首页/文章/ 详情

AI应用实战-注塑工艺信息管理平台-开发过程

43分钟前浏览0

QUOTE

省下来的不是钱,是把 经验固化成规则 的那道工序。

最近一段时间,我用 WorkBuddy、DeepSeek 这类桌面 AI 工具,把工艺岗上重复率最高的三件事——试模参数计算、CAE 结果整理、历史项目追溯——做成了 几个离线小平台 。它们没有服务端,没有账号,拷到电脑上改个路径就能跑。

写这篇文章不是推荐工具。工具半年换一批,方法能留下来。所以下面只讲三件事: 成本怎么算 、页面怎么切、哪些判断必须人来做。

本文看点

01

4 小时与 100 元的真实构成

02

四个页面,四个判断

03

工具的边界在哪里

01

COST STRUCTURE

先把账算清楚

两个数字:4 小时,100 元。听起来像个营销口径,所以先说清楚它由什么构成。

4 小时

单 平台从零到能用

100 元

模型调用费用量级

4 小时的分布大概是这样:

1  

需求收敛,1 小时。只回答三个问题——输入是什么、输出是什么、现在哪一步最容易错。

2  

规则整理,1 小时。把脑子里的阈值、系数、判断条件,写成能让机器执行的条目。

3  

生成与联调,1.5 小时。AI 出代码,我点页面、改字段名、改单位、改颜色。

4  

历史回算验证,0.5 小时。拿三个做过的项目对账,算不对就改。

100 元主要花在模型 API 调用。而且大头不在「写」,在 「改」 ——界面调三轮、字段名调两轮、单位换算调一轮。一个功能单一的平台,对话轮次远没有想象中多。

为什么能这么便宜:因为没有服务端、没有账号体系、没有部署、没有并发。单机运行,数据库在本地,界面在浏览器里打开, 断网照样用 。省掉的每一层,都是省掉的时间和钱。

「成本低不是因为做得简陋,是因为范围窄。」

一个平台只回答一类问题,代码量就压得住, AI 生成的代码才看得过来、改得动 。这是我的第一个判断,也是后面所有取舍的前提。


02

FOUR PAGES

做出来的东西长什么样

以这套注塑工艺管理平台为例。它的功能边界很清楚: 从项目立项到试模参数确定 ,把原来散在 Excel、微 信群、个人笔记里的东西收进一条链路。

— 工艺总览:项目、趋势、状态、待办压在一屏内

首页只干一件事——让人三十秒内知道现在什么状况。在制项目数、本月试模次数、平均试模周期、工艺一次通过率四个指标压在最上面,下面是试模趋势、项目状态分布和重点项目清单。状态、进度、负责人、交期一眼能看到, 不用再翻表格对版本 。

— 项目详情:材料、机台、模具、工艺窗口全部结构化

第二个页面是参数填报。材料、机台、模具、工艺窗口全部结构化:熔体温度、干燥条件、螺杆转速、充填时间、V/P 切换位置,一个项目一行,谁填的、什么时候填的、改过几次都留着记录。以示例项目为例,PPS-GF30 材料、98 t 机台、投影面积 12460 mm²、熔体温度 320 ℃、充填时间 1.04 s——这些数以前分散在三个文件里, 现在是一张表 。

— 理论计算:一次算清压力、锁模力、速度与模具厚度

第三个页面是理论计算。填完参数点一下,直接出最大注射压力、最大锁模力、最大注射速度、最大注射速率、螺杆转速、最小模具厚度。示例项目算出 63.31 MPa 与 66.14 t,紧跟着做一次 80% 机台能力校验 ——四项关键指标是否都在机台能力的 80% 以内,超了直接标红。

这一步以前是拿计算器按二十多分钟,现在是一秒。价值不在于快,在于每次都用同一套口径算,不会因为赶时间就少校一项。

— CAE 充填流动实验:近二十组组合对比后给出建议取值

第四个页面是 CAE 充填流动实验。一张表跑近二十组速度—压力组合,输出充填时间、保压压力、锁模力、比容、注塑压力、补偿压力,最后给出建议取值和补偿系数。原来这件事要么不做,要么做完贴一张截图进报告,然后就散了;现在参数留在库里, 下个相似项目可以直接调用 。

四个页面,四个判断。没有一个是「顺便加的」。


03

DIVISION OF LABOR

AI 到底做了什么

把这件事说清楚,比夸工具有用。

AI 做的是翻译。 把「锁模力按投影面积乘型腔压力再除安全系数算」这句话翻成代码;把「这张表要显示哪几列」翻成界面;把「这个数超过 80% 就标红」翻成校验函数。它翻得又快又准,但它不知道型腔压力该取多少。

人做的是定义和验算。 单位、口径、阈值、异常值怎么处理,这些必须由工程师给。工具不会替你判断材料牌号的差异,也不会知道你们厂的补偿系数是怎么标定的。

有一条做法建议所有同行都坚持:先让 AI 输出计算口径,人确认无误,再让它写代码。

具体就是让它先交一张表:每个输出指标的 计算公式、输入参数、单位、边界条件 。这张表对了,代码基本一次过;这张表错了,后面调界面调到天亮也没用。

实测下来,AI 最容易错的三类地方:

1  

业务默认值混淆。把保压压力当注射压力,把螺杆转速当注射速度。

2  

单位换算。mm/s 与 cm³/s 之间跳,或者 mm 与 cm 混着用。

3  

边界条件。空值、单件试模、首次试模这些情况下,公式还成不成立。

这三类错误,AI 不会主动告诉你,它会一本正经给你一个漂亮的错数。所以 回算验证那半小时不能省 。


04

WHY NARROW

为什么坚持「功能单一」和「离线」

这两个选择都不是技术限制,是 成本约束 。

功能单一,是因为维护的人只有一个。系统一旦长到需要文档、需要培训、需要交接,它就不再是 4 小时能维护的东西了。我给自己定的红线是:每个平台只服务一条链路、只回答一类判断、页面不超过六个。真要加权限、加审批、加多用户,那就该 转成正规项目立项 ,而不是继续拿 AI 硬撑。

离线,是工艺岗的硬要求。车间网络不稳,配方和图纸敏感,数据不能随便出内网。本地跑、本地存,反而让推广变简单——拷过去就能用,不用申请服务器,不用等 IT 排期。

还有一个实际收益: 第二个平台的边际时间降到 2 小时左右 。数据表结构、页面样式、校验函数、导出逻辑都能复用,真正要重写的只有业务规则那一层。这也是为什么值得先把第一个做扎实。


05

BOUNDARIES

边界在哪

需要说清楚三件事,否则这套方法 会被误用。

1  

工具算出来的参数,签字的人还是工程师。平台的作用是减少计算差错、统一口径、留下记录,不是替代判断。试模出问题的时候,没人会去怪软件。

2  

代码要按「半年后自己还看得懂」的标准写。公式集中在一个文件里、字段名用车间叫法、每个页面留一句「这个数从哪来」。AI 生成的代码如果不收拾,两周后你自己都不敢动。

3  

不要让它长大。从「小工具」开始、最后变成半成品系统的项目见过太多。功能扩张的拐点一旦出现,要么立项,要么砍掉,别拖着。


06

ADVICE

三条给同行的建议

1  

从每个月最烦的那张表开始。不要从「我们部门需要一套系统」开始——那个需求太大了,AI 接不住,你也验不完。找一件每月重复三次以上、判断规则能写成条目的事,先把它做掉。

2  

先把规则写在纸上,再让 AI 写代码。纸上写不清楚的规则,代码里一定是错的,而且错得很隐蔽。

3  

用真实项目回算,算不对就不上线。哪怕只差 1%,也要找到原因。工艺参数这东西,1% 的偏差在车间可能就是一批废品。


∞

EPILOGUE

写在最后

这段时间最大的感受是:AI 没有让我变成程序员,它让我把自己会的那些东西, 第一次变成了可以被机器执行的东西 。

过去十几年积累的判断,大部分是隐性的——看到某个现象知道该调哪里,但说不清为什么。做平台的过程,实际上是被迫把这些判断一条条写下来、量化、设阈值。 写不出来的部分,就是自己还没想清楚的部分 。

工具把这个过程加速了,真正沉淀下来的,还是那套规则。


END
  


来源:阿毅工作室
理论材料PLM模具
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2026-11-17
最近编辑:43分钟前
langya222
硕士 | CAE高级工程师 行必诚,言必信!
获赞 34粉丝 38文章 219课程 0
点赞
收藏
作者推荐

AI应用深度思考:传统工业软件是否会消失?

QUOTEAI 拿走的是「操作权」,工业软件守住的是「判定权」。这半年,「AI 会不会颠覆工业软件」几乎成了技术圈最热闹的话题。达索宣布转型工业 AI 平台公司,Ansys 升级 TwinAI,NVIDIA 把加速工具铺进主流工业软件生态,声量很大,结论却出奇一致——AI 会重构工业软件。但讨论的重心,整体偏向了一个看起来很安全的问题:「AI 能给工业软件带来什么」。功能增强、效率提升、体验改善。这个问法本身没错,可它默认了一个前提——工业软件是一个已经存在、边界清晰的东西,AI 只是往里加料。我想把这个次序倒过来。有一个更本源的问题,几乎没有人在讨论的热闹里愿意回去问:工业软件到底为什么会诞生?它解决的是什么不可替代的问题?如果这个答案不清晰,那么关于「颠覆」「护城河」「终局」的所有讨论,都悬在半空。本文看点01工业软件不是软件,是收敛不确定性的工具02AI 拿走操作权,但判定权必须留在工业软件手里03从套装工具到 IAOS:终局形态的五层架构01ORIGIN回到本源:被跳过的那个元问题工业软件诞生的时刻,条件非常朴素:工程师画图纸靠手绘,验证靠物理试验,车间靠人工管控,文档靠人工管理。每一种手工作业都在向生产结果注入不确定性——人为误差、试错成本、生产波动、协同信息差、经验不可复 制。这就是工业体系的熵增。而工业生产的终极诉求只有一个:用最低的成本、最短的周期、最高的质量、最小的风险,完成工业产品从「人类需求」到「物理落地」的转化。要同时满足这四个「最」,唯一的办法就是把不确定性收敛掉。所以工业软件的原生形态其实不是「软件」,而是收敛工具。它沉淀在代码里的,是工业机理、工艺知识、行业经验与流程规范——本质是给工业世界定规则的底层工具。软件只是载体,规则才是内核。「收敛不确定性,就是工业软件存在的全部理由。」把这条逻辑走到底,会得到三个彼此咬合的判断:它诞生于工业不确定性的收敛需求;它同时承担规则沉淀与为人搭梯子的双重职能;而它之所以不可替代,是因为在零容错条件下,判定权必须有明确的归属。当我们在今天讨论「AI 会不会颠覆工业软件」时,如果连「规则」究竟是什么都没弄清楚,这场讨论从一开始就跑偏了。补上这一层,再往下看。 02FOUR KINDS每一类软件,都在收敛一种不确定性把上面这条逻辑落到具体品类上,会得到一张异常清晰的对应表。四种软件内核,对应工业体系四类熵增。软件 替代了什么 收敛了什么 CAD 手绘图纸 人为绘图误差与非标性 → 统一、可复用的数字标准 CAE 物理试错 研发不确定性与试错成本 → 数月、上千万的物理实验,数字世界几天完成验证 MES / DCS 人工管控 生产过程波动与不可控性 → 规模化生产的质量、效率、成本有了稳定抓手 PLM 人工管文档 全生命周期数据混乱与协同损耗 → 跨部门、跨企业协同有了统一数字载体 值得注意的是 CAE 在研发流程里的位置。78%的大型制造企业已在使用至少一个 CAE 平台,68%的工程团队把仿真集成到了设计阶段,FEA 占仿真负载的 42%。这意味着仿真不再是「出图之后的验证动作」,而是设计决策本身的一部分。这恰恰是它最值钱、也最难被替代的地方。而正是在这里,工业软件撞上了新的岔路口。顺带一提这场讨论的产业背景。全球 CAE 软件市场规模约 137 亿美元,2025 至 2032 年的年复合增长率在 12% 上下;中国工业软件市场规模已突破 3000 亿元,国产化率不足 20%,而 95% 的研发设计类软件依赖进口。工信部的规划是到 2027 年市场规模突破 5300 亿元,国产替代率目标从 35% 提升至 70%。换句话说,这不是一个「AI 会不会颠覆工业软件」的哲学问题,而是一个正在发生的产业竞争问题。窗口期不长,路径也需要选对。 03LADDER & CORE梯子与内核:九成是梯子,不是规则过去几十年,工业软件一直在做两件事。而这两件事的性质,完全不同。内核给工业世界定规则收敛不确定性、固化工业规则、降低试错成本、实现规模化生产这是工业软件诞生的本源意义,沉淀的是工业机理与行业经验,不随使用者是谁而改变。外壳给操作规则的人搭梯子适配人的能力边界、拆分模式、协同逻辑、行业习惯这是特定时代的必然产物。我们今天看到的绝大多数软件形态,九成是梯子,而不是规则。AI 拿走的是「操作权」,工业软件守住的是「判定权」。这个判断,可以用四个日常观察验证。表面看是工业需要,真实动因全都是「人」这个补位节点。1 为什么 CAD / CAE / CAM / PLM 要拆开?不是工业流程必须拆分,而是人的专业、工种、岗位是拆分的——软件必须匹配人的分工,才能被人使用。2 为什么动辄上百个菜单、几年才能上手?不是工业问题必须这么复杂,而是人要一步步操作、一步步理解、一步步校验——软件必须给人搭好操作的梯子。3 为什么 PLM 要有审批、版本与权责体系?不是工业流程必须有这些环节,而是要解决人与人之间的信任、责任与利益纷争——本质是在处理「人的江湖」。4 为什么汽车 PLM 与航空 PLM 壁垒分明?不是工业机理有本质区别,而是不同行业的人的工艺经验、流程规范、工作习惯不一样——软件必须适配人的行业属性。NOTE四条观察的真实动因都是人——软件必须匹配人的分工、人的操作节奏、人的信任结构、人的行业习惯。当人从执行层退出,这四条前提同时失效。内核不会因为人退出执行层而消失,反而会因为工业问题依然存在而更被需要。真正会被淘汰的,不是「操作权」这部分外壳,而是那些为了适配人而存在的冗余形态。内核不但不淘汰,还要加价。内核值得被加大投入,因为它是唯一不能被生成的那部分。AI 可以生成一份看起来合理的结构设计报告,但它无法凭空生成参数化几何约束求解引擎,也无法凭空生成材料库与经过验证的模型库。这两块恰恰是当下国产替代攻坚最硬的地方——中科院数学院 CASGEO 几何内核攻克复杂曲面建模,基于共形几何的拓扑优化使设计效率提升四成以上,PHG 并行有限元性能已接近 Ansys。进展不快,但方向明确。这里有一个值得警惕的错位:AI 时代最容易被资本放大的,是「外壳」——界面、交互、Copilot;最难兑现的,是「内核」——几何内核、求解器、知识库。短期热钱流向哪里,与长期竞争力沉淀在哪里,往往并不重合。 04PREMISE BROKEN前提被击穿:人退出了执行层AI 击穿的,是过去几十年的核心前提:人不再是工业全流程唯一的决策与执行主体。这个前提一松动,整条价值链的重心就会移位。以前「提效」这个词的含义是清晰的——让人干得更快、更好、更少出错。现在问题变成了:如果执行层不再是人,工业软件提升谁的效率?更尖锐一点的问法是:如果只是优化算力、算法、模型,那和工业软件本身还有关系吗?这正是整个行业当下最真实的焦虑,也是最容易被含糊过去的地方。技术的进步不会取消问题,只会换一个位置来考验解决者。 05BOTTLENECK SHIFT瓶颈迁移:从能力边界到零容错可靠性工业的终极目标没变:收敛不确定性。变的是达成它所必须突破的那道坎。过去瓶颈在人的能力边界学习周期长、操作有误差、精力有限、协同有损耗。所以工业软件的核心目标是帮人提升效率,突破人的能力边界。现在瓶颈在 AI 的工业落地可靠性概率生成、允许「大概对」,工业却要求绝对确定性。一个参数偏差就可能报废产品、停摆产线甚至引发安全事故。于是出现了一个非常刺眼的对照。主流大模型在工业相关问答上的幻觉率,在 58% 到 82%之间波动;而工业场景的容错空间是 0%。HALLUCINATION RATE vs TOLERANCE大模型幻觉率 58–82% 工业容错底线 0% 灰条为工业容错空间(0%–100%),深色段为主流大模型工业问答幻觉率区间,深色底线标记为工业零容错底线:一个参数偏差即报废、停线或安全事故。这个区间不是「准确率还不够高」的问题,而是「错误不可接受」的问题。前者靠模型变大能解决一部分,后者是范式问题——概率生成的机制本身,无法承诺确定性。所以结论很直接:这道坎,通用算力、算法、大模型跨不过去。它必须由「可校验的工业能力」来补。这不是一句悲观的判断,而是一个正在被验证的技术路线。达索系统 2026 年宣布从工程设计软件公司转型为工业 AI 平台公司,推出 AI 驱动的虚拟孪生与「工业世界模型」;西门子发布 Teamcenter AI copilot;Ansys 升级 TwinAI 并推出桌面端 AI CAE 工具。方向高度一致——厂商在做的不是给软件加个聊天框,而是把内核拆成可被调用的能力。效果也开始显现:原本需要 3 到 5 天的仿真迭代,现在数小时内即可输出多版优化方案。但要注意这条路的另一面——提速的是「算」,被重新定义的是「算完之后谁来签字」。这正是下一节要面对的问题。 06THE GAP鸿沟:AI 与工业之间那道天然裂口邬贺铨讲过一句话:工业控制毫秒级的确定性需求,与大模型智能决策的天然随机性,构成的是底层冲突,目前尚无成熟通用解决方案。这不是工程优化能抹平的差异。具体到能力上,通用 AI 无法自主判断四件事:1 这个设计是否符合行业法规?2 材料疲劳强度能否满足 10 年寿命?3 生产方案能否适配现有产线精度?4 极端工况下会不会出现安全风险?更做不到的是全流程闭环:需求拆解 → 设计迭代 → 仿真验证 → 工艺规划 → 生产排程 → 供应链协同 → 运维保障。这条链上任何一环断掉,前面所有环节的价值都要打折。代价是真实的。以下四个案例,来自近两年的公开报道。380 万 · 催化剂失活多模态 Agent 解析 P&ID 图纸,符号识别准确率 99.7%,却因不理解管线拓扑流向,把回流阀误判为排污阀,导致反应釜催化剂失活。它看到了符号,却看不见物理。百万级 · 钛合金件报废大模型优化切削参数,未理解传感器「微震动」是刀具磨损信号,反而建议提高转速以平抑震动,结果工件报废、主轴损坏。它匹配了相关性,没匹配因果。20% · 误检率汽车零部件企业用通用视觉大模型检测高反光部件,因模型不理解工业检测标准,大量合格件被判为不合格,损失数百万元。它不掌握行业机理。自动化偏见 · 事故扩大钻井自动化中,模型在训练分布外场景给出高置信错误预测,现场人员因过度信任 AI 延迟人工干预,险情扩大。它不提示不确定性。四条恰好对应四种失效模式:看不见物理、匹配不了因果、不掌握机理、不提示不确定性。它们的共同点很关键——都可以靠「可校验的工业能力」补上,而不是靠更大的模型补上。还有一类风险更隐蔽:不确定性提示的缺失,本身就比模型出错更危险。当模型从不承认自己不知道,人就失去了判断该不该相信它的依据——现场那句「AI 说是对的」,在零容错场景里是最危险的一句话。值得注意的是,这四个「无法自主判断」有一个共同特征:它们的答案不在通用语料里,而在工业体系的规则里。法规条款、材料 S-N 曲线、产线精度约束、极端工况安全边界——这些东西从来不是「聪明的通用模型」能推理出来的,它们是被写进代码、沉淀成模型、固化为准则的。达索的 CATIA 成为航空航天标配,正是因为它沉淀了该领域的设计规范、工艺要求与质量标准。所以工业软件的护城河从来不是界面、不是流程、不是易用性——那三样恰恰是「外壳」。真正的护城河是三样东西:数学壁垒(几何内核的样条与曲面重构、求解器里数百万至数十亿方程的数值计算)、知识沉淀壁垒(工业 Know-how 的代码化)、以及生态锁定壁垒(数据格式成为行业标准,工程师数年学习习惯与工艺适配风险带来极高替换成本)。 07REDEFINITION定义重写:三个转变与 IAOS 终局技术变了,工业领域的核心问题变了,工业软件的定义和边界就不能固化。三个转变随之而来。01 服务对象从「人」转向工业 AI Agent不再需要给人搭梯子,只需给 AI 提供可调用、可执行、带护栏、可追溯的工业能力。02 核心价值从「提升人的效率」到「定义 AI 的能力边界」提效从来只是手段,终极目的是提升整个工业体系从需求到物理落地的转化效率。03 核心本体从「套装工具软件」到「可执行的能力集 合」把上百年的 Know-how、机理模型、合规规则,封装成 AI 可直接调用的能力单元。「AI 时代的工业软件,是工业领域全生命周期知识、机理、规则、流程的数字化封装与可执行能力集 合,是工业 AI 智能体的核心本体。」这里有一个高频混淆必须拆开:RAG 是检索校验组件,MCP 是通信协议,工业 AI Agent 是执行主体。它们都是搭建终局的钢筋水泥,不是工业软件本体。把这三者混为一谈,是当下很多讨论跑偏的起点。终局形态:工业原生智能体操作系统(IAOS)1 原子化工业能力内核ATOMIC CAPABILITY KERNEL灵魂:可组合、可执行、带护栏、可追溯2 工业级知识与数据底座KNOWLEDGE & DATA FOUNDATION知识弹药库:机理公式、标准、法规、案例3 通信与协同协议层PROTOCOL & COORDINATION神经网络:跨算子、跨 Agent、跨主体协同4 调度与编排引擎ORCHESTRATION ENGINE大脑中枢:目标拆解、算子调度、闭环优化5 极简人机交互入口HUMAN INTERFACE仅保留目标输入与异常告警输出这套架构并非纸上推演。行业已经在动手:中望 CAx 智能体平台规划 5000 余项可组合能力单元,TmAgent 5.0 把 CAD 能力拆成 107 个细粒度工具通过 MCP 开放给任意大模型;Neural Concept 的 MCP Bridge 让 AI Agent 能直接操作 CATIA、NX、Abaqus,客户案例中轮辋几何清理从 1 天缩短到约 3 分钟。中望总经理刘玉峰那句话说得最准:没有工业级 CAD,就没有工业级 AI+CAD。闭环逻辑是——AI 提出建议 → CAD 精准执行 → CAE 验证性能 → 工程师作出判断,四者缺一不可。注意最后一步还在人手里,但人已经不在执行层了。从这个意义上说,工业软件的护城河正在从「代码与界面」迁移到机理模型 + 知识图谱 + 可调用能力单元 + 可信执行闭环。谁把软件能力拆成可被 Agent 调用的受控工具集,谁就有机会定义下一代工程入口。 ∞THE END不会被绝杀,只会被唤醒回到最初的问题。AI 杀不死工业软件,只会杀死工业软件里那些为了适配人而存在的冗余形态。工业软件的内核从「给人用的工具」变成「AI 的工业灵魂」。竞争焦点从 AI 算法转向能力算子库的深度、广度与可靠性。能力边界从「人类已知的工业知识」拓展到「AI 可发现的工业规律」。中国工业软件市场规模已突破 3000 亿元,国产化率不足 20%;工信部规划到 2027 年突破 5300 亿元,国产替代率目标从 35% 提升至 70%。这是一个规模足够大、替代空间足够多的战场,也是一个必须靠「可校验的工业能力」才能玩得转的战场。所以最终结论是:从来不是 AI 绝杀工业软件,而是工业软件会带着 AI,真正走进工业的深水区。END 来源:阿毅工作室

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈