專注工藝機理，有望造就工業互聯網“隱形冠軍”

工業機理模型是工業互聯網平臺的重要構成要素，其匯集了工業生產過程中的原理、定理、定律等專業知識，并結合實際工業生產經驗，形成機理并最終構建而來。它對工業經驗知識進行提煉和封裝，也是行業知識經驗沉淀的結晶。機理模型是肉眼可做X光的醫師，可以將對應的生產環節的正在發生的動作和原因完整呈現。

工信部于2021年印發的《工業互聯網創新發展行動計劃（2021-2023年）》中提出，要提升平臺技術供給質量，推動基礎工藝、控制方法、運行機理等工業知識的軟件化、模型化，加快工業機理模型知識圖譜建設等。這直接推動實驗室和工廠之間的理論和實踐雙向投射，換言之這是“公式”和“經驗公式”得以融合和驗證的機會。這也是崔斌在2019年蘊碩物聯創立之初就領悟到的行業趨勢。

經歷兩化融合、工業4.0和中國制造2025之后，彼時的國家重大專項“下一代工業機器人智能云平臺”讓崔斌開始思考“機器人+AI”在工業領域帶來的可能性。這種模式應用在工業制造環節無疑會通過豐富的傳感器采集到更多數控信號，對于以事后檢驗為主的制造業，或許是改變其本質的途徑。

以刻畫完整的機器人行為畫像為目的，崔斌找到了“機器人+AI”與工藝結合的入口——材料的成型機理。材料擁有特定的變形特性，而其最終形成質量又與過程控制邏輯和加工原理息息相關。如果將材料變形原理和影響因素鎖定，由此采集特定的產線加工過程關鍵數據，則可將事后檢驗的步驟變為實時判斷，這對視成本和時間為生命線的制造業而言無疑是一場變革。

蘊碩物聯研究的第一個機理模型——氣保焊成形機理模型就是從國家重點實驗室走到產線的成果，結合現場調試對焊接角度、焊絲直徑、焊嘴高度、焊接電流、弧長、導電嘴與母材間距等多個焊接影響因素形成“立體經驗公式”后，便可將傳感器采集到的信號實時帶入模型中加以驗證，完成實時焊接質量判斷。

不低于1000Hz的高頻傳感器和機理模型共同將產線的黑箱環節變為透明可視，實時判斷對于根因關系定位大有裨益。通常事后判斷需要等待焊接材料冷卻成型后才可用紅外線探傷或水浸方式查找漏點，在離散制造場景中，往往意味著此時成品已經離開產線3天以上，低效不僅體現在時間層面，更重要的是焊接問題無法追根溯源。在批量連續制造場景下，產線內的錯誤環節往往會相互影響、逐步放大，實時判斷可以及時調整錯誤根源，避免一錯一批的材料浪費。

機理模型具備的可解釋性正是低樣本的工業制造領域所渴望的，這也是基于大數據學習的AI模型所不具備的最顯著優勢。 目前，蘊碩物聯在焊接和噴涂等方面已構建多種機理模型并落地應用，包括氣保焊碳鋼AI模型、電阻點焊碳鋼AI模型、電阻點焊碳鋼質量判定模型、TIG焊鋁合金AI模型、激光復合焊機理模型以及攪拌摩擦焊（FSW）等，在船舶、軌道交通、汽車等多個領域得到價值驗證，客戶包括中國船柴、中國中車等。按照既有客戶的前期應用實際效果，在對蘊碩物聯的模型投入使用后，客戶的焊縫質量終檢合格率已由90%提升至99%。

聚焦材料機理切入市場，讓蘊碩物聯開拓出了一片前無古人的藍海市場，蘊碩物聯給出了年均2000億的市場空間。

低代碼促使平臺回歸工業本質

機理模型對于工程而言是相對完美的解答，但是在賦予具體場景的過程中必須經歷適配過程，這是比較痛苦的過程。

蘊碩物聯的第一個模型經歷了兩年多的調試，為了排除影響結果判斷的干擾項，需要對不同的生產線細致入微的考察并驗證，如果說九成時間用來鑄造機理模型的“鐮刀”，那么“磨刀”的適配過程就要占據一成精力，最終才能在生產線“切瓜砍菜”。

可以看出來，機理模型是為行業提供通用型解決方案的技術抓手，一旦形成復用性極高。但模型來之不易，前期實驗室研究耗時耗力，對高質量數據同樣有硬性需求，而材料種類多如繁星，加工手段同理，且機理模型落地最后一公里的調試也是唯有人力可攻堅的苦差事。單個團隊所能做到的終究是冰山一角。

工業互聯網自誕生之初就承載著流動和交互的基因，這點在蘊碩物聯為上述難題尋找的新型可視化工具中得以體會：以焊接工藝低代碼可視化分析平臺聯動行業專家在全產業散點落地，這也是蘊碩物聯在SaaS服務的一大重要進展，也很可能是行業的一大歷史性進步。

焊接工藝低代碼可視化分析助手操作界面

焊接工藝低代碼可視化分析平臺首先以數字孿生的方式將焊接過程中溶滴的形狀、周期等數據以電信號形式傳輸到系統端，最終以圖形化、曲線化的表達方式呈現。目前包括：溶滴過渡周期分析模塊、概率密度分析模塊、時頻分析模塊和U-I相位圖分析模塊等模塊，并有推出更多可視化工具的計劃，為工藝專家的判斷和研究過程提供更直觀的依據，并可依據這項工具調整工藝參數，定制自身質量標準。具體而言：

• 溶滴過渡周期分析模塊：基于參數曲線所反應的短路和燃弧特征，判斷能量波動、溶滴一致性，進而判斷是否出現頸縮或不連續等質量缺陷，是否存在斷弧異常。
• 概率密度分析模塊：通過駝峰數量、樣貌和溶滴短路過渡形式判斷電弧穩定性。
• 時頻域分析模塊：通過電弧參數曲線分布樣貌、溶滴過渡快慢、整體變化趨勢以及細節判斷是否有氣孔或頸縮風險。
• U-I相位圖分析模塊：通過U-I相位圖軌跡圍成四邊形情況分析焊縫質量及過程穩定性。

從產品抽象到工具層，將“交鑰匙”的交付過程變為聯合實現技術落地，讓客戶端從事工藝研發的人員在過程中更具自主性 ，這也加速了產業一線企業的研發效率。目前，蘊碩物聯已和包括汽車行業在內的領軍企業達成創新共識，將會以此探索新材料的焊接模型。

焊接工藝低代碼可視化分析助手操作界面

綜上，蘊碩物聯推出低代碼平臺是水到渠成之舉。綜合工業互聯網聯盟、德國工程師協會、《工業互聯網平臺白皮書（2017）》、Guth等對工業互聯網結構的研究，SaaS層為用戶提供App應用軟件和解決方案，根據特定場景提供個性化方案。工業互聯網的核心技術層也即PaaS層包含三大模塊，其中工業數據建模和分析模塊主要解決企業海量數據的建模和應用，一方面將行業知識、生產工藝、技術原理、經驗等數據進行數字化建模，形成工業機理，另一方面對數據之間的相關性進行數字化建模，實現大量數據分析建模。而PaaS的核心內容在于對工業生產過程的可視化描述，輔助企業進行預測、決策分析等判斷，是工業數據價值高低的核心體現。

雖然目前是焊接方向的SaaS服務，但從工業互聯網應用的角度來看，蘊碩物聯的可視化分析軟件已經很大程度上脫離了項目制的陳疾，在產品構成階段對客戶讓渡一部分權利后，提供的產品卻向平臺性質邁進了。這也是以機理模型切入的公司在產品思路的開放上更前瞻的體現。

設備商與集成商背后的隱形冠軍

回到“數據+模型=服務”的公式，工業領域的模型可分為兩種，我們上文重點介紹了以蘊碩物聯為代表的機理模型的形成過程和行業價值，另一個模型是數據模型，它由機器深度學習海量數據，以神經網絡算法構建模型。數據模型同樣可以達到提升良品率降本提質增效的目的。從工業整體發展而言，兩者適用于不同領域和不同場景，但均有重要價值。

前不久，我國市場監管總局等16部門發布關于印發貫徹實施《國家標準化發展綱要》行動計劃的通知，明確提到加強工業互聯網等新型基礎設施規劃、設計、建設、運營、升級等方面標準研制。

目前，我國工業互聯網平臺正面對融通標準化問題，應用層、數據層和資源層都缺乏標準支撐。 同時，基于行業知識沉淀的新型工業軟件供給不足，打通新領域和新行業的周期較長，形成可復制的應用則周期更為漫長。

機理模型需要的是高質量、有針對性的、聰明的篩選數據，這可以大大節省人力和材料。但對于行業標準的形成來說，這項數據采集沒有捷徑可走，唯一的方法就是與現有的各類廠商直接對接數據。這也是目前工業互聯網領域缺位的重要一環，構建工業互聯網統一信息平臺、工業大數據服務等。

從蘊碩物聯的低代碼平臺服務思路可以看出，它的路徑與數據模型的形成相向而行，誕生于實驗室的模型將在各家企業自發性的進行二次適配，也可能是更多次的適應性進化，這也是行業專家將自身實踐經驗融入模型的重要依托。

蘊碩物聯構建從單機智能、邊緣計算到AI能力云化的開放之路

此外，蘊碩物聯的低代碼平臺部署在云端，方便企業部署和使用，相關協議完善之后，蘊碩物聯可以將數據作為新模型研究的養料，也可以以此為契機開展數據服務，對客戶進行診斷、指引等綜合性行業指導，這將是形成行業水平考察的重要參考數據；當使用企業量級提升到一個層級后，這些圖形化、可視化的圖表將會成為行業標準的新型表達方式，對行業標準的制定和更新具有重要價值。這也正是蘊碩物聯向標準產品進發的終極目的——以被集成的開放狀態，做設備商和集成商背后的隱形冠軍。

寫在最后

低代碼將是拉動工業互聯網形成開源生態的有力手段，更低的使用門檻是招納更多生態伙伴的利器。低代碼元年已過去一年，工業互聯網與低代碼融合應用的推廣恰逢其時。