1 引言

在国家新型工业化战略驱动下，工业互联网已成为制造业数字化转型的核心引擎。政策层面持续推动“人工智能+制造业”深度融合，强调以工业智能体为载体，促进AI技术在工业场景的落地，培育新质生产力。

当前AI技术在工业中的应用呈现分层特点：IT层的研发设计等环节处于工业大模型探索期；OT层生产制造环节则以机器学习、深度学习等传统AI技术为主，应用于质检、故障诊断等单一场景。随着柔性生产、机器换人新需求以及5G、云计算等新技术发展，工业控制系统面临双重挑战：一是传统PLC/DCS系统向开放化、软件定义架构演进，需解决异构设备协同与跨域实时协作问题；二是AI与工控融合亟需突破场景适配与工程化瓶颈，构建智能化控制系统体系。

本文基于项目实践，分析新工控系统发展趋势与智能化挑战，构建云化控制与云边端协同的工控智能体架构，提出关键技术路径及“单点-局部-全流程”三阶段方法，并结合案例验证有效性，为工控智能化转型提供技术支撑与实践路径。

2 传统工业控制系统转型催生工控智能体

传统集中封闭式工业控制系统已难以满足现代制造业数字化、柔性化与智能化需求，控制、计算、通信及人工智能的深度融合成为新一代控制系统的核心发展方向，具体呈现三大趋势：

一是工业控制走向开放架构与生态协同。传统控制器软硬件紧耦合、协议封闭，阻碍跨厂商设备的实时数据采集与协同控制。工业自动化正加速向软件定义模式演进，通过软硬件解耦提升灵活性和可扩展性，例如施耐德电气推出的软件定义自动化解决方案旨在构建开放生态。

二是设备互联与数据共享成为核心驱动力。工业物联网（IIoT）实现设备数据全面贯通，边缘计算降低数据传输延迟以支持实时控制决策；5G与TSN融合将进一步优化通信性能，5G的低延迟和高可靠性支持远程实时操控，TSN精确同步机制确保工业协议的确定性传输。

三是AI与工业控制深度融合催生智能应用。工控系统从指令执行向自主决策演进，机器学习、深度学习技术应用于预测性维护与质检等场景；生成式AI通过自然语言处理优化人机交互；工业机理与数据融合建模推动控制从“经验驱动”转向“数据驱动”。

AI与控制的深度融合是构建工业智能体“感知-认知-决策-执行”闭环体系、实现全链路自主协同的最佳实践领域。推动自动化向智能体跃迁，是实现柔性生产与智能决策的关键，将成为人工智能与制造业结合的重要方向。

3 工控智能体需要解决的关键问题

尽管技术进步显著，工控智能体的设计研发和落地仍面临多重挑战，需要从数据、功能、性能、推广多层面应对。

（1）解决高质量数据来源问题。车间大量存量生产线仍采用封闭生态控制系统，协议不统一导致数据采集碎片化，企业内部数据互通和系统集成存在技术壁垒；即使获取了大量数据，但质量参差不齐、结构混乱，难以直接支撑AI模型的训练与应用。

（2）解决AI与工业机理融合问题。在安全性、可靠性要求极高的工业场景中，算法研发滞后于场景需求。通用大模型缺乏工艺机制理解，输出结果不确定性高、场景泛化性差；深度学习等复杂模型虽然能实现高精度预测决策，但“黑箱”特性导致决策不可解释，无法满足工业溯源标准。简化模型提升可解释性会降低泛化能力，复杂模型增强泛化性则牺牲可解释性，这种天然矛盾严重阻碍AI在工业控制领域的深度应用。

（3）解决AI算力实时控制问题。工业现场需毫秒级确定性响应，而AI模型推理受算力设施限制，大模型庞大的参数量导致边缘算力不足，普遍延迟较高。现有模型剪枝、量化等轻量化方法，虽在压缩率和加速效果方面有所进展，但仍无法满足工业边缘轻量实时应用的高要求，工业AI落地需在OT的确定性与IT的灵活性间寻求平衡。

（4）解决AI行业规模推广问题。中小企业往往难以承担定制化开发成本，而通用解决方案又无法满足个性化需求。如某丝印车间质检工位面临大尺寸产品质量检测问题，业界高精度智能工业相机矩阵方案改造成本超百万元，普通工业相机矩阵方案则数据分析准确率不足，难以满足工业场景的严苛精度要求。

4 工控智能体的体系架构及关键技术

4.1 工控智能体定义与体系架构

工业控制智能体是在产线、车间级工业环境中，融合自动化技术、通信技术与人工智能技术，实现材料准备与上料、生产设备加工、过程监控与质量检测、实时分析决策、协同控制与异常处理、包装下料等多个环节智能化控制与优化的系统，见图1。其核心特征包括：（1）构建“感知-认知-决策-控制”闭环体系，具备自学习、自适应能力；（2）支持柔性生产，可实时调整生产计划与工艺参数；（3）以数据为基础，整合多维度动态信息辅助精准决策。

图1 工业控制智能体全流程闭环

工控智能体体系架构，以云网融合的网络和算力为基础设施，云化工业控制系统为技术底座，人工智能为核心能力，构建全流程闭环、可协作的多智能体应用。其中，云边端协同的开放化工业控制系统是支撑该体系落地的重要前提：一方面，控制系统的云化转型与开放化重构为AI技术的深度融合提供了必要前提，开放架构打破传统封闭系统壁垒，实现高质量、多维度的数据贯通；另一方面，云边端部署实现资源的弹性调度与全局协同，同时满足控制实时性和AI高算力需求，并为AI模型的按需部署、跨节点知识游转和低成本场景适配迭代提供保障。

工业控制智能体采用云边端协同的四层体系架构（如图2所示）：

图2 云边端协同的工业控制智能体体系架构

①工业连接/算力层：由计算、存储、网络等资源构成，支持虚拟化、容器化部署，融合5G-A与TSN技术，提供毫秒级时延、微秒级抖动的确定性通信，保障控制指令与数据传输实时可靠。

②工业采控一体平台：云化数据采集+自动化控制的一体化系统，响应生产现场“数据上得来、控制下得去”闭环需求，为智能体应用提供高质量实时数据和控制任务执行引擎。

③工业智能模型层：云边端大小模型协同，云端大模型负责全局决策与复杂推理，边缘/设备端小模型执行实时任务，并通过知识蒸馏、数据反哺实现协同优化。

④工控智能体应用层：面向能效优化、工艺优化、工业质检等场景，构建端到端业务闭环的专业化智能体应用模块，并在此基础上实现多智能体协同。

4.2 工控智能体关键技术

工控智能体的构建在技术路线选择上聚焦于以下几项关键技术：

（1）异构设备协同及快速开发技术。基于云网融合的软硬解耦架构，采用GDS全局数据服务模型统一设备描述与建模标准，解决设备接入效率低的问题；通过动态库调用解耦技术实现控制软硬件分离，支持异构设备协同控制。通过硬件资源虚拟化，实现PLC逻辑控制、程序存储和IO模块分离，支持控制逻辑在云端、边缘或终端灵活部署。

（2）分布式控制的实时性协同技术。采用基于事件触发的系统级建模技术，替代传统固定时序轮询的周期扫描模式。系统搭载实时操作系统（RTOS）保障关键控制任务及时调度执行，合理分配计算资源；使用FPGA、GPU等专用硬件加速器处理实时性要求高的任务；融合5G与TSN技术构建确定性网络，5G LAN提供灵活组网能力，TSN保障工业协议的时间确定性传输。在机械臂控制场景中，该技术实现毫秒级响应精度，满足装配需求。

（3）运行时双域隔离技术。通过实时与非实时双域隔离的系统架构设计方法，在物理层面将两类任务分离至不同处理器或核心：实时域部署机械控制逻辑，分配独立CPU核心与内存资源，采用VCPU PIN配置实现资源独占；非实时域运行AI视觉、大数据分析等大算力应用，通过UDP/共享内存等标准化接口实现双域通信。该技术在保障控制任务实时性的同时，支持AI算法与控制逻辑的深度融合，在质检场景中实现AI视觉检测结果与机械控制的快速联动。

（4）大小模型协同技术。通过架构、功能、知识三重协同机制实现大小模型优势互补，降低定制成本：架构上，云端大模型处理生产调度优化等复杂任务，边缘小模型执行设备状态监控等实时任务；功能上，小模型负责数据预处理与特征提取，大模型开展深度分析与决策生成；知识上，大模型通过软标签蒸馏通用知识至小模型，小模型将领域数据反哺大模型实现垂直知识增强。在能效优化场景中，大模型预测未来1.5小时工况变化，小模型实时调整控制参数，实现能耗动态优化。

（5）多智能体协同控制与决策技术。定义智能体角色与交互协议，构建协同控制平台支持同构/异构智能体协作；通过分布式决策与语义通信实现任务分解与资源调度，基于强化学习和路径规划算法等，实现动态环境下的最优行动方案生成。

5 工控智能体的落地实践方法

5.1 三阶段实施方法

基于中国电信项目实践，提出面向车间、产线级智能化的三阶段推进方法。第一阶段：单点智能切入。针对企业核心痛点（如质检低效、高能耗等），基于云化控制系统开发小模型，实现单环节AI应用落地与控制系统替换，重点突破设备数据采集瓶颈，构建基础数据资产，验证技术可行性与经济效益。第二阶段：局部创新优化。提供全套解决方案，引入传感设备、智能装备与无线网络，建立云边端协同基座；打通生产环节数据链路，构建局部业务闭环，通过场景化小模型迭代提升生产效率，积累行业知识与模型经验。第三阶段：全流程闭环构建。引入工业大模型，扩展覆盖上下游环节，实现感知-采集-决策-控制全流程闭环；通过多智能体协同机制优化资源配置，构建数字孪生工厂，形成数据驱动的持续改进能力。

5.2 项目实践应用

能效优化场景：某新材料工厂面临烧结炉温度波动大、能耗高的问题，按三阶段实施改造：第一阶段引入云化智能控制系统替代西门子工控系统，节能智能体降低基础能耗；第二阶段部署大小模型协同系统，大模型预测未来1.5小时工况，小模型动态优化PID参数；第三阶段扩展至余热、除尘回收等多智能体节能应用。通过数据增强技术扩充训练样本50倍，时序预测模型实现提前1分30秒精准预测产线工况，决策控制模型结合电价政策优化能源调度，实现综合能耗降低15%以上，单台窑炉年节约电费约15万元。

无人质检场景：某丝印车间针对质检精度低、人工依赖强的问题，新增AI视觉检测工位，构建“视觉检测-智能决策-设备控制”闭环。边缘小模型实时提取图像特征、识别缺陷，云端大模型通过知识蒸馏优化参数，瑕疵识别准确率提升至99.4%。采用运行时双域隔离技术，AI视觉处理运行于非实时域，设备控制逻辑运行于实时域，通过标准化接口实现毫秒级联动。产线改造成本节省90%，减少人工成本99%。

6 结束语

当前工业智能化仍面临数据质量治理、模型可解释性、算力成本控制等挑战。未来需重点研究工业机理深度嵌入的大模型训练方法，提升模型决策的可信度；构建标准化技术体系与测试验证平台，降低中小企业应用门槛；探索数据安全与隐私保护技术，平衡数据价值释放与安全风险。通过技术创新与生态协同，推动工业控制智能体规模化应用，助力制造业高质量发展。