科普 | 同样的设备、同样的配方，为啥每锅都不一样？ 原创

工业生产中，有一种很让工程师满脸问号血压升高怀疑人生的现象：

设备没换，配方没换，工艺没换，操作规程也没换，甚至连操作员都没换，可昨天那一批产品收率很高，今天这一批怎么突然掉了几个点？

大家围着生产记录讨论半天，最后得到结论：

“可能这一批哪里有点不一样。”

一、工业最头疼的，就是“哪里有点不一样”

“看起来一样”但实际“哪里有点不一样”的现象，在工业中并不少见。

在化工领域，同样的反应釜、同样的原料配比和温控制度，不同批次的收率可能不同。

制药行业，同样的工艺路线，不同批次的纯度、晶型、粒径可能存在差异。

食品行业，同样的配方和设备，黏度、口感、色泽也可能波动。

新材料生产中，同样的温度、压力和配比，最终材料性能却未必完全一致。

原因其实不难理解，工业生产不是输入1+1就一定得到2。我们在控制系统只能看到几个设定值：温度60℃、压力0.1MPa、保温40分钟。

但真实生产过程，升温用了多久？温度有没有超调？原料初始温度有没有变化？搅拌负载是否相同？设备换热性能有没有衰减？

这些变化单独看都很小，小到你看不到，小到你觉得可以忽略不计。但一堆“小差别”就组合了让工程师满脸问号血压升高怀疑人生的“大结果”。

二、一百多台反应釜，各有各的小脾气

一家精细化工企业，有120多个反应釜，间歇式生产精细化工品。就遇到了前面提到的典型问题：相同原料和相同控制逻辑，不同批次的产物收率差异很大。

这家企业拥有完整的MES生产台账和DCS设备运行数据，MES记录批次编号、生产时间、工艺配方及生产结果，DCS记录温度、压力、液位等设备传感器时序数据。

单看任何一类数据，都回答不了“相同设备、相同工艺，为何每批结果都不同”的问题，更难提前判断下一批次是否存在风险。

同时企业面临一个现实问题：这些数据来源不同、格式不同、时间尺度也不同，想把它们对应起来工作量巨大，工艺人员看了直接提桶。

这也是工业AI落地的最大障碍，企业不是没数据，而是数据很多且来源多构成复杂，企业根本不知道什么数据有用，如何用。

天洑在这个案例中重点解决的就是复杂数据处理问题。智能数据建模软件DTEmpower内置数据处理智能体，自然语言输入需求，大模型生成并执行数据处理脚本，完成数据透视、跨表关联、时间窗口匹配、批次聚合等复杂操作。

面对10万条传感器时序数据和336个生产批次数据，数据处理智能体进行了融合分析，将原本连续、分散的传感器数据转化为可用于机器学习的批次特征。

完成多源异构数据处理后，DTEmpower通过机器学习进一步建立“上一批设备和工艺与下一批生产结果”之间的关系，成功预测下一批次的失效风险，全程无需写代码。

最终，企业就把需要数据工程师完成的工作，变成了工艺人员用自然语言即可完成的智能分析流程，并进一步从出了问题查原因升级为了生产之前先预判风险，让MES和DCS中的数据服务工艺优化和生产决策。

三、工业AI的价值，是推演工业过程

天洑所理解的工业AI，与很多人理解的“大模型”不同。

在工业现场，工程师关心的问题是：温度提高2℃，产品会怎么样？降温过程缩短10分钟，收率会不会变化？设备性能衰减了，原来的控制策略还能不能继续用？

这些问题的核心，是理解工业对象，并推演工业结果，这正是天洑提出“工业世界模型”的原因。

现实世界不断产生数据，工业世界模型中的数据模型、机理模型、物理AI模拟器、优化模型和工业知识则理解当前发生了什么，模型再对未来进行预测和推演，给出更优的运行策略，重新作用于现实生产。

现实世界 → 数据 → 模型理解与推演 → 优化决策 → 现实世界，现实和虚拟的闭环。

工业世界模型最终要解决的，是让AI理解一台设备、一道工艺、一座工厂究竟是如何运行的。

未来，工业生产有望变成：在问题发生前预测，在生产结束前判断，在试错进行前推演。