1 引言

随着全球制造业数智化转型的不断深化, 智能制造已成为衡量国家制造业综合竞争力及产业技术水平的关键指标, 为实现高效、绿色、灵活的生产方式提供了坚实的技术支撑. 在我国, 智能制造作为 “制造强国” 的重要组成部分, 已成为推动产业升级、提升质量和效益的核心动力. 在流程工业领域智能制造的快速发展过程中, 通过引入生产管理、实时优化、先进过程控制、零手动操作等技术, 基于分布式控制系统 (distributed control system, DCS) 和可编程逻辑控制器 (programmable logiccontroller, PLC) 等控制系统的流程工业企业显著提升了生产装置的自动化水平, 实现了从少人化到无人化操作的跨越, 并进一步推动了制造执行系统、流程模拟软件、先进过程控制软件、控制系统性能评估和诊断软件等一系列流程工业智能工厂核心工业软件的自主研发和国产化进程.

流程工业智能工厂建设到今天, 在感知生产过程数据、提升自动化水平、减少人员操作等方面已取得显著成效, 为企业带来了明显的精益化运行收益. 实现从世界制造业大国向世界制造业强国的转变需要我们不断探寻 “下一个效益提升点”. 然而, 当前基于一系列核心工业软件建设的流程工业智能工厂在精益化运行方面仍面临不少瓶颈, 具体表现为以下几个方面.

(1) 数据透明化程度还需提升. 制造执行系统、流程模拟软件、先进过程控制软件、控制系统性能评估和诊断软件等核心工业软件在运行过程中均产生了大量有价值的二次数据, 然而当前阶段企业管理者需要通过定制报表才能获取所需的企业运行数据, 难以实现全面的数据透明化, 无法充分发挥核心工业软件蕴藏的数据的价值.

(2) 信息孤岛问题依旧严峻. 流程工业智能工厂建设解决了传统制造模式下存在的信息孤岛问题,然而当前阶段, 核心工业软件之间、核心工业软件的模块之间并没有建立完善的信息互通和利用策略,导致核心工业软件之间仍然存在事实上的信息孤岛问题.

(3) 分析结果缺乏深度洞察. 深层次企业营运分析需要结合全面的业务数据, 同时还需要丰富的专业知识, 这既要求企业人员熟练掌握精益化运行涉及的核心工业软件的原理, 还需要深刻理解生产工艺, 当前阶段流程工业智能工厂核心工业软件尚不具备这种能力.

近年来, 以大语言模型为代表的新一代人工智能技术发展迅速, 特别是在结合工业多模态预训练机制与多模态融合能力后, 为流程工业智能工厂建设带来了新的契机. 例如, 针对工业时序数据的生成, MetaIndux-TS等模型展现了显著的进步, 能够有效解决数据稀缺问题. 大语言模型强大的交互能力和跨领域逻辑思考能力能够将流程工业智能工厂的知识经验融入核心工业软件体系中, 赋能核心工业软件提升数据透明化程度、实现信息互通和利用、给出更具价值企业营运分析结果.

基于上述背景, 本文提出了基于大语言模型建立工业大模型驱动的交互式图表分析助手, 构建覆盖建模、感知、决策、诊断全环节的多场景智能体, 赋能流程工业智能工厂核心工业软件体系.

本文的剩余章节组织如下: 第 2 节回顾了流程工业智能工厂的核心工业软件体系, 分析了核心工业软件解决上述瓶颈所面临的挑战; 第 3 节提出了工业大模型赋能核心工业软件体系的总体架构, 具体分析了基于工业大模型解决上述瓶颈的技术路线; 第 4 节展示了智能体与大模型在 PID 性能评估与整定等核心工业软件中的协同应用示例; 第 5 节总结全文.

2 流程工业智能工厂核心工业软件体系

ISA-95 是企业系统与控制系统集成国际标准, 给出了经典的工厂信息系统架构(如图 1 所示),该架构分为 5 层, 自下而上分别是生产过程层、生产过程感知层、生产过程自动化层、制造运营自动化层、企业营运逻辑层. 在生产过程感知层涵盖了流量、压力、温度、液位、视觉等各类传感器, 在生产过程自动化层涵盖了可编程逻辑控制器 (PLC)、分布式控制系统 (DCS) 等控制系统, 在制造运营自动化层涵盖了制造执行系统 (manufacturing execution system, MES)、实验室信息管理系统 (laboratoryinformation management system, LIMS)、报警系统 (alarm management, AM) 等.

随着 2012 年工业互联网架构被首次提出, 基于工业互联网的新一代流程工业智能工厂架构从智能控制、智能生产、智能保障、智能供应链、智能经营等方面开展智能工厂建设, 进一步满足了企业安全、绿色、节能、高效、柔性的高质量发展需求. 流程工业智能工厂解决方案供应商提出了多种智能工厂架构, 例如石化盈科信息技术有限责任公司提出了 “数据 + 平台 + 应用” 的建设理念, 依托工业互联网平台架构提供行业级智能工厂解决方案. 中控技术股份有限公司提出了 “1+2+N” 的智能工厂建设架构, 其 1 个工厂操作系统、2 个自动化和 N 个工业 APPs 并没有严格意义上的层级关系.

图 1 ISA-95 工厂信息系统架构

浙江中智达科技有限公司进一步融合人工智能和工业互联网等新技术, 提出的新一代流程工业智能工厂架构 (如图 2 所示) 具有更加明确的层级关系, 能够有效指导企业开展智能工厂建设, 按照工业互联网架构划分, 该智能工厂架构可分为边缘层、IaaS 层、PaaS 层、SaaS 层, 按照智能工厂建设内容划分,可分为智能装备、智能控制、工业互联网基础设施、核心平台和数据库、智能生产、智能保障、智能供应链、智能经营等方面.

图 2 中智达基于工业互联网的新一代智能工厂整体架构

不论是哪种智能工厂架构, 制造执行系统、流程模拟软件、先进过程控制软件、控制系统性能评估和诊断软件等核心工业软件均在智能工厂运行中发挥了重要的作用, 是国内外智能工厂解决方案供应商的核心竞争力所在, 下面将介绍这四类核心工业软件在国内外的发展情况.

2.1 智能生产与保障 —— 制造执行系统

传统制造业面临效率低、质量控制难、信息孤岛严重和市场响应慢等问题, 难以满足现代生产对高效、精准、实时管控的要求. 制造执行系统 (MES) 作为连接企业计划层 (enterprise resource planning,ERP) 与底层控制层 (如 DCS, PLC) 的桥梁, 通过实时数据采集、计划调度和过程管理, 实现生产的透明化与高效化, 提升企业效率、质量与竞争力, 同时降低成本.

随着工业自动化与信息化发展, MES 已成为制造业, 尤其是化工行业实现智能制造的关键系统.MES 通常采用分层架构, 包括数据层、应用层、业务流程层和用户界面层, 支持生产计划、调度、工艺、操作、物料、能源、质量、设备、统计与绩效管理等核心功能. 例如, 调度模块优化排产应对异常,质量模块借助统计过程控制 (statistical process control, SPC) 提升品质, 物料模块实现库存优化与罐区管理, 减少浪费.

国际 MES 起步早、技术成熟, 广泛应用于大型制造企业, 推动数字化转型. 相比之下, 国产 MES虽起步晚, 但发展迅速, 在满足本土制造企业需求方面已取得显著进展. 现有国内外制造执行系统的整理如下.

Opcenter (西门子): Opcenter 是西门子推出的 MES 解决方案, 提供强大的数据整合能力、实时监控与生产分析功能, 特别适用于多地点、跨国制造企业, 支持高弹性的制造执行与品保流程.

FactoryTalk ProductionCentre (罗克韦尔自动化): 该系统支持从原料到成品的端到端生产管理, 涵盖设备监控、制程控制与质量分析, 广泛应用于离散型与流程型制造场景中.

Honeywell MES (霍尼韦尔): Honeywell 的 MES 解决方案聚焦于流程工业, 强调生产计划管理与流程优化, 结合大数据分析能力, 尤其适用于化工、能源等高复杂度生产环境.

iPlat4M MES (宝信软件): iPlat4M 专注于实时监控、生产排程与质量管理, 旨在提升整体制

造效率, 适合推动数字化转型与提升制程可控性的企业.

中智达 Cyb-MOM (中智达科技): Cyb-MOM 为中智达针对流程工业量身打造的 MES 系统,符合 ISA-95 等国际标准, 实现计划、排程、操作、统计、分析与考核等全流程整合, 能灵活支持不同规模与层级的企业进行精益化生产管理.

2.2 工业数字孪生 —— 流程模拟软件

化工生产涉及复杂理论和繁琐计算, 传统手工方法效率低、易出错, 因此化工流程模拟软件成为工艺设计与优化的关键工具. 该类软件自 20 世纪 80 年代能源危机以来, 依托化工原理、热力学、高等数学与编程技术广泛应用于化工厂、设计院与科研单位. 通过质量与能量守恒计算, 模拟传热、传质与反应过程, 支持设备选型、夹点分析等, 提升能效、经济性和环保水平.

软件主要由物性数据、热力学模块、单元操作模块和流程求解算法组成. 其中, 物性数据是基础,涵盖热力学、传递性质等, 来源包括实验测量和模型估算 (如基团贡献法). 热力学模块支持多种物质体系和相态计算, 部分采用神经网络预测原油黏度. 单元操作模块将典型设备 (如泵、换热器、精馏塔) 建模计算, 普遍遵循 CAPE-OPEN 标准以确保模块兼容. 流程求解器则处理复杂流程和回路迭代问题.

国际上如 Aspen Plus, Hysys 等软件技术领先、功能强大, 广泛用于石化与能源行业, 凭借精确算法和完备数据库占据主导地位, 但成本较高. 国内软件虽起步较晚, 但近年来快速发展, 具备本地化和性价比优势, 逐步满足企业需求, 但在物性数据完整性和复杂流程模拟精度方面仍有提升空间. 中外主流流程模拟软件对比如下.

Aspen Plusr (艾斯本技术): Aspen Plus 是目前应用最广泛的流程仿真工具之一, 提供全面的物性数据库、热力学模型与单元操作模块. 适用于复杂化工流程的建模与优化, 支持工艺流程整体仿真、静态与稳态分析, 是工艺开发与设计的重要工具.

AVEVATM PRO/IITM Simulation (施耐德电气/剑维软件): PRO/II 主要应用于石油化工与炼油领域, 具备强大的热力学计算与物性预测能力, 内建多样化单元操作模块. 特别适合用于工艺模拟、设备计算与能量评估分析.

Petro-SIMr (KBC 先进技术): Petro-SIM 是专为炼油与天然气处理过程设计的模拟平台, 模块化架构设计灵活, 支持工艺建模、热力学计算与优化策略分析, 广泛用于能源与石化领域的工程规划与决策支持.

SimTech Simulatorr (圣泰科技): SimTech 提供本地化整合的物性与热力学模块, 支持多种工业设备的模拟, 具有友善的用户接口, 且易于进行功能客制化, 适合教育培训及本土化工艺模拟应用.

中控 APEX (中控技术): APEX 为中控技术针对流程工业开发的仿真软件, 具备物性管理、热力学计算与流程仿真功能. 支持中文接口与本地化模块设计, 便于与企业自有数据整合与工艺流程本土优化.

2.3 智能控制 —— 先进过程控制软件

先进过程控制 (advanced process control, APC) 需求源于传统控制方法难以应对多变量耦合、非线性动态及硬约束的局限性. 随着工业过程复杂性增加, APC 通过模型预测控制等技术实现动态优化, 抑制工艺波动, 提升效率与质量, 降低能耗与排放, 满足绿色生产和经济效益需求. 在全球竞争、碳中和政策及工业 4.0 智能化趋势推动下, APC 成为提升资源利用率和可持续发展的关键技术.

APC 系统采用模块化、分层架构, 包括模型建立层 (构建动态模型, 模拟工艺行为)、优化计算层(滚动优化计算最优控制输入)、多变量协调层 (消除回路干扰)、约束处理层 (融入安全与工艺约束)、实时反馈与整合层 (结合实时优化 (real-time optimization, RTO), 与 DCS, PLC 集成). 其核心功能模块包括: 模型预测控制、多变量控制、约束处理、实时优化、系统集成与监控. APC 应用实现数字化管理: 实时监控与决策提升稳定性, 优化资源配置降低成本, 绿色生产减少排放, 持续改进与预警支持系统优化. APC 使工业过程更高效、智能、环保.

全球 APC 市场受碳中和与工业 4.0 驱动快速增长, 广泛应用于石化、化工、制药等行业. 国际领先厂商如 AspenTech、霍尼韦尔凭借成熟算法和优化能力占据优势, 但成本高、实施复杂. 国内厂商通过本地化定制和成本优势崛起, 适应性强, 但在极端非线性、多约束场景下的模型与算法仍需完善.

中智达首创了复杂化工过程全工况自主优化运行技术, 其智能动态优化控制软件 Cyb-IDPC 解决了开停车、升降负荷、牌号切换等大范围工况调整下的全流程协同优化控制与 “零手动操作”, 并获 “国内首版次软件” 认定. 国内外知名的先进过程控制软件产品如下.

Aspen DMCplus (艾斯本技术): DMCplus 是全球应用广泛的多变量模型预测控制 (modelpredictive control, MPC) 平台, 特别适用于炼油与石化行业, 可显著提升生产效率并降低能耗. 支持稳定性分析、约束管理与操作建议等多项功能.

Pavilion8 (罗克韦尔自动化): Pavilion8 提供基于混合建模的高精度控制平台, 能结合经验模型与数据模型分析工艺特性, 提升过程性能、降低波动与能耗, 常应用于食品、化工及能源等多种产业.

Honeywell Forge APC (霍尼韦尔): Forge APC 针对炼油与化工领域, 提供实时回馈与扰动抑制功能, 能有效提升过程稳定性, 并支持大规模部署与统一管理, 适合大型企业进行数字化升级.

SIMATIC PCS 7 APC (西门子): PCS 7 APC 作为西门子过程自动化平台的一部分, 针对食品加工、化工等行业设计, 整合度高, 能实现稳定控制、异常警报与可视化监控, 便于与 DCS 系统融合.

ABB AbilityTM (ABB) : ABB Ability 提供先进过程控制解决方案, 搭载高可靠性通信系统与算法模块, 特别强调控制安全性与操作稳定性, 广泛应用于石化、电力与制药等自动化场景.

Cyb-IDPC (中智达科技): Cyb-IDPC 是中智达针对流程工业开发的自主 APC 平台, 采用多变量协同与模型预测控制技术, 支持全工况 “卡边优化”. 首创 “零手动操作” 控制模式, 可应对开停车、负荷切换、牌号转换等场景, 实现全流程自主协同优化控制, 已获得 “国内首版次软件” 认定.

InPlant APC (中控技术): InPlant APC 适用于石化与化工企业, 支持模型预测控制与多变量调整, 协助提升过程稳定性与产品一致性, 已在多个工业场景中实现应用落地.

HiaAPC (和利时): HiaAPC 专为化工、热电等过程工业设计, 强调多变量控制与系统解耦能力, 可有效应对耦合强、变化快的工艺过程, 确保长期稳定运行.

2.4 智能控制 —— 控制系统性能评估和诊断软件

随着工业自动化和智能制造的发展, 控制系统评估与诊断软件应运而生, 广泛应用于能源、化工等行业, 用于提升系统效率、可靠性和安全性. 该类软件结合控制理论、信号处理、人工智能等技术,实时监测设备状态、诊断故障并提供优化建议, 助力企业实现数字化管理.

系统采用分层架构, 包括数据采集、管理、分析与用户交互等模块, 具备实时监测、故障诊断、趋势预测、报告生成和系统集成等功能. 相比传统手段, 软件可降低维护成本、提升运行效率和经济性.

国际厂商如艾默生、ABB 技术成熟, 适用于复杂场景; 国内企业如中智达、中控等以本地化和成本优势快速发展, 逐步缩小差距. 典型产品比较如下.

Matrikon CPM (MatrikonOPC): Matrikon CPM 专注于控制回路的性能监控与过程诊断, 通过数据收集与分析, 评估设备与控制系统的健康状态, 有助于提早发现异常、提升整体流程效率.

Aspen Watch (艾斯本技术): Aspen Watch 提供实时工艺性能监测功能, 内建数据分析与异常检测模块, 能协助工程师快速发现问题源头, 实现生产过程的优化与质量稳定.

ABB AbilityTM Performance Optimization for Control Loops (ABB) : 此软件专注于 PID 控制回路的性能评估, 能有效侦测控制质量问题、参数设定不当或外部干扰等问题, 支持使用者进行针对性调整与优化, 增强控制稳定性.

Profitr CPM (霍尼韦尔): Profit CPM 整合实时数据收集、可视化监控与智能分析技术, 提供全方位控制系统性能评估, 协助企业提高控制系统可靠性与生产效率.

Cyb-PID (中智达科技): Cyb-PID 是中智达开发的智能诊断平台, 基于多维数据融合与智能算法, 具备控制回路性能实时监测、异常诊断与优化建议推送功能. 特别适用于流程工业的控制系统持续优化与 “自适应整定” 应用场景.

2.5 核心工业软件精益化运行的挑战

解决第 1 节所述的流程工业智能工厂精益化运行瓶颈, 需要结合信息技术和业务知识开展定制化开发, 目前还面临着众多挑战.

(1) 实现数据透明化面临的挑战. 数据透明化的本质是企业各级管理者能够方便地访问和可视化流程工业智能工厂核心工业软件所处理的数据, 这一需求在当前阶段是通过定制数据报表实现的, 但是随着智能工厂的建设, 数据访问和可视化需求的多样性不断增加, 对于企业和智能工厂解决方案供应商来说定制化开发的性价比都较低.

以控制系统性能评估场景为例, PID 性能评估与整定软件能够给出某流量控制回路每天的评估报告, 包括自控率、平稳率、总体得分等数据. 如果用户想要了解最近一周该流量控制回路的平稳率趋势变化情况, 需要手动查询最近一周每天的平稳率数据, 然后在 Excel 等工具中绘制图表. 即便在智能工厂解决方案供应商开发了上述数据可视化功能后, 有可能进一步出现 “近一周自控率趋势”、“上个月每天的诊断结果” 等其他数据透明化需求. 因此, 通过传统的 “需求调研 – 功能设计 – 报表开发 –交付使用” 的研发路线难以实现全面的数据透明化.

(2) 实现信息互通和深度分析面临的挑战. 核心工业软件之间的信息互通在技术上较容易实现, 尤其在以工业互联网平台为基础建设上层应用时, 往往要求应用遵循明确的接口规范. 然而, 综合利用数据实现深度分析需要对智能工厂业务和生产工艺有着深刻的理解. 如果需要人具备该能力, 则不亚于企业需要拥有一位总工程师; 如果需要核心工业软件具备该能力, 则需要将企业的知识显性化融入核心工业软件中, 面临着来自企业和智能工厂解决方案供应商两方面的阻力: 企业出于信息保密原因不愿意提供业务知识, 智能工厂解决方案供应商认为业务知识缺乏通用性, 开发成本高且难以在其他应用场景推广.

总的来说, 基于核心工业软件进一步提升流程工业智能工厂精益化运行水平具有高度的复杂性,导致在传统技术上难以实现. 大语言模型能够模拟 “人” 的思考方式, 在实现数据透明化和智能工厂运营信息深度分析方面相较于传统技术有着不可比拟的优势, 第 3 节将重点介绍建立工业大模型赋能的流程工业智能工厂核心软件体系, 为解决上述挑战提供一种有效路径.

3 工业大模型赋能的新型流程工业智能工厂核心工业软件体系

ChatGPT 的正式发布让人们看到了大模型为人类服务的曙光, 经过两年多的探索和发展, 除了类似于 ChatGPT 的大语言模型, 视觉模型、多模态模型、专业领域模型等不同类型的模型在工业中都进行了一定程度的概念验证和应用. 2025 年, 由中国深度求索公司开源的 DeepSeek R1, DeepSeekV3 大语言模型在自适应建模与零样本学习、数据整合与加工、特征提取与逻辑推理、深层次的模式挖掘与决策优化等能力方面展现出显著的进步, 使得结合检索增强生成 (retrieval-augmented generation,RAG) 、智能体 (Agent) 两大技术路线构建基于大语言模型的工业大模型具备了较高的可行性.

开发基于大语言模型的工业大模型, 分为以下 3 个层次, 首先是模型底座层, 其次是公共能力层,最后是业务应用层, 整体架构如图 3 所示. 模型底座层采用 DeepSeek R1, DeepSeek V3, Qwen等大语言模型, 公共能力层提供了处理工业业务所需要具备的多模态能力, 包括时序数据能力、图像数据能力、文本数据能力. 在业务应用层, 需要结合具体业务场景开发智能体.

图 3  工业大模型赋能智能工厂架构

3.1 模型底座层

模型底座层是工业大模型赋能流程工业智能工厂软件体系的核心基础, 决定了系统能力的下限.其主要职责是稳定、高效、安全地向公共能力层提供大语言模型 (large language model, LLM) 能力,通过标准化 API 支持自然语言理解与多模态数据处理. 企业可根据实际需求选择云服务厂商 (如阿里巴巴) 提供的按 Token 计费的 LLM API, 也可选择在企业内部本地部署开源或商用模型, 保障数据隐私安全. 以下详细列举了可以本地化部署的开源大语言模型, 如 DeepSeek R1, DeepSeek V3, Qwen 等.

ChatGLM-6B (清华大学 KEG 实验室): ChatGLM-6B 是由清华大学知识工程实验室推出的开源大语言模型, 拥有 60 亿参数, 于 2023 年 3 月发布. 该模型专注于对话生成任务, 支持中英文语言处理, 适合部署于资源受限的本地场景中, 是开源中文对话领域的重要代表之一.

Baichuan-13B (百川智能): Baichuan-13B 是百川智能于 2023 年 7 月发布的双语大语言模型,拥有 130 亿参数, 具备中英双语处理能力. 该模型在文本生成、翻译与问答等任务中表现良好, 适合应用于多语言交流与内容生成的场景.

Skywork-13B (昆仑万维): Skywork-13B 由昆仑万维推出, 于 2023 年 10 月发布, 拥有 130 亿参数, 强调高效的多任务处理能力. 该模型在信息摘要、智能问答、写作辅助等任务中具备良好效果,并支持多场景应用.

InternLM2 (上海人工智能实验室): InternLM2 是上海人工智能实验室于 2024 年发布的多语言开源模型, 提供 1.8B, 7B 与 20B 等多种参数版本. 该模型设计灵活, 兼具性能与资源效率, 支持多语言处理需求, 适用于多样化工业与研究场景.

Qwen2.5-Max (阿里巴巴): Qwen2.5-Max 是阿里巴巴于 2024 年推出的高性能大语言模型, 具备 720 亿参数, 支持 29 种语言, 语义理解与跨语言应用能力强. 适用于多语言场景中的知识问答、文本生成与企业智能应用.

DeepSeek-R1 (深度求索): DeepSeek-R1 是深度求索于 2025 年 1 月发布的旗舰级大语言模型,总参数达 671B, 其中活跃参数为 37B. 该模型特别强化了编码与数学推理能力, 适合应用于科研、教育与高精度逻辑任务中.

Janus-Pro-7B (深度求索): Janus-Pro-7B 是深度求索于 2025 年推出的多模态大语言模型, 参数规模为 70 亿, 支持文字与图像的融合处理. 适合用于智能检测、多模态数据解析与工业视觉应用等场景.

Falcon 180B (Technology Innovation Institute, TII): Falcon 180B 是阿联酋 TII 于 2023 年 9 月发布的超大规模开源语言模型, 拥有 1800 亿参数, 支持多语言处理. 该模型生成能力强, 常用于跨语言问答、长文本生成与知识抽取等应用.

Mixtral 8x22B (Mistral AI)[46] : Mixtral 是由 Mistral AI 在 2024 年 4 月发布的 Mixture-of-Experts (MoE) 架构模型, 共包含 1410 亿总参数, 其中活跃参数为 39B. 该模型兼具高效性与强性能, 适合在 计算资源有限的情况下达成高质量生成.

LLaMA 3 (Meta)  : LLaMA 3 是 Meta 公司最新一代开源语言模型, 预计于 2024 年 7 月推出,提供 8B, 70B 和 405B 等多种参数规模. 作为全球瞩目的通用模型, LLaMA 3 具备语言理解、推理与 生成等全面能力.

Nemotron-4 (Nvidia) : Nemotron-4 是 Nvidia 于 2024 年 7 月预计发布的语言模型, 参数规模 为 340B, 针对 AI 加速运算进行优化. 具备优秀的语义理解与推理表现, 适合部署于高效能运算平台, 支持企业级 AI 应用.

Gemma 2 (Google) : Gemma 2 为 Google 预计于 2024 年 11 月发布的开源大语言模型, 涵盖2B, 7B, 9B 与 27B 4 种版本. 该模型针对轻量化与快速部署需求设计, 适合企业本地运行与开发高效语言处理解决方案.

本地部署虽面临硬件和运维成本, 但可通过蒸馏或微调优化模型, 在提升专业性与准确性的同时降低资源消耗. 模型选择需综合考虑效能、参数规模、语言支持、多模态能力及授权条款等.

为支持高频调用场景, 模型底座层需提供统一且弹性的 API 接口, 支持 RESTful, gRPC, WebSocket等协议, 以适应不同的应用场景, 如请求 – 响应、串流传输或实时交互. 进一步的, 对于该 API 开发,这里提供一些简易指导.

(1) 支持多种调用协议. 包括 RESTful (标准通用)、gRPC (高性能)、WebSocket (实时交互) 等, 按业务需求灵活接入.

(2) 设计标准请求结构. 输入数据: 支持文本 (字符串)、图像 (二进制/Base64)、时序数据 (编码格式) 等模态; 任务类型: 明确指定任务目标, 如生成、总结、提取、分类、改写等; 模型参数: 支持可配 置参数如温度、Top-P、最大 Token 长度等.

(3) 返回结构化或半结构化响应. 包含处理结果及元信息, 如状态码、耗时等, 便于上层解析.

(4) 支持多模态数据处理能力. 文本摘要、问答、改写; 时序趋势归纳与异常检测; 图像故障识别 与问答推理等.

(5) 集成统一认证与权限管理. 确保 API 仅向授权实体开放, 支持权限分级管理.

(6) 记录完整调用日志. 包括调用时间、调用方、输入输出内容等, 便于审计、调试与持续优化.

(7) 支持接口版本管理与热更新. 保证模型能力平滑升级、不影响上层系统运行.

为保障服务质量, 模型底座层必须具备高可用性、低延迟和高吞吐性能, 同时具备完善的调用控制与日志机制. 在实际应用中, 图表智能体可调用 LLM 将自然语言转为图表代码, 诊断智能体结合多 模态数据实现故障判断, 控制智能体可获得参数整定与优化建议. 整体而言, 模型底座层通过标准化、 高性能、可扩展的服务架构, 实现数据透明化、知识融合与智能决策的高效协同, 是智能工厂核心工业 软件体系的坚实支撑.

3.2 公共能力层

公共能力层是工业大模型在智能工厂中发挥作用的关键中枢, 负责对多模态数据的统一处理与理解, 并与底座模型层保持高频交互. 该层需调用底层大语言模型的生成、总结、提取、分类、改写等核心能力, 以完成时序数据、图像数据和文本数据的智能处理, 并将处理结果返回给上层业务应用层. 公共能力层的核心机制是多模态融合能力, 通过统一特征表示与模型调用, 实现对不同类型数据的协同 理解与推理.

时序数据能力. 主要体现在对时序数据的处理分析能力, 例如数据预测能力, 能够预测生产装置未来一段时间内的数据变化趋势; 数据二次加工能力, 对数据进行线性拟合、多项式拟合、加减乘除、剔除异常数据等.

图像数据能力. 主要体现在对图像数据的处理分析能力, 例如目标检测和识别能力, 能够识别指针仪表读数、员工着装是否规范; 数据态势观察能力, 能够理解控制回路趋势图、理解核心工业软件界面.

文本数据能力. 主要体现在对文本数据的处理分析能力, 例如增强检索能力, 能够构建工艺知识、操作知识、安全知识、法律法规等知识库; 数据库查询能力, 能够生成结构化文本、准确区分任务类别.

多模态预训练机制. 集成模态编码器、投影器与生成器, 结合跨模态对齐策略实现不同数据模态在统一语义空间下的有效映射与协同推理.

知识增强推理. 该层还接入工业知识库, 支持通过 “知识注入” 方式融合知识图谱、思维链结构、模型蒸馏与对抗学习等机制, 提升模型在复杂工业任务中的解释性与鲁棒性.

此外, 在系统运行过程中, 公共能力层需与底层模型保持高频交互, 尤其在应对大量并发业务请求时, 对数据安全提出了更高要求. 因此, 在数据上下传过程中, 需采取包括数据加密、访问控制、脱敏处理等多重机制, 以确保智能工厂业务数据的合规性与安全性. 在此基础上, 公共能力层通过统一、抽象化的服务接口, 为上层各类工业智能体提供灵活可复用的底层支撑, 赋能其完成智能问答、场景认知、过程决策与终端控制、内容生成等复杂任务. 例如, 智能问答由图表、分析、诊断等智能体实现,依赖文本数据能力理解用户指令、调用知识库, 并结合时序数据能力生成响应; 场景认知以感知智能体为核心, 融合图像与时序数据能力, 实现对设备状态、环境条件与工艺参数的自动识别与理解; 过程决策与终端控制由决策优化与控制智能体完成, 基于时序与文本数据能力进行评估分析, 并结合领域知识提供优化策略; 内容生成则在底层大语言模型生成能力的基础上, 由图表与低代码智能体将处理结果转化为图表、报表与控制建议等具体工业内容. 由此, 公共能力层在整个体系中不仅承担多模态数据处理的关键职责, 更是能力封装与任务支撑的核心平台. 通过多模态融合与知识增强机制, 该层构建起感知 – 理解 – 决策 – 控制的智能闭环, 为智能工厂中各类工业智能体在多元复杂场景下的落地应用提供了稳定、弹性与安全的技术支柱.

3.3 业务应用层

通过组合调用公共能力层的各种能力, 工业智能体能够准确执行由人类通过自然语言发出的各项任务. 具体来说, 文本数据能力为智能体提供了从流程工业智能工厂核心工业软件获取底层数据的能力, 并且提供了查询、分析智能工厂知识库的能力, 智能体结合既有知识将人类发布的任务规范分解为一系列处理步骤, 并在按步骤处理过程中完成自我纠错、自我纠正. 时序数据处理能力赋予了智能体深入分析数据的能力, 智能体能够进一步融合时序数据库、关系数据库获得的数据, 以完成复杂的控制、决策任务. 图像数据处理能力使智能体具备同人类一样的和世界交互的方式, 智能体能够理解软件界面信息, 并根据人类指令操作工业软件界面.

图表智能体. 该智能体用于响应用户的数据可视化指令, 例如当用户要求 “显示最近一周的 FIC001回路的自控率趋势”, 图表智能体将自动完成数据查询、图表绘制, 并将结果呈现给用户. 该智能体可以被部署在制造执行系统、流程模拟软件、先进过程控制软件、控制系统性能评估和诊断软件等多种核心工业软件上, 满足不同类型用户的数据可视化需求.

低代码智能体. 该智能体用于响应用户的低代码开发指令, 例如在制造执行系统中自主调用低代码开发平台的控件组成用户需要的报表, 在流程模拟软件中自主搭建工艺流程并设置物性参数、计算路径等, 在先进过程控制软件中自主搭建模型预测控制器等.

感知智能体. 该智能体用于查询多源传感数据, 实时监测工业设备的运行状态、环境条件和工艺参数, 提供准确的工况识别能力. 可被部署在制造执行系统的设备预测性维护、能效优化、生产过程异常监控等业务中.

分析智能体. 该智能体利用增强检索能力理解企业需要开展分析的场景, 例如挖掘工艺生产过程的因果关系分析影响产品质量的因素并提供相应对策; 分析造成设备故障的关键因素, 可被部署在设备预测性维护、异常工况报警等场景.

诊断智能体. 该智能体能够融合文本、图像、时序数据等多模态数据, 结合全面的专家知识库, 提高故障诊断的准确性.

决策优化智能体. 该智能体结合人工智能和优化决策方法, 为生产管理、供应链优化、设备运维等场景提供智能决策支持, 通过模拟不同决策方案的影响, 帮助企业选择最佳策略.

控制智能体. 该智能体结合控制优化算法和实时数据分析能力, 自动推荐最优的控制参数, 提高生产过程的稳定性和效率. 例如, 在化工生产中, 它可以自动调整反应温度和流速, 以保证产品质量.

图 4  智能体事件耦合关系图

为了使各智能体能更清楚地区分其功能, 我们可以将这些智能体大致分为以下几类.

(1) 互动与呈现类智能体: 负责处理用户接口互动、数据可视化或辅助开发.

(2) 数据处理与感知类智能体: 负责获取、处理原始数据和感知系统状态.

(3) 分析与诊断类智能体: 负责对数据进行深层次分析、挖掘原因和诊断问题.

(4) 决策与控制类智能体: 负责提供优化决策建议或直接执行控制操作.

进一步地, 我们对每类智能体的核心功能、应用场景及所需能力进行简要说明.

(1) 互动与呈现类智能体. 

图表智能体: 支持自然语言生成图表, 自动查询并可视化展示数据, 适用于 MES, APC 等系统. 具备查询解析、数据处理与图表渲染能力, 可与其他智能体协同展示分析结果.

低程式码智能体: 响应用户的低代码开发指令, 自动调用控件构建报表、控制器等, 提升定制开发效率. 依赖 LLM 理解意图并操作底层平台接口.

(2) 数据处理与感知类智能体. 

感知智能体: 实时采集和处理来自设备与传感器的数据, 识别设备状态与工况, 广泛用于能效、维护、安全等场景. 具备多源数据访问、处理与封装能力, 为上层智能体提供数据支持.

(3) 分析与诊断类智能体. 

分析智能体: 执行深度数据分析, 识别因果关系并提出策略, 同时协调多智能体执行分析任务. 应用于故障溯源、品质分析等, 需具备多模态处理、任务拆解、知识融合能力.

诊断智能体: 专注故障诊断, 整合文本、图像、时序数据与专家知识库, 提升诊断精准度. 支持相似案例匹配、推理分析, 并基于分析结果提供可行应对策略.

(4) 决策与控制类智能体. 

决策优化智能体: 融合 AI 与优化算法, 支持生产、调度、物流等复杂场景的决策制定. 可模拟不同方案, 提供最优策略建议, 具备数据融合、约束建模与系统评估能力.

控制智能体: 结合实时数据与控制算法, 动态调节生产参数, 实现优化控制. 可直接与控制系统接口交互, 输出调节指令, 适用于零手动控制、PID 整定等场景.

相较于传统的流程工业智能工厂核心工业软件体系, 本文提出的由工业大模型赋能的新型体系(图 3) 在多方面展现出显著优势. 首先, 该体系引入大语言模型 (LLM) 作为模型底座, 赋予系统强大的自然语言理解与生成能力, 使业务应用层的工业智能体能够直接响应用户以自然语言发出的任务指令, 突破传统工业软件依赖固定接口和繁复开发流程的局限, 大幅提升数据的透明化程度与使用效率.

其次, 该体系具备强大的多模态数据处理能力, 通过公共能力层统一处理时序、图像与文本等多源数据, 打破传统系统间的数据壁垒, 为因果分析、故障诊断与决策优化等高级功能提供高质量的数据支撑. 此外, 新型体系深度整合了知识图谱、思维链等独立的工业知识库, 使智能体不仅基于数据, 还能融合专家经验与行业知识进行更深层次的推理与决策, 弥补了传统体系难以系统性吸收专业知识的短板. 在业务应用层, 体系部署了图表、感知、分析、诊断、决策优化、控制等多种工业智能体, 它们可组合调用公共能力、协同分解任务, 并通过松耦合机制高效协作, 显著提升如 PID 性能评估、参数整定等复杂任务的智能化和自动化水平. 最终, 通过中智达对上述智能体与核心工业软件的深度融合, 该体系在工业数据透明化与工业场景智能化方面展现出前所未有的能力, 是推动流程工业实现精益化运行的关键路径.

3.4 工业大模型赋能的新型流程工业软件体系之能力体现与比较优势

(1) 引入大语言模型实现自然语言交互, 突破传统软件开发瓶颈. 相较于传统流程工业智能工厂核心软件系统依赖静态报表、固定查询接口以及繁琐的客制化开发流程, 本文所提出的新型体系 (见图3) 将大语言模型 (LLM) 作为底层核心模型, 赋予系统强大的自然语言理解与生成能力. 得益于此, 业务应用层中的图表智能体可直接响应用户提出的自然语言查询 (如显示最近一周的 FIC001 回路自控率趋势), 自动获取并可视化目标数据, 无需经过传统的报表需求转换与开发流程. 此种人机交互方式大幅降低了使用门坎, 提升信息透明度与响应效率, 有效解决传统软件中数据可视化开发门坎高、报表维护周期长等问题. 此外, 第 4 节中 “PID 性能评估与整定系统” 的应用范例具体验证了此项能力:通过自然语言即可查询回路级别的自控率与平稳率指标, 并自动生成趋势图表, 实现从查询到分析的端到端自动化支持.

(2) 多模态数据处理与公共能力层支持下的数据融合与洞察深化. 新型体系的另一核心创新在于公共能力层对多模态数据 (时序、图像、文本) 的整合处理能力. 传统流程工业系统多存在数据孤岛与异构系统整合困难的问题, 限制了跨系统的数据流通与价值发掘. 本文体系通过构建统一的数据处理框架, 使各类智能体可调用统一接口完成数据采集、转换与分析操作. 具体而言, 时序数据能力支持历史数据分析与特征提取, 图像数据能力能处理趋势图与仪表读数, 文本数据能力则涵盖知识检索与数据库查询等任务. 此类数据能力不仅提升了数据存取与处理的效率, 更为因果分析、故障诊断与决策优化等高阶任务提供了坚实的数据基础. 通过智能体的调度与多模态能力的组合调用, 体系得以支持更具深度的数据洞察与知识推理流程.

(3) 工业知识库与智能体推理能力结合实现专业知识融合与深层决策. 为补足传统工业软件难以系统性吸收与运用专业知识的不足, 该体系整合了以知识图谱、思维链为代表的独立工业知识库, 并与 LLM 架构深度融合. 通过知识库调用与推理模块耦合, 智能体在执行任务时不仅能基于数据驱动进行模式识别, 更可结合领域知识进行任务分解、因果关系推理与自我纠错. 以诊断智能体为例, 其通过结合多模态感知数据与故障知识图谱, 能显著提升故障定位与根因分析的准确性; 分析智能体可针对复杂系统进行因果分析与因素贡献度识别; 而决策优化与控制智能体则支持基于知识与数据双驱动的参数推荐与策略选择, 有效提升工艺控制与运行优化的决策质量.

(4) 智能体协同机制支持多层级自动化与智能化运行. 体系于业务应用层部署多种类型的工业智能体, 包括图表智能体、感知智能体、分析智能体、诊断智能体、决策优化智能体与控制智能体等. 这些智能体不仅具备独立任务执行能力, 亦可通过事件驱动的松耦合机制实现协同工作, 支持复杂任务的链式处理流程. 例如, 在 PID 性能分析与整定应用中, 分析智能体可调用感知智能体收集运行数据,结合诊断智能体判断性能瓶颈后, 再由控制智能体提供自动化参数调整建议. 这一整套工作流程展现了从数据收集、状态分析、根因识别至控制执行的死循环自动化特性, 显著提升了系统智能化水平. 智能体间的协同场景与调度关系如下.

供应链计划优化软件: 该软件包含图表智能体、分析智能体和决策优化智能体三类. 其主要作用是通过图表展示关键指标, 分析各类数据之间的关系, 从而优化供应链的整体决策效率与效果.

智能仓储软件: 集成感知智能体、图表智能体、决策优化智能体和低程序代码智能体. 软件能够感知并监控库存变化, 利用图表直观呈现数据, 辅助调度优化, 并支持灵活的客制化功能开发.

智能物流软件: 采用感知智能体、图表智能体与决策优化智能体组合, 能够实时感知运输状态, 图表显示物流路径与关键数据, 辅助实现物流调度的最优决策.

能源管理与优化系统软件: 搭载感知、图表、分析与决策优化智能体, 用于全面监控能耗情况, 图表化展示趋势变化, 深入分析能耗模式, 支持能源资源的高效配置与优化.

工业互联网 + 安全管理系统软件: 包括感知、图表、分析与诊断智能体, 能够感知采集现场安全数据, 通过图表显示潜在风险, 分析系统隐患, 精确定位故障位置, 提升安全管理水平.

设备完整性管理系统软件: 该系统融合感知、图表、分析、诊断及决策优化智能体, 具备感知设备运行状态、图表展示健康情况、分析设备老化趋势、诊断潜在问题并优化维护策略的多重能力.

实验室管理系统软件: 引入图表智能体、低程序代码智能体与分析智能体, 用于图表化呈现实验数据, 灵活实现流程客制化, 并能有效分析数据发展趋势, 提升实验室管理效率.

生产计划与调度优化系统软件: 该软件由决策优化、分析、图表及低程序代码智能体组成, 用于制定优化的生产调度方案, 识别并分析瓶颈问题, 图表展示进度状态, 支持生成定制化报表.

先进警报管理系统软件: 采用感知、图表、分析与诊断智能体组合, 实现对警报数据的实时感知与收集, 通过图表展示趋势变化, 分析异常模式, 并快速准确地定位故障.

工业时序数据库软件: 包含图表智能体、低程序代码智能体与分析智能体, 能够以图表形式展示时序数据, 低代码环境支持灵活查询与处理, 并进行趋势分析, 服务于生产数据监控与分析.

PID 性能评估与整定系统软件: 集成控制、图表、分析、诊断与感知智能体, 系统可感知控制过程中的实时数据, 推荐合适的 PID 参数, 图表化评估控制性能, 分析控制偏差并进行故障诊断.

智能动态优化控制系统软件: 融合控制、决策优化、图表与分析智能体, 支持控制参数自动调整、动态过程仿真, 图表展示变化过程, 并通过数据分析实现控制性能的持续优化.

零手动操作系统软件: 采用低程序代码、控制、决策优化与感知智能体, 软件能够感知数据变化并自动调整参数, 实现优化操作流程与灵活的客制化功能, 推动工艺流程全面自动化.

此外, 为进一步探讨智能体协同机制的实现方式与潜在演进路径, 本文也对当前系统所采用的函数调用机制 (function call) 与主流的智能体协同架构如 MCP (multi-agent collaboration protocol) 与A2A (agent-to-agent) 进行了对比分析.

本文所构建的软件体系将智能体作为工业大模型应用的关键构件, 目前实现采用的是基于函数调用的轻量式机制, 即各类智能体可通过直接调用公共能力层提供的标准函数接口完成任务, 如数据查询、图表生成、控制参数推荐等. 该机制具备实现简洁、调用灵活的特点, 适合当前系统中任务逻辑相对清晰、协作流程稳定的场景. 与此相比, MCP 机制提供了面向智能体的标准化接口协议, 用于统一访问外部资源 (如数据库、服务组件、能力函数等). 相较函数调用, MCP 强调接口的可扩展性与模块的可替换性, 具备更强的系统可维护性与跨平台部署能力, 适用于功能模块来源多样、组件需统一调度或支持热插拔的复杂系统. 而 A2A 架构则强调智能体之间的直接通信与分布式协作能力, 适用于多角色、多阶段任务协同的情境, 如制造执行系统 (MES) 中的动态任务分配与异常响应. 与函数调用机制偏向单智能体的能力调度不同, A2A 更侧重于智能体间的任务协商与多方互动.

综上, 函数调用机制在当前阶段是一种合理、工程可控的实现路径, 特别适合任务链条明确、模块封装良好的工业智能体系统; 而 MCP 与 A2A 则具备更强的扩展性与动态协作能力, 为未来系统面对更复杂任务逻辑与智能体交互需求提供了演进方向. 本文当前的架构选择是在系统复杂度与工程可控性之间的权衡结果, 后续研究将探索如何逐步引入 MCP 或 A2A 架构, 以进一步提升系统的模块标准化与智能体协同效率.

4 实例: 工业大模型赋能的 PID 性能评估与整定系统

本节以中智达的 PID 性能评估与整定软件为例, 介绍工业大模型赋能流程工业智能工厂核心工业软件的设计方式和所取得的效果.

在 PID 性能评估与整定系统中构建的工业大模型赋能场景包括以下 3 个.

(1) 使用自然语言查询回路级、装置级、车间级、工厂级的 PID 性能评估结果, 例如指定日期或者时间段的自控率、平稳率、回路非线性指标等数据;

(2) 使用自然语言进行交互式诊断, 帮助用户分析回路性能不佳的原因并提出相应对策;

(3) 使用自然语言交互式整定 PID 控制器参数.

在 PID 性能评估与整定软件界面中, 基于工业大模型的 “PID 性能评估与整定助手” 位于页面右下角, 点击对话按钮可打开 “PID 性能评估与整定助手” 对话窗口. 在对话窗口中, 用户可以询问诸如“LIC021 回路近一个月的平稳率情况是怎样的?”“我应该如何整定 FIC001 回路的控制器参数?” 等问题. “PID 性能评估与整定助手” 由分析智能体、感知智能体、图表智能体、诊断智能体、控制智能体等多智能体组成, 其中分析智能体负责多智能体的整体调度, 将用户任务分解为具体的子任务交给其他智能体处理, 各智能体通过事件总线实现松耦合交互, 全流程通过分布式事务 ID 保障数据一致性.智能体之间的交互图结构如图 4 所示.

以用户提出 “分析 FIC001 回路的运行情况” 为例:

分析智能体接收用户任务后, 调度感知智能体从时序数据库中提取 FIC001 回路的设定值、被控变量、操作变量、回路模式等时序数据, 封装为标准化数据包 (含时间戳、参数值、质量码);

分析智能体接收数据后, 自身调用预训练的时序数据异常检测模型, 计算平稳率指标并生成分析报告, 并将数据结果发送给图表智能体、诊断智能体, 其中图表智能体使用 streamlit 渲染交互式趋势图, 诊断智能体调用诊断知识库 (包含 3000+ 故障案例) 进行相似度匹配, 生成根因诊断结论;

分析智能体得到图表智能体、诊断智能体的返回结果后, 调度控制智能体根据诊断结论调用的PID 整定算法库, 输出参数优化方案.

图 5 与 PID 性能评估与整定助手交互: 控制性能分析

图 6  与 PID 性能评估与整定助手交互: 控制回路整定

图 5 和 6 分别展示了 “PID 性能评估与整定助手” 的相应结果. 在第一轮对话中, 用户首先询问了 “FIC001 回路最近一周的自控率趋势是怎样的”, “PID 性能评估与整定助手” 以图表形式展示了FIC001 回路的自控率, 并提示回路自控率有下降趋势, 是否需要进一步分析. 在第二轮对话中, 用户同意对回路进行进一步分析, “PID 性能评估与整定助手” 给出了回路自控率下降是由外部扰动较大导致的, 并给出了 PID 整定的过程和结论.

5 总结

本文提出了一种工业大模型赋能智能工厂的软件体系架构, 整体遵循 “模型底座层 – 公共能力层– 业务应用层” 的三层结构, 构建了基于大语言模型 (LLM) 的工业大模型应用体系. 在公共能力层, 开发了面向时序数据、图像数据与文本数据的三类通用处理能力, 形成统一的数据理解与转换接口; 在业务应用层, 结合工业知识构建多类智能体, 并集成至供应链优化、能源管理、设备完整性、实验室管理等多个核心工业软件中. 以 PID 性能评估与整定系统软件为代表性案例, 系统展示了工业大模型在自然语言交互、自动化分析与控制优化中的赋能效果, 验证了该体系在流程工业智能化转型中的可行性与应用价值.

在系统实现层面, 当前采用的是基于函数调用机制的轻量式协同方案, 支持智能体灵活访问公共能力层的多模态处理能力, 具备结构清晰、部署高效的优势. 未来研究将进一步探索 MCP 与 A2A 等智能体协同机制在控制优化中的应用潜力, 构建具备更高自治性与协作能力的多智能体系统, 拓展在复杂场景下的实用性.

此外, 后续研究还将聚焦于基于模型蒸馏的专业领域小模型构建方法, 以实现工业大模型在特定工况与资源受限场景下的轻量化部署与快速适应, 增强其在流程工业核心软件体系中的可移植性与实际部署灵活性, 为流程工业的深度智能化与数智化转型提供更具普适性与工程价值的支撑方案.

原文刊载于《中国科学》杂志社 作者：侯卫锋 古绍武 张志铭 谢磊 苏宏业