设备运行数据分散在PLC、SCADA、HMI和人工记录中，同一台设备在不同系统中的状态经常不一致——PLC显示运行中，SCADA却显示待机，MES又显示故障。状态口径不统一的根因是各系统对"运行""待机""故障"的定义不同、判断逻辑不同。当管理层拿到OEE报告时，数据已滞后数小时甚至数天，异常只能靠现场人员发现和口头汇报，事后追溯缺乏客观记录。
逐米时代制造新解法
逐米时代的制造新解法，从"统一状态模型"这个根基入手，构建设备运行监控的统一数据底座。核心方法是：定义全厂统一的设备状态模型，通过IoT持续高频采集运行信号，在数据源头完成状态判定，自动识别异常并关联工单和班次信息。
第一步，统一设备状态模型定义。与设备、生产、质量、维修等相关部门共同定义全厂统一的设备状态枚举标准和判定规则。状态分为运行（设备按节拍正常产出）、待机（设备无故障但不产出，如换产中、等待物料）、计划停机（预防性维护、计划切换）、故障停机（设备因故障无法运行）、调试（参数调整和试生产）。每种状态的进入条件和退出条件明确定义，避免主观判断。这个统一模型是OEE计算的唯一数据源。
第二步，持续高频数据采集。通过IoT网关从PLC、传感器和智能仪表中持续采集运行信号，包括运行状态位、节拍时间、停机事件代码、报警信息、能耗数据和关键工艺参数。采集频率根据设备和参数类型确定——高速设备的节拍信号可能需要100ms级别采集，温度等慢变量可以按秒级采集。关键是采样频率要能捕获设备状态的每一次切换。
第三步，实时状态判定与异常识别。在边缘端（IoT网关或边缘服务器）完成原始信号的实时处理，按统一状态模型判定设备当前状态。同时运行异常识别算法：检测停机事件是否符合计划窗口、节拍时间是否偏离基准、能耗是否异常升高、关键参数是否超出控制范围。异常识别结果自动关联到当前工单、产品型号和当班班次。
第四步，告警与响应任务编排。识别到异常后，系统自动生成告警并推送到相关责任人。对于明确需要处理的异常（如故障停机），系统在EAM中自动生成维修工单；对于趋势性异常（如振动持续升高），生成预测性维护建议。控制动作（停机、重启、参数修改）仍由设备授权逻辑执行，AI不直接控制设备。
智能体编排
本场景主智能体为设备运维智能体，负责设备状态采集与判定、异常识别和OEE计算。生产执行智能体作为协同智能体，负责关联工单和班次信息，使OEE数据具备生产上下文。设备厂商的PLC/SCADA系统作为数据源而非智能体，通过IoT网关标准化接入。
实施要点
·统一状态模型的定义需要设备、生产、质量、维修四个部门共同参与并达成共识。任何部门单独定义都会导致模型偏向该部门的视角。
·数据采集的优先级建议"关键设备先全覆盖、一般设备先关键信号"。不要试图一次采集所有设备的所有信号，应根据OEE计算的必要性和异常识别的价值排优先级。
·OEE数据的治理目标不是100%精确，而是口径一致且趋势可信。只要所有设备按同一套规则判定，OEE的横向和纵向对比就有意义。
参考目标
·设备状态判定一致性（多系统对比）≥99%;
·异常发现到响应的时间从小时级缩短到分钟级;
·OEE计算延迟<5分钟;
·因状态判定错误导致的误报率<5%
热门跟贴