随AI技术的不断进步，工业生产行业大模型的出现为企业的工业互联网平台应用带来了新的机遇与挑战。
安徽三竹智能科技股份有限公司作为工业自动化连接系统领域的先锋企业，积极探索基于工业生产行业大模型的企业工业互联网平台应用之路。曾经，该公司在生产过程、仓储管理以及设备管理等方面面临着诸多难题，生产费时费力、仓储信息追溯困难、设备管理低效等问题严重制约着企业的发展。然而，通过引入工业互联网平台，借助工业生产行业大模型的强大力量，三竹智能科技开启了一场数字化转型的征程。
那么，工业生产行业大模型究竟如何赋能企业工业互联网平台？三竹智能科技在这一过程中又经历了哪些关键的转变？本文将深入剖析安徽三竹的实践案例，展现基于工业生产行业大模型的企业工业互联网平台应用的全貌，为其他企业在数字化转型的道路上提供宝贵的经验与启示。
*本篇案例来自虎嗅智库独家推出的「大鲸案例库」。大鲸案例库旨在发掘生成式AI在企业核心场景下的实践应用，加速行业交流和创新。
案例背景
安徽三竹智能科技股份有限公司成立于2017年，隶属于上海三竹机电设备有限公司，总部位于上海，该公司位于安徽省马鞍山市和县经济开发区。公司主要致力于工业自动化连接系统的研发、生产和销售。多年来专业服务于FA、CNC及 robot厂商，公司主要产品为工业自动化连接线和连接器,产品广泛应用于工业机器人、新能源汽车等行业，属于典型的离散装配制造。车间生产工艺主要分为连接器散件生产、连接器生产、线束生产，通过客户单位下达销售订单，由车间PMC将销售订单转化为生产工单下发生产部门，生产部门按照生产工单进行生产，完成订单交付。
实施该项解决方案前的主要问题分析
（1）生产过程上费时费力：因为线束生产的产品样式较多，需要人工打印生产SOP和工艺图纸下发给产线，进行工艺控制,无法形成与生产数据联动，在生产中需要大量的根据产品更换生产操作工艺文件，费时费力。
（2）仓储管理方面：纸质形式，填写工作量大，信息反查追溯难度大，容易丢失，不易保存，入库信息需要在电脑表格录入，材料消耗情况计算工作量大。
（3）设备管理方面：产线的设备通过PLC机柜显示参数跟踪生产工艺情况，人工抄写参数工作量大，无法实施监控设备安全运行监测，设备异常故障多样，单维度感知、固定阈值难以有效预警、判断，易造成设备非计划停机。设备日常点巡检、故障诊断过度依赖人的行为、经验。
解决与改进策略
一方面，通过和县工业互联网平台平台，实现企业相关数据资源汇聚，依托大数据、云计算、工业大模型等信息技术，实现企业画像、行业画像和区域画像的精准构建，助力政府更好把控企业运行风险、优势行业趋势和区域经济整体发展态势，为县经济发展和招商招才等针对性帮扶政策制定提供数据支撑和辅助决策。
另一方面，通过和县工业互联网平台平台，利用平台工业小模型能力推动区域设备数字化、数据可视化、服务智能化，企业利用平台可以提升企业成本效益、生产效率、生产质量以及综合效益。
解决方案与实施
解决方案的选择
（1）以生产管理作为实施主要核心
依照企业调研结果，确认生产管理为本次项目实施的主要核心，基于这个主旨，研发初期的重点即尽快贴合三竹企业生产实际现状制定并完善生产主流程，采用“边试用边优化”的方式，降低上线难度，并更好的根据实际使用情况进行研发优化。
（2）需贴合车间现状进行线边仓管理
三竹企业的车间主要包括一车间的压铸车间、机加工车间、注塑车间、冲压车间，以及二车间的线束车间与连接器车间。但由于车间线边仓并未按车间分割开，多数车间共用一个线边仓，出于这种实际情景，本次实施将以一车间与二车间这两个总车间分别进行线边仓搭建，分为“一车间线边仓”与“二车间线边仓”，不再区分具体车间。
一车间线边仓由于有专人进行管理，所以本次实施需指定线边仓管理人员负责维护一车间线边仓的相关出入库单据。二车间线边仓是公共区域，无具体人员进行管理，所以按照实际情景，需指定配料人员进行线边仓领料出库，包装人员进行产品入库，生产主管进行调拨入库和盘盈盘亏。这样方可确保各车间线边仓出入库单据录入的及时性，保证了线边仓库存数据的准确性。
（3）设备管理现有管理模式优化
三竹企业目前主要依靠Excel与纸质表单管理设备的台账、报修维修、点检与保养，由于设备类型众多，纸质表单的管理模式十分不便，所以本次关于设备管理模块的实施重点在于将线下的纸质表单管理模式逐步转移到线上，最终实现设备管理的“无纸化办公”。实现这一点，需要将目前所有需管理的设备台账、所有设备对应的点检项目、所有设备对应的保养项目、设备故障的因素等基础信息整理并录入系统，作为报修检修、保养与点检的数据支撑，并需要有报表可随时查询相应报修检修、点检、保养的相关信息。
实施的关键步骤
技术应用
在架构层面，全面采用事件驱动架构，平台与外部各类应用系统松耦合，有效隔离风险，避免错误和故障连锁导致失控。基于高可用架构，集成云应用交付等技术，实现业务的连续交付。
在系统层面，全面采用分布式集群模式和集群增强机制，大大提升系统的生存能力；计算层采用基于资源动态分配和故障自动恢复机制。平台内部全面采用基于容器的容错技术实现快速系统的重构机制，支持线上运维、后台远程运维服务，根据企业需求给予快速响应和迭代，以保证系统的高可用性。
在数据层面，采用数据库和存储分布式集群化数据库，采用数据多副本机制。流数据的传递采用多路并行模式，确保数据体系的稳定可靠。
（1）高并发应对
随着接入平台的企业和用户的增长，平台有可能会面对大流量、高并发的访问，为了使平台在此情况下，依然能够为用户提供高质量的服务，在架构层面作了前瞻性规划。主要通过在以下几种方式，提升了平台应对高并发情况的能力。
①CDN：实时地根据网络流量和各节点的连接、负载状况以及到用户的距离和响应时间等综合信息将用户的请求重新导向离用户最近的服务节点上，提高用户访问平台的响应速度。
②负载均衡：扩容节点进行集群，利用负载均衡设备进行请求的分发。
③数据库缓存：在Web层和db层之间加一层以Cache层，减少数据库读取负担，提高数据读取速度。
④读写分离：cache层（如Memcached）只能缓解数据库的读取压力。高并发时，数据库面临写的压力。使用主从复制技术（master-slave模式）对数据库读写分离，提高读写性能和读库的可扩展性。
⑤分库分表：随着平台和业务的发展，平台将会存储海量数据，数据库很容易成为应用系统的瓶颈。且单机数据库的资源和处理能力有限。对数据库进行水平分区，提高数据处理效率，降低单台机器的负载，最大限度的降低了宕机造成的损失。
⑥采集端并发：利用高性能分布式消息队列做设备数据采集的缓冲层，支持异步处理、水平扩展，有效应对上百万并发连接。
（2）安全性
平台集中管理了企业数据，其中不乏有企业关键的敏感数据。为了保证企业数据的安全性，避免数据被窃取给企业带来风险和经济损失，需要关注平台的安全架构。包括基础设施安全，应用系统安全，数据保密安全等。
①基础设施安全：硬件，操作系统，网络环境方面的安全。选择安全的操作系统，及时修补漏洞，安装杀毒软件防火墙。防范病毒，后门。设置防火墙策略，建立DDOS防御系统，使用攻击检测系统，进行子网隔离等手段。
②应用系统安全：防止跨站脚本攻击（XSS），注入攻击，跨站请求伪造（CSRF），错误信息，HTML注释，文件上传，路径遍历等。使用Web应用防火墙，进行安全漏洞扫描等措施，加强应用级别的安全。
③数据保密安全：存储安全（存在在可靠的设备，实时，定时备份），保存安全（重要的信息加密保存，选择合适的人员复杂保存和检测等），传输安全（防止数据窃取和数据篡改），访问安全（建立数据访问权限机制）等等。
（3）本项目随着后期业务需求的变化，系统功能也会随之变化，要求系统采用最新技术路线设计，系统需具备方便扩展升级的特点。本项目各个层级采用如下技术路线：
①基础设施层：项目建设按需支持通信Windows系统、UOS系统、Linux系统和Android系统，采用Docker、K8S等技术进行服务管控，以Tomcat作为WEB容器进行部署。
②存储层：基于HDFS采用Hadoop生态体系，系统具备开放性，同时也支持MySQL、Oracle、Sqlserver、GBase数据库，NoSql数据库支持MongoDB、ElasticSearch、Redis等。
③计算层：计算框架支持Hive、Impala、MapReduce、SprakSQL等，同时采用Kafka作为消息队列，YARN进行资源管理，Oozie进行任务调度。
④能力层：通过底层工业大模型、大数据、物联网、低代码能力中心，向上为应用层跟服务层提供能力服务，赋能上层iMOM、ERP、PLM、知识库等数字化软件应用。
⑤服务层：采用JAVA领域流行的spring框架体系，包括spring、springBoot、SpringCloud系列框架，同时部分微服务考虑使用dubbo框架协议，使用MyBatis作为数据持久层框架，使用Spring Quartz进行常规任务管理。
⑥应用层：应用层支持桌面端、手机端和WEB端，对于C/S架构采用Electron+VUE的技术路线；对于手机端采用UniAPP+VUE+H5技术路线，B/S架构下，采用VUE作为核心技术路线。
⑦接入层：采用Nginx作为反向代理服务软件，基于Lua脚本进行部分定制；Nginx 负载均衡实现高可用，借助Keepalived地址漂移功能。使用Haproxy实现高可用，对外使用http或者https协议。
实施效益
企业通过数字化转型实现生产可视化、生产工单管理、生产过程跟踪和监控等，使生产执行安排更合理，原材料和辅助材料的使用更加精确，生产流程也更加自动化，公司生产效率普遍提高了30%以上，生产成本降低了20%以上，减少40%以上的人力成本, 优等品率上升10%以上，不良品率下降10%以上,生产工序数据实现全流程采集率可以提高95%以上，通过设备能耗数据采集实现能耗监管, 使得企业能源资源利用率提高10%以上, 企业的安全生产水平可以得到有效提高，实现了生产环节高效地监督和管理以及生产过程的数字化转型。
关键挑战与应对策略
企业智改数转过程是一个采用先进的信息技术和人工智能等各技术的融合，在建设过程中需要与各个业务单位、多个技术支撑系统、多个业务系统之间接口。系统需要采集的数据量大涉及的相关系统范围广，需要比较高的信息管理的专业知识，由于覆盖范围广，涉及部门多，各业务系统建设已具规模，采用技术不一，应用需求、安全需求存在差异，随着IT技术的不断进步，技术发展存在不可预知的因素。
企业的工业大模型应用建设是一个周期较长、涉及相关企业较多、数据量大、系统功能要求高的复杂应用建设，只能在建设过程中与多个业务部门和企业进行沟通，才能逐步明晰系统的需求。同时，由于工业大模型专业性较强，有些需求各业务部门人员根本不可能明确地提出，需要系统建设方根据已有的系统建设经验进行用户需求的引导。这些状况容易造成系统的需求不明确，或者系统的需求变更频繁，使得项目进展严重滞后，最后造成项目的失败。
同时由于大模型应用场景开发周期较长，技术难度大，因此项目人员压力会随着项目的进展逐渐加大，工作效率也可能会随着项目的进展逐渐降低，造成工作效率低下，甚至会造成项目成员的不稳定。
文章来源：虎嗅智库服务
