数据分析与AI丨从传感器到智能决策：数据驱动企业发展与 ESG 创新的全链路实践

导读：本文为 Altair 数据科学家杨国宇分享在工业研发环节中基于数据驱动的应用解决方案与产品落地实践。

主要内容包括以下几个部分：

1. 产品&产线

2. 哪些工业场景在用 AI

3.LLM 在工业中能产生什么价值

4. Altair 能提供什么

5. Q&A

01产品&产线

1.产品生命周期

产品全生命周期管理，这一理念在制造业中并不陌生。传统的产品开发流程从立项开始，往往依赖设计师主观判断，甚至由领导“拍脑袋”决定。而现在，借助 AI 技术，我们可以从产品设计阶段开始，提供更多智能辅助与科学决策支持。

举例来说，过去在制造业，通常通过小批量试制进行测试，例如将样机从十楼扔下测试抗摔性能，这种方式成本高且不易定位问题。而如今，我们可以通过仿真模拟的方式，基于应力应变、结构强度等指标，在电脑上预测产品性能，大幅减少试错成本。

再以冷水机为例，传统方式是在产品出现故障后再进行排查，效率低且难以溯源。而现在，通过在冷水机上部署传感器，采集震动、电流、电压、温度等数据，再结合数据分析手段，就可以提前预警、快速定位问题。

AI 与机器学习技术已逐步深入产品研发、设计、制造、质检及处置各环节，推动制造流程的智能化升级。

2. 数据如何预见未来？

如图展示的是一个典型车间的产线流程图，虽然看起来只是普通的生产线，但其中已集成大量传感器，例如检测电流、焊接电流、拧螺丝时的扭矩、外部温湿度等。这些因素都会影响产品质量。

过去我们做数据采集主要用于可视化展示，真正用于决策的价值有限。而如今，通过构建数字孪生系统并结合历史数据，我们可以进行预测性维护。例如预测某个焊点可能出现的问题，避免质量隐患扩散。

制造过程中的每一个环节、每一个参数波动，都可能对产品质量产生重大影响。

3. 一个焊点的蝴蝶效应

以某车企为例，曾因焊点不稳定问题召回大量燃油车。这种问题可能导致车身结构变化、力传递异常，进而引发车身刚度下降，严重时降幅达 15%。车辆行驶时可能出现异响，引发用户投诉，一旦投诉率激增至 300%，企业往往不得不选择召回，这会造成巨大的经济损失，甚至达上千万。

相比之下，如果在产线上预先部署传感器，进行监控与数据分析，不仅能实现预警，还能结合历史数据与机器学习模型进行质量检测与分析。

比如针对焊点的检测，在传统方式下极难发现潜在问题：以我个人经验为例，即使焊接后外观看似合格，接通电路后仍可能出现不通电的情况，而肉眼检查很难判断焊点是否合格。传统的检测方式已不再适用。如果在焊枪中集成高精度传感器，能够采集微小的电流、电压变化等信号，并在实验后进行分析，便可标记出可能存在虚焊、开焊的问题点。随后，利用这些带标注的历史数据训练机器学习模型，就可以构建起用于分类判断的系统。

这些模型部署在焊枪侧，能够在 0.1 秒甚至 0.01 秒内判断焊点是否合格。一旦检测出可能的虚焊问题，系统会立即反馈给人工进行补焊处理，从而显著降低返工率。

这样做有多方面的好处：

• 首先，漏焊率降低意味着返工减少，从而降低召回风险，提升企业声誉；
• 其次，返工减少也直接降低了能耗，实现节能减碳。虽然单个焊点节省的能耗有限，但累计来看，每年可减少数十吨碳排放。

在 ESG（环境、社会和公司治理）语境下，这不仅仅是喊口号，而是通过具体任务实现节能降耗的实际成效。焊点检测只是一个案例，实际在工厂中还有许多类似的应用场景，例如研发、材料、设计等多个方面。

02有什么工业中的场景在用 AI

1. AI ✖ 仿真

我们与某车企合作的另一个典型案例是仿真优化。许多车企工程师在设计初期需要使用 Altair 的 HyperWorks 或 Feko进行仿真，仿真环节必不可少，如对电磁仿真，评估雷达照射后的场强幅值，以确保不会干扰传感器系统，随着新能源车的发展，车身传感器增加规模可观，一旦发生干扰导致传感器时效性，会造成车辆安全问题。

以 Feko 为例，其仿真通常依赖网格计算，场强计算需要时间约在一周左右。但由于传感器位置往往不落在网格节点上，工程师不得不反复重新标定 XYZ 坐标并提交新的仿真任务。由于高性能算力资源有限，每个点的计算可能需要 20 分钟，非常耗时。

为了解决这一问题，我们与该客户合作，利用 Altair 的自动化机器学习工具 AI Studio，构建了无代码建模流程。客户已有大量仿真数据，例如单辆车产生的 140 万个 XYZ 点及其对应的实部、虚部数据。我们基于这些数据训练模型，整个流程仅需约 10 分钟。随后，只需输入一个新的 XYZ 坐标，即可在 3 秒内输出 50 条扫频曲线。相比传统每个点 20 分钟的高算任务，使用机器学习后的效率大幅提升。客户可迅速识别出场强峰值过高的区域，从而加快设计与决策流程。

2.AI ✖ 材料研发

在材料研发方面，我们与国内某头部胶黏剂企业合作，通过 AI 辅助其研发流程。材料研发的核心在于配方设计，通常需要进行大量实验，涵盖不同温湿度等工艺条件，以满足诸如导热性、热分解温度、环保性等 KPI 指标。

针对这一需求，我们基于客户的历史实验数据，结合 Altair AI Studio 的模拟功能构建了 KPI 预测模型。随后进行了反向优化，使用户可以输入期望 KPI 值与工艺条件，自动推导出最优配方组合，或者反向输入配方来寻找合适的工艺条件。这一方式显著减少了实验次数和材料浪费，只需少量验证性实验即可确定可行方案，极大提升研发效率。

3.AI ✖ 测试

在测试环节，我们与某刹车片制造商合作，优化其测试流程。刹车片测试涉及多种路况、温度和速度条件，传统测试周期长达一个月，且大量测试场景高度重复。

我们利用 Altair AI Studio 构建了自动化机器学习流程，实现数据清洗、特征分析与建模全过程自动化。由于测试负责人不具备编程能力，该无代码方案尤其适用。

模型训练完成后，实际预测结果与真实测试磨损值的偏差约为 3%，可节省 66% 的测试时间。模型可用于单一场景（如高速路况模型情况）或组合场景预测，显著提升测试效率与产品安全性。

4.AI ✖ 电池寿命预测

在电池寿命预测方面，我们与国内某头部企业合作（因保密问题以公开数据示例）。该项目旨在利用极少充放电数据预测电池完整寿命。例如，通过前 100 次循环中采集的电流、电压、温度、容量等特征数据，训练模型预测达到 80% 容量阈值所对应的循环次数，预测完整使用次数。

该预测模型使用 Altair AI Studio 无代码完成特征生成与建模，适用于不具备算法背景的测试人员，可快速部署到实际应用中，显著提升数据利用效率与预测能力。

5.AI ✖ 电耗优化与节能减排

我们与国内一家大型包装企业合作开展了电耗优化与节能减排的项目。该企业的核心需求是实现节能减排。为此，我们基于其工厂中的四台冷水机开展了合作，并收集了约 4 类相关数据。

这些数据主要包括四个方面：

• 第一类是冷水机自身的运行数据，如进出水温度、冷凝器和蒸发器的工作参数，以及能耗数据；
• 第二类是天气数据；
• 第三类是产量及排产信息；
• 第四类是每台冷水机对应的 COP 性能效率曲线，即不同负载下的最优运行效率。

在掌握这些数据后，我们基于 Altair AI Studio 平台构建了机器学习模型。通过前三类数据可以预测热负荷，而热负荷本身是可以计算得到的。预测出热负荷后，再将其与冷水机的能效曲线进行匹配，从而确定最优运行策略。

企业只需提供次日的生产计划以及天气预报（如最高、最低温度），模型即可自动优化冷水机的运行方式，实现按需调节，避免冷水机每天以固定模式运转，造成能源浪费。由于该企业的冷水机为定频设备，需要人工干预调整运行状态，我们建议其后续通过 PLC 进行自动控制，从而实现自动化节能。

这个电耗与能耗的优化案例，是 ESG（环境、社会与治理）理念的一个典型实践，能够帮助企业直接节省用电成本、降低碳排放，同时也响应了国家的“双碳”政策目标。事实上，ESG 的落地通常是通过一个个实际案例逐步复刻和推广的，我们的这套解决方案已在多家企业中落地应用，包括一些即将上市或申报“灯塔工厂”称号的企业。这些企业不仅采用了我们的工艺流程方案，同时还得到了我们内部冷热专家的技术支持。

03LLM 在工业中能产生什么价值？

1. LLM 在工业中的场景

大语言模型（LLM）在工业领域的应用，当前在消费端已广泛普及，例如文档生成、报告撰写和代码编写等。但在工业场景中，由于模型缺乏对企业私有数据和业务流程的了解，即便将如 DeepSeek V3 这类强大的模型部署在工厂中，其表现仍可能“答非所问”。因此，要真正赋能工业，需要结合数个核心技术：知识图谱、机器学习和大语言模型。

知识图谱是非常关键的技术，它可以作为 LLM 的“外挂”模块，实现诸如智能故障排查、技术助手、合规性查询和供应链知识检索等功能。

很多人质疑：既然大语言模型可以生成代码，为何还需要传统机器学习？原因在于：代码生成对于程序员来说或许易于理解和验证，但对工厂一线员工而言，他们既不了解机器学习，也不具备编程能力。因此，我们提出将 LLM、知识图谱与机器学习融合，构建完整的工业 AI 解决方案。

2.LLM + Graph RAG

Graph RAG 技术最初由微软提出，虽然目前已有很多开源实现，但大多仍是文档级的本地应用，难以支撑企业级知识库的建设。为此，我们基于自身收购的图数据库（Graph Studio），构建了完整的 Graph RAG 解决方案。

通过这个方案，我们能够以“注塑工艺优化指南”为例，将复杂的文档内容拆分为参数篇、曲线篇、案例篇等多个结构化部分。利用大语言模型进行实体关系抽取，比传统 NLP 技术（如 NER）在中文场景下更为高效。举例来说，我们可以抽取出“三元组”：如“壁厚产品”关联“保压时间大于 5 秒”、“飞边缺陷”对应“锁模力不足”、“材料 ABS”对应“最佳熔融温度为 220-240°C”等。这些三元组可通过图数据库进行存储与检索。

后续我们可基于这些三元组做实体消歧、描述标准化与参数噪声过滤，并将清洗后的数据存入知识图谱中，构建成 Graph RAG 系统的知识基础。用户可以通过自然语言提问，系统会在图谱中查询相应信息并结合大语言模型生成答案，实现智能问答。例如，当用户问：“ABS 背后挂件出现流痕，应如何调整参数？”系统会抽取“ABS”“背后挂件”“流痕”等关键词，匹配知识图谱，抓取相关关系链，并用LLM生成优化建议，满足大部分搜索场景。

整个流程不仅支持文本信息的查询，也可以接入生产数据、销售数据等多源数据查询。用户可自然语言提问，除了产品质量问题，还例如“去年各厂商销售数据如何？哪些是前五名？如何提升销售业绩？有没有数据支撑？”系统都能做出有效回答。因此，“图+大语言模型”的组合真正能够辅助企业进行智能决策，在很多工业场景中大有可为。

04Altair 能提供什么？

1.完整的数据科学流程

完整的数据科学流程中：

• 第一步是数据准备。不管历史数据是干净还是杂乱，我们都可以帮助客户进行数据清洗和准备工作。尤其针对工厂中不具备算法能力但对业务非常熟悉的一线工程师，我们提供 Altair Monarch 平台，帮助他们理解和处理数据。
• Altair Graph Studio 支持数据编织，对相关数据进行串联，通过虚拟化进行编排，在实际应用中，当企业需要查询某些产品相关数据时，可以通过 Altair Graph Studio 直接通过接口方式将数据导出。
• 导出后，可将这些数据输入机器学习模型进行开发与训练，从而构建一个性能较优的模型。例如，可用于材料 KPI 预测、预测性维护检测等任务。
• 训练完成后，模型可上传至 Altair AI Hub 平台，实现模型的管理与部署。
• 该平台支持模型的迭代更新，用户可对模型版本（如 v1、v2、v3）进行持续训练。同时还支持定时训练及版本回滚功能，如果发现当前模型效果不佳，可快速恢复至先前版本，确保系统稳定运行。
• 此外，Altair 还提供可视化工具 Panopticon，用于流式数据处理。只需接入 Kafka 或 MQTT 等流数据平台，即可通过 Altair 的可视化工具进行接入和展示。系统还可对接实时数据库，实现动态数据展示。从而支撑预测性维护、质量检测、工艺优化等任务。

2. Extract and Prep Data with Altair Monarch

平台支持多种数据接入方式，包括 Excel 表格、数据库、云端服务，甚至 PDF 报告。考虑到许多产线中输出的数据常以 TXT 或 PDF 格式存在，Altair Monarch 系统可实现这些非结构化或半结构化数据的结构化转换。通过构建数据转换模板，用户后续可直接将相似数据拖入模板，自动完成数据转换任务，显著提高效率。系统还支持定时执行转换任务，并可将模型部署在 Monarch Server 中，根据任务配置进行定时执行。

3. Altair Graph Studio

在获取结构化数据后，用户可通过 Altair Graph Studio 进行数据编排。系统支持以自然语言查询数据，例如“我有哪些数据？”、“哪些数据对我有用？”等，并以图结构方式展示数据之间的关系。值得一提的是，该平台基于虚拟化技术构建图谱，无需将数据集中存储到某个服务器中，只在用户查询时进行调用，避免了繁重的存储负担。

4.Altair AI Studio and Altair AI Hub

如果企业希望构建知识图谱，该平台也可用于本地部署，保障企业数据的安全性。构建完成的数据可继续通过 AI Studio 和 AI Hub 进行机器学习建模，整个过程强调“无代码”和“自动化”特性。平台内置多种机器学习算法，如分类、聚类、回归、离群点检测、购物篮分析等，用户只需将数据导入，拖拽相应操作符进行连接，设定输出格式后点击运行即可，极大简化了建模流程，满足非程序员用户的需求。

完成建模后，模型可上传至 AI Hub 进行版本管理和部署，操作便捷。

5. Make Insightful Decision with Altair Panopticon

真实车辆运行合作案例中，用于接入车辆控制系统的数据，实现对车辆运行状态的实时监控。系统还支持调用历史数据，回看特定路况、转弯等条件下的温度、压力等关键参数，支持对运行状态进行实时检测。该工具最初应用于金融行业，如今也被广泛应用于制造业中的流式数据可视化场景。

在制造业应用中，通过 Altair Panopticon 工具，基于 MQTT 或者 KAFKA 对接包括 CC 数控机床在内的各类设备，对流式数据进行处理与展示。例如，可采集设备参数信息，统一通过数据准备工具进行处理，并以图形方式将各项参数展示。

6.制造设备实时监控

当用户需查询某一产品的参数或特性时，可通过 Graph Studio 进行图谱查询，并可结合预测性维护等应用场景自动抽取关键特征，完成模型构建与部署。

部署完成后，系统还可展示可视化效果。例如，某客户自行构建了系统界面，虽然设计相对简洁，但能够准确呈现他们关注的运行状态信息，并可嵌入 AI Hub 中的模型，以实现特定阶段的设备状态识别和预测，从而提升预测性维护与质量检测能力。

综上所述，Altair 为客户提供了一整套从数据接入、处理、建模、部署到可视化的 AI 应用解决方案。在全球化的数字浪潮中，智能化与万物互联正重塑产业格局。Altair 凭借 40 年的技术积累，融合仿真、高性能计算与人工智能平台，为客户提供多样化、可落地的行业解决方案。

如您对 Altair 相关产品感兴趣，欢迎扫码申请免费试用我们的产品，并期待与您在后续的线上或线下交流中深入探讨，共同推动 AI 在工业领域的创新与落地。

05Q&A

Q1：工业场景中安全性和可解释性非常重要。以刹车片为例，这是一个对安全要求极高的部件。传统方法中，企业需要进行大量实验以确保其可靠性。现在我们引入预测性技术时，如何说服客户相信该技术不会带来安全隐患，是一个非常现实的问题。通常技术人员会用模型指标来证明可靠性，比如预测准确率达到 97%、98%，或者误差控制在几个百分点以内。然而，这些技术指标对于客户而言可能没有直接意义，他们更关注这些误差是否真的会对实际使用构成风险。

A1：在此类应用场景中，客户若愿意引入新技术，通常是因为他们确实有迫切的业务需求。尽管安全性是首要考虑因素，但现实中大量测试时间和资源往往被浪费。如果我们能够用预测模型在非关键阶段提供辅助决策，并在实际道路试验后再做验证，将大大提升效率。对于制造业客户而言，他们对模型的误差并非要求极致精细，只要能将误差控制在 5% 左右，并切实节省时间与成本，他们通常是可以接受的。在初期阶段，更重要的是能“先提效”，后续再进一步提升模型精度。

Q2：很多制造业通常会遇到数据量不足，且业务模型复杂度较高的情况，Altair 会如何平衡数据量和复杂度的问题。

A2：确实，工业场景中很多客户的数据量极小，甚至只有三五条记录，真正达到上万条的情况反而较少。在这种情况下，直接应用复杂模型往往难以保证稳定性与准确性。建议客户若有意引入机器学习，需从现在开始有意识地进行数据采集。

除此之外，也可通过样本平衡、实验设计（DoE）等手段扩充数据集；另一种方法是引入大模型辅助打标签，通过预训练模型将少量数据扩展为带标签的大样本集。然而，从安全性与可控性考虑，建议关键数据仍应由企业自身生成，尤其是在制造领域。整体来看，数据不足的问题，最根本的解决办法仍是客户主动建立数据采集意识与机制。

Q3：在制造业实际业务中，数据采集往往比较困难。以电焊枪为例，有些方案要求在设备上安装传感器，以便采集运行数据。但现实中，许多企业尚未实现设备智能化，仍处于传统制造阶段。这种情况下，是否需要客户先升级设备，还是我们应在设备升级后再介入，是一个需要判断的问题。

A3：建议先与客户的决策层沟通，了解其对智能化转型的意愿和紧迫性。如果企业领导层已有明确意愿推进此类项目，我们可以提供已有的成功案例和可行方案，帮助他们理解升级的价值。例如，通过设备升级配合 AI 分析系统，可以节省人力成本、提高生产效率，甚至降低质量风险。关键在于，需用“业务语言”向决策者阐述技术方案的价值，而非单纯讲技术原理。

如果客户领导层没有相关意识或意愿，则不建议强行推进，因为一线技术人员通常没有决策权限，他们的主要职责是完成当前生产任务。因此，AI 项目的落地必须从管理层开始推动，只有在组织层面达成共识的前提下，技术团队介入才有意义和价值。

Q4：您好老师，我这边也有三个问题，一个是关于方案设计的问题，另外两个是实际应用过程中的挑战，想请教您作为专家对此的看法。

第一个问题是：目前我们看到很多应用展示中，都是将大模型与数据展示结合，尤其在特定领域下通过训练形成一些小模型，并与知识图谱融合。那么我们公司这边的方案是否是这样一种形式？也就是说，是否具备一套标准化的小模型体系，并在此基础上结合客户实际业务进行推广？还是说我们是完全根据用户的业务需求，进行定制化的实施和部署？此外，我们的产品是否也包含一些方法论？例如在预测性诊断中，传统的通用方法有 FMEA、PFMEA 等，我们是否在产品中也引入了这些方法论？

第二个问题是关于一个现实挑战：当前人工智能刚刚应用于工业领域时，常常出现“业务端”和“技术端”脱节的情况。业务人员了解业务，但不了解AI算法，而技术人员掌握机器学习和算法知识，但不懂业务逻辑。这种“两张皮”的现象让AI与业务难以深度融合，是目前应用落地的一大障碍。

第三个挑战是，在向企业领导层推动 AI 项目时，领导非常关注 ROI（投资回报率）。在经济环境相对紧张、预算有限的背景下，如何有效地向管理层汇报方案的投资回报，让他们愿意投入资源并做出决策，也是一个重要的问题。想请问您对此是如何考虑和解决的？

A4：关于这些问题，我们其实已经积累了大量端到端的落地案例，涵盖从场景识别、方案设计、ROI 测算到落地执行等完整流程。尤其是在 ROI 汇报方面，我们的策略是优先与领导层沟通，了解他们是否有节能减排等战略性目标。如果有明确意愿，我们会进一步分析其现有业务中有哪些具体场景可以推动节能降耗，进而细化落地路径。

在这个过程中，我们通常会先向领导“画一张饼”，也就是描绘出一个潜在的收益图景。但这个“饼”必须是对方愿意“咬一口”的，即项目必须具备实际价值并能切实落地。项目能否推进的关键，往往取决于领导层是否足够重视。如果领导层缺乏推动力，即便技术能力到位，也难以真正落地。

关于您提到的技术与业务割裂的问题，我们目前的策略是——只面向业务用户推广AI产品。技术人员不懂业务，业务人员也不理解复杂的算法，因此我们更倾向于为业务方提供可视化、无代码的操作工具，让他们可以通过“傻瓜式”的拖拉拽完成建模和分析。至于具体如何解决问题，我们会通过合作沟通，了解其实际需求，并安排专家、算法工程师和数据科学家协助解决。

至于您提到的“小模型”和“方法论”的问题，我们确实已经积累了较为完善的专家团队和相关方法论。我们所招聘的工程师大多拥有十年到二十年的工程经验，不乏拥有空调冷热、汽车工业等专业背景的博士级专家。这使得我们可以结合客户实际业务提供一整套专业、可落地的 AI 解决方案，真正实现“技术赋能业务”的目标。

以上就是本次分享的内容，谢谢大家。

申请免费试用

如您对 Altair 数据分析解决方案感兴趣

欢迎扫描二维码申请免费试用：

关于 Altair 澳汰尔

Altair 是计算智能领域的全球领导者之一，在仿真、高性能计算 (HPC) 和人工智能等领域提供软件和云解决方案，服务于16000多家全球企业，应用行业包括汽车、消费电子、航空航天、能源、机车车辆、造船、国防军工、金融、零售等。

近期，Altair被全球工业软件领导者西门子收购，成为西门子数字化工业软件(Siemens Digital Industries Software)旗下成员，进一步巩固西门子在仿真和工业人工智能领域的全球领导者地位，其技术正与西门子Xcelerator解决方案进行深度整合。

欲了解更多信息，欢迎访问：

www.altair.com.cn