浙江大学苏宏业团队 | 工业大模型赋能的新型流程工业智能工厂核心软件体系

#流程工业

，#智能工厂，#工业大模型，#核心工业软件，#人工智能

研究意义

在流程工业（如化工、石油、制药等领域）的智能工厂建设中，虽然已经在精益生产方面取得了不错进展，但仍面临数据不透明、不同软件之间难以互联互通，以及分析能力不足等痛点。这些问题导致工厂难以实现真正的自主优化和高效决策。随着人工智能技术的迅猛发展，特别是工业大模型的出现，我们有机会通过AI赋能核心工业软件，打破这些瓶颈，让工厂变得更“聪明”——数据更透明、决策更智能、生产更高效。这不仅能提升工厂的运营水平，还能为我国制造业转型升级注入新动力，帮助企业应对复杂的市场环境和资源约束。

图1 传统ISA-95工厂控制系统架构，展示了现有系统在数据互联和智能分析上的局限性，为工业大模型的应用提供了背景

本文工作

为了解决上述挑战，本文提出了一种新型框架，将工业大模型与核心工业软件深度整合，实现从数据处理到智能决策的全链路优化。该框架分为三个关键层级：基础模型层，提供强大的AI计算能力；通用能力层，支持多模态数据处理，包括时序数据（如生产实时监测）、图像数据（如设备视觉检测）和文本数据（如操作日志）；应用层，则由多个智能代理组成，这些代理可以理解自然语言指令，并通过事件基机制相互协作，实现灵活的数据驱动操作。

图2 工业大模型赋能的智能工厂架构，清晰展示基础模型层、通用能力层和应用层的协同工作方式

例如，用户只需用日常语言下达指令，如“分析控制回路性能并优化参数”，系统即可自动完成数据收集、可视化分析、问题诊断和优化建议。这种框架显著提升了软件的互操作性，让工厂能灵活适应复杂环境。

本文的创新点如下：

(1) 将工业大模型融入核心工业软件体系，实现从数据透明到自主优化的端到端解决方案

(2) 引入多模态数据处理能力，支持时序、图像和文本等多种数据类型，提升分析的全面性和准确性。

(3) 设计智能代理系统，通过事件基协调机制，让代理间高效协作，响应自然语言指令，适应复杂工业场景。

图3 智能代理事件耦合关系图，展示代理间如何通过事件触发机制高效协作，完成复杂任务

实验结果

本文提出的框架在PID（比例-积分-微分）性能评估和调优案例中进行了验证。实验使用真实工业数据，模拟流程工业中的控制回路场景。分析代理负责数据收集、可视化、诊断和优化，通过与核心工业软件协作，实现了控制性能的全面评估和回路调优。

图4 PID控制性能分析交互示例，展示如何通过数据可视化快速诊断控制回路性能问题

图5 PID控制回路调优交互示例，展示优化后的参数调整效果，提升控制稳定性和效率

具体过程包括：首先，代理收集时序数据并生成性能图表（如图4所示的控制性能分析交互）；然后，根据诊断结果，提出调优建议（如图5所示的控制回路调优交互）。结果显示，该框架显著提高了控制精度，减少了振荡和超调，验证了其在实际工业环境中的有效性和互操作性。