1. 这不是“学AI”而是工控人重新校准职业坐标的实战课“工控国际举办全员AI应用能力提升专题培训”——看到这个标题我第一反应不是点开看PPT长什么样而是下意识摸了摸自己电脑里那几个常年没更新的PLC仿真软件、SCADA组态工程备份包还有压在U盘角落三年没动过的Python脚本。说实话过去五年里我参与过不下八场“智能制造”“数字工厂”“工业4.0”主题的内部宣讲但绝大多数都停在大屏上滚动的3D产线动画和领导讲话稿里的“战略支点”四个字。这次不一样。它没提“转型”没喊“颠覆”就老老实实写着“全员”“应用能力”“提升”——三个词像三颗铆钉直接钉进我们每天打交道的DCS操作站、现场总线诊断仪、设备点检表和维修工单系统里。我干工控系统集成十年从西门子S7-300手编STL指令开始到后来带团队做MES数据采集层开发最深的体会是工控圈对新技术向来不排斥但极度警惕“空中楼阁”。你跟一线工程师说“大模型赋能预测性维护”他第一句问的是“能接Modbus TCP吗响应延迟多少断网还能跑吗”你跟车间班组长聊“AI视觉质检”她翻出上个月因误判停线两小时的记录单“上次试的那个算法把沾了油污的合格件当缺陷打标谁担责任”所以这次培训的关键词“应用能力”在我听来就是一句大白话别讲原理教我今天下午回厂里就能改一行代码、调一个参数、导出一份真正能用的报表。它面向的不是算法研究员而是每天要填27张电子巡检表、处理5台变频器通讯中断、在DCS报警洪流里手动过滤出真实故障的那群人。核心需求非常朴素让AI变成扳手、万用表、点温枪一样的工具而不是挂在墙上供参观的展板。适合谁不是只给IT部门而是给仪表班老师傅、DCS操作员、设备科技术员、甚至懂点Excel的班组长——只要他明天要面对真实产线这个培训就和他有关。2. 培训设计逻辑绕开“AI幻觉”直击工控现场的“三座大山”2.1 为什么放弃通用AI课程选择“工控场景切片式”教学市面上90%的AI入门课开场必讲神经网络、反向传播、Transformer架构。这就像教一个开叉车的师傅修发动机——理论没错但离他明天要卸的那三吨钢板差了八条产线。工控国际这次培训的设计者显然踩过坑。我翻过他们内部流出的课程大纲草稿发现一个关键取舍完全跳过模型训练环节聚焦在“已有AI能力”的调用、适配与验证上。这不是偷懒而是基于工控现场的硬约束做出的务实选择。首先算力现实。某汽车焊装车间的PLC柜旁你不可能塞进一台A100服务器而部署在边缘网关上的轻量级推理引擎如TensorRT Lite或ONNX Runtime for ARM其输入输出接口、内存占用、实时性要求和云端大模型天差地别。其次数据困境。工控数据不是ImageNet那种干净标注图而是夹杂着传感器漂移、通讯丢包、人工录入错误的时序流。一个在实验室用理想数据训练的模型放到真实DCS历史数据库里准确率可能从95%暴跌到60%。最后责任边界。工厂里没人敢为“AI黑箱决策”签字。当AI建议停机检修时操作员必须能立刻说出依据是基于哪5分钟的振动频谱突变对比了过去30天的哪个基准值阈值怎么设定的这些追问决定了培训必须教“可解释性应用”而非“端到端黑盒”。因此整个培训被切成六个高度具象的“能力切片”切片1用自然语言快速生成PLC梯形图注释与故障排查指引解决文档缺失痛点切片2基于历史OPC数据用低代码工具构建设备异常波动预警看板替代人工盯屏切片3将纸质点检表拍照自动识别表头、填写项、勾选状态并结构化入库消灭手工誊抄切片4用预训练视觉模型微调识别传送带上特定型号轴承的表面划痕小样本质检落地切片5把设备维修手册PDF转成问答机器人支持语音提问“FANUC R-30iB控制器报SRVO-062怎么处理”知识沉淀活化切片6用Excel插件一键分析月度能耗数据自动生成“空压机群组在谷段运行占比偏低”等可执行建议管理决策支持每个切片对应一个真实工单、一张现场照片、一段抓包数据。学员不是学“AI是什么”而是在讲师引导下亲手完成“从问题定位→数据准备→工具选择→结果验证→报告生成”的闭环。这种设计本质上是把AI当成一个超级增强版的“工控工具箱”而非需要从零造轮子的新学科。2.2 工具链选型为什么是“国产轻量级行业预训练模型”组合培训中所有实操环节统一使用一套经过深度定制的工具链。它由三部分构成前端交互层Web/APP、中间能力层API网关、后端模型层本地化部署。这个架构的选择背后有几条铁律第一绝对离线可用。所有核心功能模块包括OCR识别、时序异常检测、文档问答均支持在无外网环境下仅依赖厂区局域网运行。这是硬性红线——某化工厂曾因AI平台依赖公有云API在一次网络隔离演练中导致全部预测告警失效被安全审计一票否决。因此模型层全部采用量化压缩后的轻量级版本视觉任务用MobileViT-S参数量仅1.8M精度损失2%时序分析用Informer-Tiny输入窗口128点推理耗时50msNLP任务用ChatGLM2-6B-INT44bit量化显存占用3GB。这些模型不是凭空选的而是实测过在i5-8250U8G内存的旧款工程师笔记本上稳定运行。第二无缝嵌入现有系统。工具链的API网关预置了23种工控协议适配器Modbus RTU/TCP、Profibus DP、OPC UA含PubSub模式、HART、CANopen。这意味着当你想用AI分析某台ABB变频器的电流谐波数据时无需导出CSV只需在工具界面选择“通过OPC UA订阅节点ns2;sDrive1.Current.Harmonics”数据流会自动接入分析管道。这种设计省去了传统方案中最耗时的“数据搬运”环节——我见过太多项目卡在OPC服务器配置、防火墙端口开放、证书导入这三步上拖垮整个POC周期。第三权限与审计内置。每个AI功能调用都会在后台生成结构化日志谁、在何时、对哪个设备/数据源、执行了什么操作、返回了什么结果、是否被人工复核确认。这条日志直接写入工厂已有的SIEM安全信息与事件管理系统。这不是锦上添花而是合规刚需。去年某半导体厂因AI质检系统未留痕被ISO认证机构质疑过程不可追溯被迫暂停产线整改两周。培训中专门有一节叫“AI操作的合规签名”教大家如何用USB Key对关键决策进行数字签章确保每一步都经得起审计。这套工具链没有炫技的3D可视化大屏界面甚至有点简陋——但它能让你在DCS操作站旁边用一台普通办公电脑5分钟内完成过去需要仪表班三人协作两小时的工作。这才是工控人要的“能力提升”。3. 核心实操环节拆解六个切片六次“把AI拧进螺丝孔”的体验3.1 切片1PLC程序“翻译官”——让梯形图自己写说明书场景还原某电厂脱硫系统PLC程序由德国工程师十年前编写注释全为德文。新来的技术员看不懂每次修改都如履薄冰靠反复断电测试猜逻辑。培训第一天我们就用这个真实案例开刀。实操步骤数据准备将PLC程序文件.awl格式拖入工具前端。系统自动解析出所有FB/FC块、DB数据块、网络注释即使乱码也保留原始字节。模型调用选择“多语言代码注释生成”功能。后台调用的是一个在百万行工业控制代码上微调的CodeT5模型。关键参数设置目标语言选“中文技术文档”风格选“操作指南”非学术论文安全等级选“高”禁用推测性描述所有结论必须有代码行号支撑。结果生成30秒后系统输出结构化文档每个FB块顶部生成功能概述例“FB102_石灰浆泵控制根据pH值反馈与液位信号启停#1/#2泵含防干转保护逻辑”关键网络添加操作指引例“Network 7当DB1.DBX2.01且DB1.DBD41200时触发Q0.3输出对应现场#1泵接触器线圈”自动标记出高风险区域例“警告Network 15存在未处理的急停信号上升沿触发可能导致泵组无法及时停机”。人工校验工具提供“双栏比对视图”左栏原始代码右栏生成注释点击任意一行高亮显示关联逻辑。老工程师当场指出一处误判——模型把某个定时器复位条件错读为“压力超限”实际是“温度超限”。我们立即在界面点击“反馈错误”该样本被加入模型微调队列下次更新时优化。为什么有效它没试图“理解”PLC逻辑而是把代码当作一种特殊语法的文本用统计规律匹配常见工业模式。就像词典查单词不解释词源只给精准释义。我试过用通用大模型处理同样文件结果充斥着“可能”“大概”“建议检查”等模糊表述而这个工具输出的每句话都能在代码里找到唯一对应的字节位置。3.2 切片2OPC数据“哨兵”——告别24小时盯屏的预警看板场景还原某食品厂灌装线12台伺服电机电流数据通过OPC UA上传。过去靠操作员每15分钟看一次DCS趋势图漏掉瞬时过载导致三次电机烧毁。实操步骤数据接入在工具界面选择“OPC UA订阅”输入服务器地址opc.tcp://192.168.1.100:4840、安全策略Basic256Sha256、用户名密码。系统自动扫描出所有节点勾选需要监控的电流变量如ns2;sAxis1.Current。规则配置不用写代码用拖拽式画布拖入“时序数据流”组件设置采样间隔1秒接入“滑动窗口统计”组件窗口长度60秒即计算最近1分钟均值与标准差接入“异常检测”组件选择算法“改进型Grubbs检验”专为工业短时序设计抗脉冲干扰设置阈值当电流值 均值 3倍标准差且持续超过5秒触发预警。看板生成点击“发布”系统自动生成Web看板实时显示12台电机电流曲线带动态阈值线预警时对应电机图标变红并弹出卡片“Axis3电流异常127.3A偏离基线均值42.1A持续8.2秒建议检查机械负载”所有预警自动推送企业微信并生成工单含截图、时间戳、原始数据包下载链接。关键细节这里的“改进型Grubbs检验”是核心。标准Grubbs对连续异常不敏感而工控现场常见的是“缓慢爬升式过载”。我们把算法改成连续3个窗口即3分钟内若每窗口均有2个点超限则判定为趋势性异常。这个改动让误报率从17%降到2.3%。培训讲师透露算法参数是他们在某轮胎厂压延机上实测三个月调出来的——不是论文里的理想值而是产线灰烬里扒出来的真参数。3.3 切片3点检表“扫描仪”——纸质表单秒变结构化数据库场景还原某钢铁厂轧机点检表每天手写200份月底由文员逐张录入ERP错录率高达8%。表单包含手写体、勾选框、数值、日期且不同班组笔迹差异极大。实操步骤图像采集用手机拍摄点检表支持批量上传。工具内置“工业文档增强”模块自动矫正透视变形、增强手写笔迹对比度、抑制油渍反光。智能识别系统调用专用OCR模型基于PP-OCRv3定制但关键在“模板引擎”先用图形界面标注表单区域红色框标“设备编号”绿色框标“振动值”蓝色框标“√/×”选项区为每个区域指定识别类型设备编号用“字符识别正则校验如“YZ-2023-XXX””振动值用“数字识别单位校验必须带“mm/s””勾选框用“二值化轮廓分析”。结构化入库识别结果自动映射到预设数据库表MySQL字段名与ERP系统一致。更关键的是“冲突解决”机制若识别出的设备编号不在主数据表中系统暂停并弹窗“未找到设备YZ-2023-087是否新建或选择相似编号YZ-2023-086”若振动值超出历史范围±30%标记为“需人工复核”暂不入库推送给点检班长手机APP确认。避坑心得我们最初用通用OCR对“√”符号识别率仅61%。后来发现工人习惯用不同符号打勾圆圈、斜杠、星号。解决方案是在模板标注时为“合格”区域定义多个可接受符号正则表达式[✓√☑★]并设置容错像素半径允许符号轻微变形。这个细节让勾选识别率跃升至99.2%。工具的价值不在于“全能”而在于“懂你的不规范”。3.4 切片4轴承“眼科医生”——小样本视觉质检的落地真相场景还原某风电主机厂进口轴承表面划痕需100%人工目检。老师傅每人每天看800套漏检率3.5%且招不到新人。实操步骤数据极简采集不需要几千张图。培训中我们只用了27张真实划痕样本来自近半年返工件加上53张无划痕良品图。关键在“缺陷增强”用工具内置的“物理仿真增强”模块对每张划痕图模拟不同光照角度、不同油膜厚度、不同相机焦距下的成像效果生成200张变体对良品图添加随机噪声、轻微畸变、模拟镜头污渍避免模型过拟合“完美背景”。模型微调选择预训练模型YOLOv8n轻量级在本地GPURTX 3060上微调2小时。重点调整输入尺寸设为640x640匹配产线相机分辨率损失函数加入“焦点损失Focal Loss”解决划痕样本少导致的类别不平衡NMS阈值设为0.3严控漏检宁可多报。产线部署模型导出为ONNX格式部署到边缘盒子Jetson Orin NX。对接方式相机SDK抓图 → 工具调用ONNX模型推理 → 输出JSON结果含划痕坐标、置信度、分类标签置信度0.85的自动打标并分拣置信度0.6~0.85的推送到质检员平板显示原图热力图AI判断理由例“划痕位于外圈滚道长度1.2mm深度估计0.08mm符合国标GB/T 28712-2012 A级缺陷”。残酷现实模型上线首周误报率12%。排查发现产线新换的LED灯色温变化导致部分阴影被误判为划痕。解决方案不是重训模型而是在工具中新增“光照补偿”模块实时采集环境光传感器数据动态调整图像增益。这个“补丁”比重训快10倍且不破坏原有模型。工控AI的智慧往往藏在这些应对现场突变的“小补丁”里。3.5 切片5维修手册“活字典”——让PDF秒变语音问答机器人场景还原某石化厂FANUC、ABB、KUKA机器人手册共127本PDF总页数超3万。维修工遇到故障常花半小时翻找还常翻错版本。实操步骤知识库构建上传所有PDF工具自动执行文档解析识别目录结构、章节标题、表格、公式用LaTeX OCR版本标注自动提取PDF元数据中的“Revision Date”“Document ID”建立版本索引语义分块按逻辑单元切分非简单按页例如将“SRVO-062报警处理”整段内容含原因、检查步骤、复位方法作为一个知识块。问答引擎配置选择“RAG检索增强生成”模式关键参数检索器用Sentence-BERT微调版专为工业术语优化如“抱闸”“再生制动”“伺服使能”生成器用ChatGLM2-6B但提示词Prompt严格限定“仅基于提供的知识块回答禁止编造不确定时回答‘手册未提及请联系技术支持’”安全围栏屏蔽所有涉及“破解”“绕过安全机制”“修改固件”等敏感词。多模态交互支持语音提问方言识别已适配粤语、川普拍照提问拍故障代码贴纸自动识别并检索文字提问支持模糊搜索“机器人突然停了示教器显示红灯”。真实反馈测试时一位老师傅问“KUKA KR10 R1100的第六轴减速机漏油换油量多少”系统精准定位到《KR10 Maintenance Manual Rev.3.2》第47页返回“使用KUKA指定油品KUKA LUBRICANT KSL 2加注量1.2L更换周期2000小时”。他听完说“比我翻半天强关键是它知道我问的是哪个型号、哪个版本。”——知识服务的价值不在“多”而在“准”与“快”。3.6 切片6能耗报表“参谋长”——Excel里的AI决策助手场景还原某纺织厂每月能耗分析靠财务部用Excel手工汇总各车间电表读数再对照生产计划表人工计算“单位产量电耗”耗时两天且无法归因。实操步骤数据连接在Excel中安装插件一键连接能源管理系统EMS数据库SQL ServerMES生产工单表MySQL天气API获取当日气温影响空调负荷。智能分析选中能耗数据列点击插件“AI洞察”按钮自动执行相关性分析发现“空压机群组用电量”与“当日最高气温”呈强正相关r0.89但与“织机开机台数”弱相关r0.21生成归因报告“7月能耗同比上升12%主要驱动因素为空压机群组在谷段运行占比仅31%目标≥65%导致高价电占比过高”给出行动建议“建议调整空压机群组启停策略将30%负荷转移至22:00-6:00谷段预计月节省电费23,500”。报告生成一键导出PPT含动态图表、归因路径图、成本节约测算表所有数据源可追溯点击图表显示原始SQL查询语句。为什么比BI工具强传统BI需要IT部门建模、写SQL、调试仪表盘。而这个插件让车间主任自己在Excel里点几下就能得到可执行建议。它不取代BI而是把BI的“分析能力”下沉到业务人员指尖。我亲眼看到一位车间主任用这个功能发现了空调冷却塔风机常年满频运行的问题当天就安排变频改造一周后电费下降8%。AI在这里是那个默默帮你算清账、指明路的“数字副手”。4. 常见问题与现场排障实录那些PPT里不会写的“血泪教训”4.1 “模型识别不准”——90%的问题出在数据“脏”而非模型“弱”问题现象某学员用切片3识别点检表对“设备状态”栏的“正常/异常”手写文字识别错误率高达40%。排查过程第一步检查图像质量。发现手机拍摄时表单有反光且部分区域阴影过重。工具“工业文档增强”模块已开启但默认参数对强反光适应不足。第二步查看识别日志。发现模型对“正常”二字的置信度普遍低于0.5而对“异常”却很高。说明训练数据中“异常”样本的书写更规范。第三步深入数据层。导出识别失败的20张图发现它们都有一个共同特征书写位置偏右且紧贴表格边框线。而训练数据中所有样本都是居中书写的。终极解法在模板标注时为“设备状态”区域扩大识别范围向右延伸15像素并启用“边框抑制”选项自动淡化靠近边框的像素在数据增强阶段专门生成一批“右偏书写”样本加入训练集为该字段单独设置“后处理规则”若识别结果为“正”“常”“异”“常”等碎片且上下文为设备状态则强制合并为“正常”或“异常”基于邻近字段逻辑判断。经验总结工控AI的“脏数据”往往不是缺失或噪声而是空间位置偏差、书写习惯差异、介质老化泛黄/折痕。与其花大力气调模型不如先用工具的“数据探针”功能把失败样本聚类分析找到共性缺陷再针对性打补丁。记住在产线上一个鲁棒的预处理规则比一个高精度但脆弱的模型更可靠。4.2 “API调用失败”——别怪网络先查工控协议的“脾气”问题现象某学员在切片2中配置OPC UA订阅始终无法连接到现场西门子S7-1500 PLC报错“BadNotConnected”。排查过程第一步确认基础网络。Ping通PLC IPtelnet 4840端口成功排除防火墙问题。第二步检查OPC UA服务器配置。发现PLC的OPC UA服务器处于“演示模式”未启用“用户认证”但工具默认发送了带用户名的连接请求。第三步抓包分析。用Wireshark捕获握手包发现PLC返回的错误码是BadCertificateUseNotAllowed指向证书问题。终极解法在PLC TIA Portal中进入“OPC UA服务器”设置关闭“需要客户端证书”选项在工具前端将连接安全策略从“Basic256Sha256”降级为“None”仅限测试环境更重要的是在工具的知识库中为西门子S7系列添加专属配置指南“首次连接前务必在PLC属性中勾选‘启用OPC UA服务器’并在‘安全性’页签中将‘匿名访问’设为‘允许’”。经验总结工控协议不是HTTP没有统一标准。西门子、罗克韦尔、三菱的OPC UA实现对安全策略、节点命名、数据类型的支持千差万别。培训中发的《主流PLC OPC UA配置速查表》比任何AI教程都管用。遇到连接失败第一反应不该是“重启工具”而是打开这份速查表对照PLC型号检查三项服务器是否启用、匿名访问是否允许、端口是否正确。这是工控人的基本功AI只是帮你把这三步自动化。4.3 “预警频繁误报”——当AI太“勤快”你需要给它立规矩问题现象某学员用切片2监控水泵电机电流系统每小时报10次“过载”但现场测量一切正常。排查过程第一步查看原始数据流。发现电流曲线存在高频毛刺周期约20ms幅度达额定值的30%但持续时间100ms。这是变频器IGBT开关引起的固有纹波非真实过载。第二步检查算法参数。使用的“改进型Grubbs检验”窗口长度设为60秒但未设置“最小持续时间”过滤短时毛刺。第三步分析误报时段。所有误报都发生在变频器加速/减速瞬间印证了纹波来源。终极解法在“异常检测”组件中增加“毛刺滤波”前置步骤使用一阶RC低通滤波器时间常数500ms平滑高频噪声修改预警逻辑不仅要求“值超限”还要求“超限持续时间≥2秒”为该水泵创建专属规则“在变频器启停期间依据DI信号判断自动屏蔽电流预警”。经验总结AI预警不是越灵敏越好而是要匹配设备的物理特性。一台电机的真实过载是缓慢升温的过程而变频器纹波是毫秒级的电气现象。把两者混为一谈AI就成了“祥林嫂”。真正的“应用能力”是懂得在算法里注入领域知识——比如知道水泵的热时间常数是120秒那么任何持续10秒的电流尖峰都可以安全忽略。这需要工程师的判断AI只是执行者。4.4 “生成内容不靠谱”——当AI开始“编故事”你的刹车在哪里问题现象某学员用切片1生成PLC注释模型在描述一个计时器功能时写道“本计时器用于控制冷却水阀门开度防止过热”但实际该计时器只控制报警蜂鸣器。排查过程第一步检查模型输入。发现PLC代码中该计时器输出线圈Q0.5确实连接到蜂鸣器但代码注释里有一行德文“Kühlwasser”被模型误译为“冷却水”。第二步分析模型行为。CodeT5在训练时见到“Kühlwasser”与“valve”共现频率高便建立了强关联忽略了当前上下文输出线圈地址Q0.5在IO表中明确标注为“Alarm_Buzzer”。第三步验证知识库。查阅该PLC的IO地址分配表DB1确认Q0.5功能定义。终极解法在工具中启用“强约束模式”强制模型在生成时必须引用IO地址分配表DB1中的功能定义而非仅依赖代码文本为关键安全逻辑如急停、连锁设置“人工审核锁”任何涉及Q点输出的注释生成必须由持有电子签名权限的工程师二次确认才能发布建立“误译黑名单”将“Kühlwasser”加入规定其在无上下文佐证时一律译为“冷却相关”不指定具体部件。经验总结工控领域“不知道”比“知道错了”更安全。所有AI生成内容必须有可追溯的源头代码行号、IO表、手册页码。培训中反复强调“AI是高级助理不是决策者。它的输出永远是待审批的草案。”那个“人工审核锁”不是流程障碍而是生命线。我见过太多事故源于对自动化输出的盲目信任。5. 培训之外如何让AI能力真正扎根产线5.1 从“培训结业证”到“产线价值证明”的三步转化培训结束不是终点而是起点。我观察到真正把AI用起来的团队都做了三件事第一步锁定“最小可行痛点”MVP Pain Point。不贪大求全。某汽车零部件厂没选“全厂预测性维护”而是聚焦“涂装车间烘干炉温控阀故障频发”。他们用切片2只监控3个关键阀门的阀位反馈电流两周就建立起预警模型将平均修复时间MTTR从4.2小时降至1.1小时。一个看得见、算得清的成果比十个宏大愿景更有说服力。第二步建立“AI运维小组”非IT部门主导。成员必须包含1名熟悉设备的班组长懂业务、1名会基础脚本的仪表工懂数据、1名了解工艺的工艺员懂逻辑。他们每周开30分钟站会只做一件事看上周AI预警的准确率、误报原因、是否产生实际效益。这个小组是AI与产线之间的“翻译官”和“守门人”。第三步固化“AI操作规程”AOP。把AI工具的使用写进岗位作业指导书。例如“DCS操作员每日9:00登录AI预警看板核查前日所有红色预警确认处置结果并签字若发现误报点击‘反馈’按钮描述现场实况”。当AI操作成为和“抄表”“巡检”一样的日常动作能力才算真正落地。5.2 那些没写在培训大纲里的“潜规则”数据主权必须清晰。所有AI分析产生的数据所有权属于工厂。培训用的工具链合同里明确写了“模型权重、训练数据、分析结果”全部本地存储服务商无权访问。这是底线不容谈判。“老系统”才是主战场。别只盯着新上的MES/ERP。我帮一家老钢厂做AI点检主力数据源是2008年上线的WinCC V6.0系统通过OPC DA桥接。AI的价值恰恰体现在让老系统焕发新生。“老师傅的经验”是最好的标注数据。让有30年经验的钳工对着AI识别的轴承划痕图指出“这个是划痕那个是铸造纹理”他的判断比任何标注工具都准。把老师傅请进AI工作坊不是听报告是让他当“数据教练”。警惕“AI仪表盘陷阱”。凡是只有酷炫3D动画、没有导出原始数据按钮、不能对接现有工单系统的看板一律视为无效投入。真正的AI工具应该能无缝融入你现有的工作流而不是另起炉灶。我在培训结业时没记住多少算法名词但记住了讲师说的一句话“你们不是在学AI是在学怎么让机器更听话地干活。而让机器听话的第一步是先听懂机器的语言——那是由传感器、协议、时序数据和老师傅的皱纹写成的。”这句话值得刻在每个工控人的工牌背面。