对应备件号、采购信息，如采购日期、采购单价、保修信息、专业、 类型/类别等。 通过从采购、入库、维修、借调、领用、分配、定位、折旧、 报废、盘点，实现设备资产全生命周期管理，简化、规范日常操作， 对管理范围内的设备进行评级管理、可靠性管理和统计分析，提高 管理的效率和质量。 基于 BIM 三维模型，跟踪设备、设施资产位置及其相关属性数 伟景行智慧建筑运维管理平台解决方案 Connectivity）数据环 境 ，ActiveX  系统采用多层次的安全机制  合法用户的验证  对数据记录的访问权限控制（VPA）  对功能节点的访问权限控制  对页面功能操作的访问控制  Web 平台融合了 J2EE 理念  集成 AJAX、工作流、事务处理  Flash 技术、Web Service  基于 J2EE 的后台业务逻辑定制  Web 平台提供了一套机制 系统软、硬件建议配置 结合以上的技术及业务架构图，本方案中涉及的软硬件需要能 够满足当前用户的并发需求。存储设备容量则根据系统实际存储内 容数据而做调整，本方案中不做限定。软硬件建议配置如下文所述。 3.1.操作系统及软件平台配置方案 GIS+BIM+FM 设施设备运维管理系统运行于企业公司内部网络 中，与一体化平台等公司内部系统处于同一网络环境中，它们之间 相互直接访问。处于内部网络中的用户可以直接使用

时调整生产策略，以适应市场需求和提高生产效益。同时，智慧工 厂还强调与供应链的深度融合，使整个生产和物流链条高效协同。 在发展历程上，智慧工厂的概念经历了几个重要阶段：  早期阶段：传统制造业以人工操作和经验管理为主，生产效率 低，响应市场需求能力弱。  自动化阶段：随着自动化技术的引入，生产线开始实现机械 化，但信息孤岛问题依然存在，各个环节之间缺乏有效的数据 共享。  智能化阶段 平，这不仅适用于重复性高的工序，也适用于需要精准操作的复杂 任务。此外，通过数据分析，实现资源的高效利用，减少原材料的 浪费，降低生产成本。 为了确保达成上述目标，本项目计划实现以下关键成果：  部署 AI 大模型进行智能化数据分析与处理  建立实时生产监控与反馈系统  实现全面的生产线自动化解决方案  开展员工培训，以提升操作员对新系统的适应能力 通过以上目标及成果的实现，AI 例如，实施柔性生产线，通过模块化设计的生产工艺，实现快速切 换不同产品的生产，减少设备进行切换时的时间浪费。 在人员配置方面，针对不同的生产任务，合理划分人员的职责 和工时。可以通过 AI 模型分析生产线工人的操作效率，根据工作 需求进行班次调整和人力分配，确保人力资源的高效使用。 为了更好地进行资源优化管理，建议建立资源跟踪和反馈机 制。通过实施物联网技术，实时监控设备的运行状态和资源的使用 情况，及时收集反馈数据。利用

数据、环保监测数 据、气象环境数据、原材料质量、人员定位数据和视频监控数据等并未进行有效地加工和 应用，造成了大量数据浪费。 ⚫ 中控提出的“1+2+N”智能工厂新架构，打破数据孤岛。通过工厂操作系统 sup-OS 将 数据打通；通过两个自动化（PA+BA）实现企业生产全要素的互联集成和企业经营的协同 智能，解决企业中的数据体系建设、模型体系建设以及场景化的应用软件问题；同时运用 大量 APP 图 2：中控技术“1+2+N”智能工厂新架构 ........................................................ 6 图 3：中控 supOS 工厂操作系统 ......................................................................... 7 图 4：中控技术智慧企业“PA+BA”架构 整体规划不足 工业软件集成水平低 各类软件移植难 二次开发工作量大 软件定制化程度高 数据接口种类繁多 缺乏统一数据标准 资料来源：蓝卓《中国工业操作系统发展白皮书》、申万宏源研究 传统自动化和信息化本质是把生产操作和管理流程通过软硬件系统的方式予以固化， 从而建立了垂直制造体系，这一体系下负责不同业务环节或流程的子系统间彼此孤立，即 使不同自动化厂商间的设备在工业现场

进行流 程化管理，推动产业从传统操作模式向智能化转型的初步探索，为后续的深入应用奠定基 础。 L�局部推广级：石油石化产业工业互联网平台集成AI决策，将智能技术应用于多个业务模 块，实现工厂环境的物联感知，并通过数据、知识和模型的有机融合优化决策过程。业务场 景集成机器学习和深度学习技术，自动化特定任务，智能化应用从单一领域扩展至多个模 块，提高了操作效率和决策准确性。 L�扩展复制 勘探培训模拟：利用数字孪生技术结合人工智能视觉构建的智能培训平台，通过VR和AI视频 技术模拟真实的油气勘探现场，为员工提供了一个无风险的训练环境。员工可以在平台上练 习专业技能和操作流程，体验流程化操作带来的反馈效果，为上岗后的真实生产过程储备足 够的前期经验。 来源: 石化盈科&IDC ����年 图�.智能勘探业务场景与人工智能技术组合 勘探工艺优化 油井工况诊断 勘探开发风险管理 励模型（RM），并用强化学习（RL） 方式微调模型，结合多模态交互，推动智能勘探大模型具备更艰巨井下环境中的智能复杂任务处 理能力，进而打磨已有的通过传统监督机器学习得到的模型，推动勘探业务突破操作效率和模型 安全的瓶颈。此外，资源开发业务的数字、术语、语法较为复杂，智能勘探大模型可逐层剖析这 些信息，如对资源开发趋势数据、异常数据、决策因子进行整合，体系化提升整体业务的智能化 能力，为勘探业务的数字智能化提供关键动力。

➢ 场景大模型 场景大模型则是进一步细化到工业中的特定场景。工业领域包含众多场景， 10 如研发设计场景、生产制造场景、试验测试场景、运维服务场景等。场景大模 型针对这些特定场景下的数据和操作要求构建，能够精准地适应特定场景下的 任务需求，例如生产制造场景中的质量控制任务、运维服务场景中的设备故障 预测任务等。 图 1.3 工业场景（研发设计、生产制造、运维等） 1.1.2 工业任务/行业模型适配 特点，包 括 CAX 模型、传感信号、工艺文件、机器指令等特有数据模态，与通用大模型 常用的文本、图像等数据模态有很大区别。工业数据制备涉及到对这些复杂多 样的数据进行收集、整理、清洗、标注等操作，以便为后续的模型训练提供合 适的数据基础。 图 1.4 工业数据类型（三维图纸、时序信号、二维图纸、机器指令等） 1.1.4 工业基座模型训练 工业基座模型训练是工业大模型构建的重要阶段。在这个阶段，利用经过 工业场景交互应用是工业大模型构建的最后一个阶段。这一阶段主要关注 工业大模型在实际工业场景中的应用，包括与工业硬件设备、操作人员、其他 工业软件系统等的交互。例如在生产制造场景中，工业大模型可能需要与生产 线上的机器人、PLC（可编程逻辑控制器）等设备进行交互，为生产操作提供 决策支持、故障诊断等服务。 1.2 工业大模型的特点 图 1.6 工业大模型特点 工业大模型作为新一代

分开，从而生成准确、一致的结果，且能够追溯到源文件和数据，以确保信息的准确。 另外，Generative AI 还通过嵌入相关性评分机制，在未达到相关性阈值时回答 “我不知 道” 。例如在设备运维场景下，操作员可以利用简化的工作流程来诊断设备故障根因。 当操作员发现生产问题时，可以直接进入 C3 Generative AI 搜索故障排除指南和教科书， 以找出潜在原因。 3.4. 三种模式综合应用推动工业大模型落地 在工 工程师简化机械加工任务。Éncy 能够 执行多种任务，包括生成基于文本描述的代码，以及使用 Python 编写代码来创建.dxf 或.stl 文件。此外，Éncy 还能支持工程师操作机床，回答与 SprutCAM X 软件操作相关 的任何问题。例如，当工程师给出指令“在点(100, 25)处钻一个直径 10 毫米的孔”， Éncy 即可生成相应的 CAM 执行代码。 4.2.2 车间和设备管理 不仅能处理和分析原始数据，还能识别并解释复杂的 生产行为，转化为易于理解的、可操作的洞察。借助数据可视化技术，它提供了数据 的图形化叙述，增强数据的可解释性，帮助制造业专业人士进行数据驱动的决策。此 外，它还简化了测试流程，使用户能够通过自然语言查询快速验证假设，并根据可靠 数据进行调整，显著提高了生产效率和操作效率。 ABB20与 Microsoft 合作推出 ABB Ability™

FuncGenFoil 算法框架组建与功能示例..................................................... 37 图 13 FuncGenFoil 算法框架操作界面示例......................................................... 38 图 14 AIPOD 智能优化平台................ 利用Transformer从操作序列生成CAD模型，SketchGraphs16使用GNN 和 Transformer 分析几何关系并生成参数化 CAD。小模型方面，基于 规则和物理的小模型可以快速执行基于明确物理定律或几何约束的 优化计算，进行实时的仿真分析反馈。如，西门子的 Solid Edge 2024 版本通过集成小模型技术，实现了多项智能设计辅助功能，基于用户 操作习惯和物理约束的 AI 现设计冲 突的自动检测，有效减少返工与修改成本。如汽车设计中，AI 的作 用不仅限于设计优化，还包括设计验证和错误检测，AI 可以检测出 可能被忽视的问题，如结构弱点或安全合规性偏差，并提供可操作的 修正建议。 智能图纸识别与逆向建模将图纸信息有效转化为模型数据。利用 计算机视觉、深度学习和模式识别技术，自动识别和理解二维工程图 纸（如扫描蓝图、PDF 图纸、CAD 矢量图）中的信息（视图、尺寸、

手段系统地提升人效，以保持竞争力并实现持续的增长与发展。数字化工具的应用使得企业能够通过顶层设计来优化工作流 程，例如引入自动化系统进行工资核算或优化人事管理流程，从而显著提高工作效率和准确性。这种优化不仅限于生产线上 的操作，还涵盖了后台管理和决策制定过程，确保整个组织运作更加高效和协调。 数字化工具的应用显著地帮助员工从重复性劳动中解放出来，这在劳动密集型企业中尤为重要。通过引入先进的自动化设备 和机器人技术，企 则是主要 因素。如今，很多企业其实还处在智能制造由浅入深的探 索阶段，对自己需要的人才类型还不够明晰，也没能构建 对应的人才标准体系。即便有了明确目标和标准，由于过 去传统制造企业是以一线的操作工人为主，人员配置比较 单一，在招揽跨行业、跨领域的人才时，还没能摸清他们 的求职偏好、求职习惯及沟通评判标准，这就导致“盲目” 寻找，很难触达目标人才。 那么，假设市场上人才供给充足，企业又能找到他们，状 要找到合适的人员非常难。” 再比如，既懂机器又懂软件的专业型人才，他们要能基于 软件和大数据对整个智能生产线进行总控、操作和运营， 能根据市场需求灵活调整产线配置，并在出现系统故障等 紧急状况时快速应变、提供专业性指导，他们与设备的关 系不再是传统的机械化操作，而是有机的协同。 除此之外，随着产业的进一步升级，以及数据与业务的融 合日益加深，包括计算机科学、数据科学等领域在内的高

可靠性仿真、可靠性设计、可靠性试验、可靠性分析、可靠 性评价等标准。 4. 检测标准 主要包括检测要求、检测方法、检测技术等 3 个部分。 检测要求标准主要包括不同类型智能装备和系统的互操作 性、互联互通、系统能效等测试要求标准。检测方法标准主 要包括不同类型的智能装备和系统的试验内容、过程、分析、 环境适应性和参数校准等标准。检测技术标准主要包括面向 智能制造检测技术的判断性检测、信息性检测等标准。 （APS）、工厂物料运输管理系统（TMS）、能源管理系统 15 （EMS）、故障预测与健康管理软件（PHM）、运维综合保 障管理（MRO）等生产制造软件应用指南和集成实施标准。 （4）控制执行软件标准 主要包括工业操作系统、工业控制软件、组态编程软件 等控制执行软件的应用指南和集成实施标准。 下一步建设重点 研发设计软件标准。推动计算机辅助设计（CAD）、计算机辅助制造（CAM）、产 品数据管理（PDM）等软件的数据格式和接口规范标准研制。 管理（CRM）等软件与其他软件集成实施类标准研制。 生产制造软件标准。推动制造执行系统（MES）、高级计划排程系统（APS）、工厂 物料运输管理系统（TMS）等软件与其他软件集成实施类标准研制。 控制执行软件标准。推动工业操作系统等软件的系统架构、数据接口等标准研制。 3. 智能工厂标准 主要包括智能工厂设计、智能工厂交付、智能设计、智 能生产、智能管理、工厂智能物流、集成优化等 7 个部分， 如图 7 所示。主要规定智能工厂设计与交付，智能工厂运营

⺫标制度化－制度流程化－流程信息化－信息智能化 智能＝抓痛点＋想办法 怎么建设智能工厂？ 效益 咨询 精益管理的思想贯穿于经营管理的全部过程 创新 、质量 、绿⾊ 、服务 质量管控 使⽤服务 ⽣产设计 操作维护 瓶颈管理 Standard 技术标准 管理标准 工作标准 抓痛点：标准、产品、生产与业务 Production Product Business 产品设计 管理控制集成 设计制造集成 环保管理 可视化 环保数据 展示 指标监控 设备管理 巡检与监 测 信息多维检索查看 完整性管理 信息合规性检查 信息关联管理 数字化资产信息模型 巡检模拟 设备拆解 操作培训 应急演练 生 产 企 业 集 团 总 部 设备资产全⽣命周期管理 项⺫筹建－⼯程设计－建造交 付 －运⾏维护－报废退出 供应链协同⼀体化⽣态 采购－加⼯－运输－销售－客户 ⽣产管控⼀体化集成与优化 ! ! 互联网＋人员、设备，能力孤岛、观念孤岛 工业物联网：构建泛在感知的数字化工厂 基于工艺模型的高度自动化控制 想办法： 6 层次智能化建设分 析 智能运营 智能操作 智能控制 智能检测 智能决策 智能机构 1 5 2 3 4 6 逐鹿 智能化 特色 数字化 立足 自动化 做足 电子化 垂直 好用 集成 互通 想办法： 4 步行动策