安全风险。

边缘部署：模型跑在边缘网关上。延迟低、断网可用、数据不出厂。但边缘设备的算力有限。

我的建议：边缘部署。 工业场景对实时性和数据安全的要求高，云端部署很难满足。而且现在边缘设备的算力已经足够跑常见的AI模型了。

工业AI落地的正确姿势

第一步：不要一开始就做AI。先做数据采集。

把设备的数据完整地采集上来，存到数据库里。这一步不做，后面都是空谈。

第二步：做好数据治理。

清洗、对齐、标注——这些工作看起来不“高大上”，但决定了AI模型能不能用。

第三步：从简单的模型开始。

不要一上来就搞深度学习。先用简单的统计模型——阈值报警、趋势分析、相关性分析。这些模型不依赖大量数据，不需要标注，能快速上线。

第四步：边缘部署。

把模型部署到边缘网关上。数据在本地处理，结果在本地输出。延迟低、断网可用、数据不出厂。

第五步：持续迭代。

AI模型不是一次训练就完了。要根据现场的反馈持续优化——调整特征、调整参数、补充数据。

关于工具

EdgeLiteGateway支持ONNX Runtime边缘推理，可以在网关上跑常见的AI模型。数据在本地采集、本地推理、本地输出结果，不需要上传到云端。

配套的ProtoForge可以模拟各种工业设备的数据流，用于训练和验证AI模型。在没有真实设备的情况下，先用仿真数据跑通流程。

ProtoForge：
GitHub：suoten/ProtoForge
Gitee：suoten/ProtoForge

EdgeLiteGateway：
GitHub：suoten/EdgeLiteGateway
Gitee：suoten/EdgeLiteGateway



客户是一个注塑厂，想用AI做注塑机的预测性维护——通过分析注塑机的压力、温度、速度曲线，预测模具什么时候会出问题。

工业AI落地，为什么90%的项目都死在“数据”上？

人工智能

物联网

大数据

工业AI落地成功率不足10%，核心瓶颈在于数据质量差、标签缺失及样本不均衡。本文剖析注塑机预测性维护案例，揭示数据采集、治理与边缘部署三大关卡，提出分阶段实施路径：先夯实数据基础，再逐步推进模型迭代，并推荐EdgeLiteGateway等工具实现本地化推理。

数据安全

深度学习

数据治理

数据库

数据流

GitHub

MQTT

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

工业AI落地，为什么90%的项目都死在“数据”上？-腾讯云开发者社区-腾讯云

工业AI落地，为什么90%的项目都死在“数据”上？

工业AI落地，为什么90%的项目都死在“数据”上？

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐