操作，容易出错，导致效率低下。借助物联网，可 实现生产过程自动化，从而提高精确度和速度。联 网设备生成的实时数据有助于优化生产计划，减少 浪费并提高整体生产效率。 设备维护成本高：设备故障导致维护成本和停机时 间增加。物联网支持预测性维护，可以在故障出现 之前做出预测，并更及时地安排维修。这样不仅能 减少停机时间，还能延长设备使用寿命，从而节省 成本。 质量控制问题：在不同生产线上保持产品质量一致 许多国家正在加快淘汰2G和3G网络，为更先进的 4G和5G技术普及铺平道路。在全球范围内，各运 营商致力于网络升级工作，以实现基础设施现代化 制造业在发展过程中面临着诸多关键挑战。在许多工业制造场合，生产效率低下、 设备维护成本高以及产品质量控制问题普遍存在。供应链中断和数据安全问题使 情况更加复杂。物联网能够发挥重要作用，助力企业解决以下难题： TELENOR IoT | 物联网赋能制造业数字化转型 | 8 IoT | 物联网赋能制造业数字化转型 | 9 人工智能和机器学习：在物联网系统中集成人工智 能和机器学习（ML），可实现预测性维护、优化生 产计划以及加强质量控制。人工智能赋能的分析可 以在设备故障发生之前做出预测，从而缩短停机时 间并降低维护成本。机器学习算法可以优化生产流 程，从而提高效率和产品质量。德勤开展的一项调 查显示，制造业的数据生成量位居前列，海量数据 能够产生巨大的商业价值。

生产调度智能化................................................................................104 7.2.1 预测性维护...............................................................................106 7.2.2 生产计划优化... 大模型的训练过程通常利用海量的结构化和非结构化 数据，使得模型具有了强大的表征学习能力。通过自然语言处理、 图像识别和时间序列分析等技术，模型能够更好地理解和模拟复杂 系统的行为。这种能力使得 AI 大模型在数据分析、预测维护及智 能生产等方面得到了广泛应用。 随着计算能力的提升和算法的不断优化，AI 大模型的推理效率 和准确性也在不断提高。例如，目前主流的大模型如 GPT- 3、BERT 和 T5 等，展示了在语言理解、生成和对话等任务上的卓 建设中。以下是当前 AI 大模型在工业领域的几个关键应用场景：  智能生产调度：利用大模型分析生产数据，优化生产排程和资 源配置，提高生产效率。  预测性维护：通过对历史设备故障数据的学习，模型能够提前 预测设备可能出现的问题，从而降低停机时间和维护成本。  质量检测：运用图像识别技术，对产品质量进行实时监控，及 时发现并解决质量问题，提升产品合格率。  个性化生产：结合用户需求，通过大模型优化产品设计和生产

产品质量检测场景.......................................................................... 74 4.2.4 设备预测性维护场景...................................................................... 75 4.3 工业大模型应用当前问题..... 性能提升：在相同数据量下，工业大模型的多任务处理效率提高 3-5 倍，复 杂场景泛化能力增强 60%。 1.4.3 应用范式维度对比 ➢ 传统模型： 单点应用：独立服务于特定环节（如预测性维护或视觉检测） 响应延迟：某冲压产线质量检测系统存在 200ms 决策延迟，导致 0.5%的漏 检率 人机交互：需专业算法工程师解读结果，某钢铁企业模型决策接受度不足 50% ➢ 工业大模型： ➢ 传统模型： 开发成本：需定制化特征工程与模型调参，某汽车厂开发视觉检测系统耗 时 6 个月 部署成本：专用硬件投入占比高（某检测站 GPU 集群占项目预算 40%） 维护成本：年维护费用达初始投入的 30-50%，模型衰减导致三年后需重建 ➢ 工业大模型： 迁移成本：预训练模型微调周期缩短 80%，例如某家电企业新产线部署仅 需 2 周 硬件复用：支持云边端协同部署，某化工厂利用既有服务器节省

大模型为工业智能化提供新动力。尽管人工智能在智能制造、工业 4.0、工业互联 网等方面有所应用，但这些应用往往受限于特定任务，难以实现跨领域、跨场景的融 合创新。过去，人工智能在工业的应用主要聚焦于如质量检测、预测性维护等单一功 能，这形成了人工智能应用上“一场景一训练一模型”的局限，尚未形成大规模的应用。 然而，大模型的崛起有望带来“基础模型+各类应用”的新范式。大模型凭借其卓越的理 解能力、生成能力和泛化 现象。这主要是由于模型在训练过程中受到了噪声数据、偏差样本等因素的影响，或 者由于模型的复杂性和数据维度过高导致过拟合。这种幻觉现象对工业领域的影响是 全方位的，无论是生产过程中的质量控制、设备维护，还是供应链管理、市场预测等 环节，错误的输出都可能导致严重的决策失误和经济损失。特别是在对安全性、可靠 性要求极高的工业场景中，如航空航天、核能等领域，幻觉现象可能带来灾难性的后 果。 等关键信息。 当面对新的样本时，小模型能够迅速判断样本是否合格，从而实现对产品质量的快速 检测。同样在设备预测性维护方面，小模型通过对设备运行数据的分析，能够学习到 设备正常运行的模式和潜在的故障特征。一旦监测到异常情况，小模型能够及时发出 预警，提醒工作人员进行检修或维护。 小模型的能力更适合工业生产制造领域。首先，小模型能够基于有限数据支撑精 准的判别和决策，而生产过程需要针对不同场景进行精准的分析和决策，这两者间的

5）：后勤运维管理 提供全面的维修计划管理，编制设施设备巡检、维修维护计划， 设定任务执行人或者组织，及设定任务执行所需工具及物料、任务 执行参考步骤等，准确地预测未来的维修工作需要的资源和费用， 有效地跟踪巡检工作, 降低维修费用, 减少停机次数。 支持新建应急性维修任务，能够根据潜在风险和资源情况制定 安全维护计划，支持接收智能硬件或自控系统报警信息，并将问题 设备在 BIM 信息 关联性、信息一致性、可视化、协调性、模拟性、优化性和可出图 性八大特点。 BIM 技术是一种应用于工程设计建造管理的数据化工具，通过 参数模型整合各种项目的相关信息，在项目策划、运行和维护的全 生命周期过程中进行共享和传递，使工程技术人员对各种建筑信息 作出正确理解和高效应对，为设计团队以及包括建筑运营单位在内 的各方建设主体提供协同工作的基础，在提高生产效率、节约成本 和缩短工期方面发挥重要作用 部门可以发布政策、活动、通知公告，方便广大租户实时查看。 2. 直观的虚拟场景，辅助设备运行维护 伟景行智慧建筑运维管理平台解决方案 GIS & BIM & FM 可视化运维管理，通过制定规范的作业计划，建立标准的设备 维护保养制度来知道日常检维修工作，利用三维虚拟场景强大的空 间分析能力，直观展示设备当前运行状态，帮助检修人员正确执行

战略》，强调数字化转型、石化产业智能 制造和绿色技术应用。 �� �.�.� 中国石油石化产业发展形势 中国的石油石化产业经历了几十年的发展，已经具备了庞大的产业规模和健全的产业体系， 在维护国家经济稳定和产业安全方面发挥了重要作用。近年来，伴随国际原油价格的波动，以及 国家对能源转型、环境保护等提出的一系列新要求，石油石化产业积极寻求技术创新和能力升 级，提高生产效率，保障生产安全 石化循环经济发展 废物与污染物管理 可再生能源使用 能源利用效率提升 ……. 生产管控一体化 研发辅助设计 井下工况检查 现场培训模拟 调度与智慧智能 智能库存管理 资产预测性维护 ……. 高端化 智能化 绿色化 �� 智能化 面向石油石化全产业链发展，全面融入人工智能和自动化技术，用智能化加速产业升级进 程。在企业经营中逐步推进数字化、数智化应用，利用定制化解决方案和服务帮助企业提升 石油石化产业智能化⸺业务场景、智能化目标与应用场景 勘探工艺优化 油井工况诊断 勘探开发风险管理 勘探培训模拟 勘探经营智能管理 油田井下智能管理 管道安全监测 管网调度优化 管线预测性维护 智能供应链协同 调度与指挥智能 资产预测性维护 智能仓储管理 炼化经营智能管理 智能质量检测 智能油库管理 供应链运筹优化 储运经营智能管理 销售数据智能分析 智能电商 智能客服 智能合同管理 客户满意度分析 数字智能营销

本并提高供应链的反应速度。 四、质量控制与预防性维护 4.1 智能质检系统 AI 技术可以通过视觉识别、图像处理等方法实现对产品质量缺陷的快速检测 和分类。智慧工厂中的智能质检系统可以大大简化产品质量控制流程，提高产品一 致性和产品合格率。 4.2 预防性维护 采用基于 AI 算法的预测性分析模型，智慧工厂可以在设备故障之前预测出潜 在问题，并提前进行维护。这有助于企业减少因机器停机带来的损失，并延长设备 ，并延长设备 使用寿命，降低维修成本。 结论： AI 技术在智慧工厂建设中具有广泛应用和巨大潜力。通过数据采集与分析、 智能化生产与机器人技术、智慧物流与仓储管理以及质量控制与预防性维护等方面 的运用，在提高生产效率、优化资源利用、降低成本等方面取得了显著成效。然 而，AI 技术的推广仍面临一些挑战，如数据安全性和隐私保护问题。未来，我们 可以期待更多的创新和发展，使 AI 技术在智慧工厂中发挥更大的作用，为企业提

运用可视化解决方案，贯穿整条价值链更迅速地预测和识别风险、 管理冲击，并分析原因。 • 具备“what-if”（如果……将会怎样）的情境模拟能力、动态化 数据驱动型的计划 • 预测性地识别运营问题（质量缺陷、故障、维护需求、不合格） • 可支持端到端运营实时可视的数字驾驶舱 • 运用数字工具，快速了解供应短缺、生产或运输延迟对销售及 成本的影响 动态化、可持续的产品开发 采取生态设计及协同工程方法来开发新型产品与流程的能 案例： 14 | 智能制造 打造韧性企业，开创增长新局 图四 总体而言，企业正在通过灵活的合同、技能提升和技能需求管理，显著提高员工队伍的多样性 图五 重塑角色⸺从机器操作员到自主生产维护团队的领导者 企业正越来越多地采用灵活的员工合同 （受访者的比例） 企业正在壮大多技能的员工队伍 （受访者的比例） 83% 17% 67% 33% 部分采用新 模式的试点 项目 目前 （受访者的比例） • 时间管理 • 口头交流 • 设备维护 • 文档管理 • 工作场所安全 • 维护安全 • 电气规程 • 工厂自动化 • 生成式人工智能 • 预测性维护 • 工作场所安全规划 • 时间管理 • 设备维护 • 电气规程 • 工厂自动化 • 生成式人工智能 • 预测性维护 • 适应能力 • 工作积极性 • 职责义务

部中压元件、低压元件及低压变频器品牌众多，三分之二的配电室运行超过10年，部分区域老旧设备占 比大，运行风险极大。部分元件已经停产，运维难度大。由于品牌不一，运维人员很难对现有设备做系 统检修或维护，需要专业的指导与运维建议。 对此，施耐德电气在该项目中提供中压断路器HVX EcoFit改造方案和低压断路器转接套件EcoFit改 造方案、低压变频器EcoFit适配改造方案、ETAP配电系统 全性、可靠性要求严苛，原始电力设备不仅有运行风险，还给运维管理带来很大挑战。按照舜宇光学现 在的生产规模估算，一旦生产设备停摆，造成的损失将在千万级别。因此，稳定供应能源、提升电能质 量、优化运维效果以及预测性设备维护成为舜宇光学在电力系统优化升级工作中的抓手。 施耐德电气通过提供系统化咨询服务，全面了解需求痛点后，进行定制化系统调校和管理体系搭 建，并提供相应的硬件基础设施，形成完整的解决方案。基于EcoStruxure架构与平台，施耐德电气为 供电连续性要求极高。总体来说，交通系统的改造对供电连续性要求极高，同时现场实施难度 大、风险高，其关键区域断电将直接影响车站秩序及旅客的人身安全。当前大多数企业已不满足于传统 的故障维修响应，希望能够做到智能化监控、预测性维护以及能效管控。 ② 故障即时响应能力待加强。多数交通行业企业在寻求改造时，其基础设施跨度达几年、十几年 之久，但缺乏有效手段对关键设备进行状态检修，设备使用状态无法评估。企业普遍存在特殊的保修和

...................................................................................... 47 2.5.4 维护绿色 ................................................................................................ 、空间环境进行全方 位、多角度的感知和识别，实现通感一体融合的目标。 中国电子节能技术协会 绿色全光网络专业委员会 12 12 传统园区各网络通常按照业务划分，存在多张网络，导致运营维护复杂，难 以适应园区网络自动化和智能化发展的需要。未来园区网络需考虑采用新的网 络架构，实现多张网络融合，简化网络，提升运维效率。另随着数字经济的发展， 园区从封闭走向开放，由单一迈向融合，对园区安全将提出更高要求，要求融合 TMF（TeleManagement Forum）提出了 四层三闭环的 AN 架构，通过网元层、网络层、业务层、商业层的配合与协同， 实现资源、业务、商业的闭环，为企业和用户提供一张业务使能零等待、业务优 化无需现场配置、网络维护无需现场定位的网络，并通过业务意图驱动、体验多 维感知、瓶颈智能识别、网络自适应自调整等核心技术实现网络真正自治。自动 驾驶网络 ADN（autonomous driving network） 的