同一套设备、同一种产品，为什么换一个班组，质量就容易波动？不少制造企业的答案是：“这个工艺只有老师傅拿得准。”但继续追问，老师傅究竟看了哪些信号、何时调整参数、遇到什么情况必须停机，往往很难得到一套完整、可复用的说明。
这并不意味着经验无法传承，而是企业尚未把经验背后的观察、判断和操作，与生产数据连接起来。破解“属人化操作”，不是先购买一个大模型，而是建立一条可追溯的链路：现场信号成为数据，判断依据成为规则，操作结果用于验证，经过验证的知识再进入岗位流程。
从公开资料看，真正需要沉淀的是决策逻辑
金蝶在关于专家经验沉淀的公开文章中，提出了一个有参考价值的方法：还原专家执行任务的过程，记录每个决策点、参考信息和判断阈值，再转化为条件规则或机器学习标签。文章还描述了关联生产批次、设备数据、操作员信息和物料批次，辅助分析质量异常的思路。
这类资料可以帮助企业理解实施方法，但它属于厂商对方案能力的介绍，不能直接视为经过独立验证的项目成效。尤其要注意：数据相关性可以缩小排查范围，却不能单独证明故障原因。
对于“化工厂整合历史操业数据与熟练操作者经验，预测制造条件，实现质量稳定和周期缩短”的案例线索，现有摘录没有提供完整的项目过程、对照基线和收益数据。因而，不能据此宣称某种系统必然有效，也不宜给出具体改善比例。
不过，这类场景指向了一个明确的落地逻辑：在工艺相对稳定、数据能够对应到生产结果的前提下，先分析哪些条件影响质量，再在安全与质量约束内提出参数建议。目标不是让模型凭空找到“最优配方”，而是让过去依赖个人记忆的判断，变成可以检查、验证和修订的组织知识。
第一步：数据采集与标准统一，先让记录能够对得上
许多企业并不缺数据，而是缺少能够一起使用的数据：设备记录按秒存储，质检结果按批次登记，操作调整写在纸上，物料批号又在另一套系统里。数据各自存在，却无法还原一次完整生产过程。
工艺数字化的第一步，应围绕一个具体场景建立最小数据链。例如，针对某道工序的质量波动，至少需要连接：
- 生产对象：产品型号、工单、批次及工艺版本。
- 投入条件：原料批次，以及确实影响工艺的来料特性。
- 过程状态：关键温度、压力、速度等变量，设备状态和异常事件。
- 操作行为：谁在什么时间调整了什么参数，调整前后数值及原因。
- 结果标签：检验项目、检验方法、质量结果，以及返工或报废记录。
采集频率应根据工艺变化速度确定，不必把所有信号都按最高频率保存。更重要的是时间同步、计量校准、单位一致，以及缺失值和异常值处理。
物联网让设备运行状态可视化，可以回答“什么时候停了、停了多久”，但要回答“为什么停、能否避免”，仍需关联工单、物料、维护和操作记录。看板是入口，不是数据决策的终点。
多工厂推广前，先治理口径和权限
集团企业不能直接把各工厂数据拼在一起。同名的“合格率”可能使用不同分母，同一设备状态码也可能代表不同含义。
建议先统一核心对象编码、指标口径和数据字典，同时保留各工厂的设备差异及工艺版本。权限应区分查看数据、提出参数建议、审批规则和执行操作，关键修改留下审计记录。
同样，若要通过模型识别异常订单、提前预警，必须先约定“异常”究竟指交期风险、物料不齐套、产能冲突，还是规格超出工艺能力。现有资料不足以还原某制造集团的具体实施成绩，但这些治理要求本身可以作为项目设计依据：定义不统一，模型输出就无法形成统一行动。
第二步：把经验显性化为规则与参数，而非只做访谈纪要
问老师傅“你有什么诀窍”，容易得到“看情况”“凭感觉”。更有效的方式，是选取有完整记录的正常批次和异常批次，请老师傅逐步还原当时的判断。
重点追问四件事：
- 当时看到或听到了什么信号？
- 为什么认为需要干预，而不是继续观察？
- 做了什么调整，哪些动作不能同时进行？
- 调整后看什么结果，多久没有改善就要升级处理？
整理后的经验，至少应包含“适用条件—观察信号—建议动作—限制条件—结果验证”。例如，“升温慢就提高设定值”仍然过于模糊；还需要说明适用设备、工艺阶段、允许调整范围，以及哪些情况下必须先排查传感器或加热装置。
经验可以分为三类处理：
| 经验类型 | 建议沉淀方式 | 使用边界 |
|---|---|---|
| 明确的安全与质量要求 | 操作规程、检查项、约束规则 | 模型不得绕过 |
| 可描述的条件判断 | 决策表、参数窗口、诊断流程 | 经工艺审核后使用 |
| 多变量耦合、难以手写规则的判断 | 标注样本、预测模型 | 需要数据验证及人工复核 |
老师傅的经验也并非天然正确。某些办法可能只适用于旧设备、特定原料或过去的生产节奏。知识传承应保留其适用条件，而不是把“曾经有效”固化成“永远有效”。
企业还应让老师傅参与规则评审和异常复盘，将知识贡献纳入认可机制。否则，项目容易变成单向收集材料，既失去现场信任，也难以持续更新。
第三步：模型预测与异常预警，先建议，再验证
规则可以解决的问题，不必先上复杂模型。固定阈值、统计过程监控或简单预测方法，应成为后续模型的比较基线。
在工艺稳定、数据较完整的场景中，可以逐步尝试：
- 根据过程数据预测最终质量，提前识别偏离风险；
- 结合物料、设备和历史批次，推荐受约束的参数区间；
- 识别设备状态异常，辅助维护人员安排检查；
- 结合库存、产能和工序进度，提示订单交付风险。
所谓“最优制造条件”，必须说明优化目标：是在质量达标前提下缩短周期，还是降低能耗、减少原料损失？不同目标可能相互冲突，不能只给出一个脱离约束的“最优值”。
验证必须接近真实生产
历史数据上的预测准确，不代表上线后仍然可靠。训练与验证数据应注意按时间、批次等划分，避免同一生产过程的信息泄漏；也不能把决策当时尚未知晓的最终质检结果，当作预测输入。
上线建议分三步：
先旁路观察：系统给出预测，但不影响生产，检查误报、漏报和提前量。
再人工确认：由授权人员决定是否采纳建议，记录拒绝原因和实际结果。
最后有限自动化：只有经过验证、风险可控的动作，才考虑自动执行，并设置限幅、联锁及回退机制。
涉及危险工艺时，模型不能替代安全联锁、变更审批和专业人员判断。遇到新原料、新配方、设备改造或超出训练范围的工况，应提示不确定性，而不是继续输出貌似精确的建议。
大模型可以辅助整理访谈、检索规程、生成异常报告初稿，但不能未经验证就承担关键工艺控制。它是知识使用的辅助入口，不是数据基础和专业模型的替代品。
第四步：岗位与指标落地，让预警有人处理
如果系统每天发出大量告警，却没有明确的接收人、处置时限和升级机制，预警很快就会成为背景噪声。
上线前应明确责任：生产负责人确定业务目标；工艺团队审核规则和参数边界；质量团队维护结果标签并评价改善；设备团队保障采集可靠性；数字化团队负责数据、权限和系统运行；操作人员执行授权范围内的动作并反馈结果。
验收不能只看模型准确率，而要同时观察：
| 层面 | 可选指标 |
|---|---|
| 数据基础 | 关键字段完整性、批次关联成功率、采集延迟 |
| 模型表现 | 误报率、漏报率、预警提前量、预测偏差 |
| 业务效果 | 一次合格率、返工率、周期波动、非计划停机 |
| 知识传承 | 新员工独立处理能力、规则覆盖率、经验更新情况 |
| 使用过程 | 告警闭环率、建议采纳情况、拒绝原因完整性 |
比较前后效果时，应尽量控制产品结构、原料变化、设备维护和订单负荷等因素，不能把同期所有改善都归因于人工智能。
“理论值生产”的思路也宜落到可解释的差距分析上：在给定工艺和资源约束下，实际周期、能耗或产出与基准存在多大差距，差距来自等待、故障、返工还是排程。基准必须说明计算条件，不能把理想值直接变成现场考核指标。
按基础分阶段推进，不按技术热度采购
对数据基础薄弱的小型企业，优先选择一台关键设备或一道高损失工序，补齐批次记录、关键参数和标准操作规则。先验证能否追溯问题，再决定是否建模。
对已有生产、设备和质量系统的中型企业，重点是打通关联关系，选择一个质量预测或异常预警场景，从旁路验证走向人工辅助决策。
对多工厂集团企业，应先统一数据定义、版本管理和权限机制，再推广共性能力。复制的是数据标准、实施方法和验收流程，不是未经重新验证的工艺参数。
立项前，可以用三个问题筛选场景：问题是否值得解决，数据是否足以支撑，结果是否能够验收？如果其中一项没有答案，下一步通常应是补记录、改流程或做小范围试验，而不是直接采购大模型平台。
【软盟资讯观察】
制造企业从经验管理走向数据决策，重要变化不是让机器接替老师傅，而是让关键判断不再只能由某个人解释。数据、规则、模型与岗位责任连成闭环后，知识才可能跨班组、跨工厂复用。这也是智能制造比“上线一个系统”更难、却更有长期价值的部分。
机会首先存在于边界清晰、重复发生、结果可测的场景。质量波动、设备异常和交付风险，都可以从小规模验证开始。但风险也集中在这里：数据口径不一致、历史样本带有偏差、现场不信任建议，都会削弱模型效果。
企业需要保持一份冷静：预测准确不等于操作安全，看板可视化不等于治理完成，经验写成文档也不等于完成传承。真正值得投入的，是让经验可追溯、建议可验证、责任可落实，并在生产变化后持续修订的能力。