Sothis AI MES × AI WMS
重新定义工业智能体 · 星链智造
从工业 3.0 到 4.0,跨越「软件」的边界。让计划、执行、物料与设备,在同一星链系统里原生协同。
一、认知重塑
当「软件」不再是软件
工业 3.0 用软件支撑制造,工业 4.0 用智能体驱动制造。Sothis 交付的不是一套写死的系统,而是会思考、会决策、会进化的工业智能体。
从「四套割裂系统」到「一个原生融合的智能体」
| 工业 3.0 · 四套割裂系统 | 工业 4.0 · Sothis 智能体 |
|---|
| MES 被动执行 | WMS 被动管库 | 一个智能体,不同能力维度 |
| APS 静态排程 | WCS 被动调度 | 原生一体,模型级融合 |
| 接口拼合,故障点多 | 秒级数据回传,异常自适应重排 |
| 人忙于日常事务 | 联邦学习驱动持续进化,人只需确认例外 |
核心指标
- 四套系统收敛为一个智能体(4 → 1)
- 数据回传 · 异常自适应重排(秒级)
- 联邦学习驱动持续进化(∞)
- 人只需确认例外(例外管理)
一句话理解:AI MES 回答「明天做什么最优 + 今天怎么做到最好」;AI WMS 回答「物料怎么管最精 + 设备怎么动最快」。
二、产品定义
两个融合智能体
不是把旧系统拼起来,而是把能力熔进去。两个智能体共享同一数据底座,由同一联邦学习框架驱动。
AI MES · 智能 APS + MES 融合体
AI 排程分钟级生成最优甘特图,直接下发电子工单、自动调参设备;执行数据秒级回传,异常 3 秒自适应重排。能力链路:排程 APS → 工单下发 → 工艺直写 → 质检 SPC。
AI WMS · 智能 WMS + WCS 融合体
AI 库存决策、AI 波次优化、AI 设备调度、AI 库位管理——仓储「账」与设备「动」统一编排,逐单给出此刻最优路径。能力链路:库存决策 → 波次优化 → 设备调度 → 库位管理。
星链系统 · 从大模型到微服务
① 9 大综合大模型(排产/工艺/质量/健康/能耗)
→ ② 解耦·蒸馏·剪枝(瘦身为可落地能力)
→ ③ 数十个微服务(容器化)
→ ④ 强化学习 + 规则引擎(自主决策 + 可靠执行)
→ ⑤ 边缘容器编排引擎分发(下沉至 S20 集群)
核心价值
- 紧急插单响应 15 分钟(原 4+ 小时)
- 排程准确率 99%
- 数据实时性 <1s
- 系统可用性 99.9%
三、整体架构
智造星图:感知—决策—执行闭环
以数据湖为基座、E7(IAP)为智能中枢、S20 为边缘触手,构建「设备数据 → 治理 → 决策 → 控制」的感知—决策—执行闭环。
闭环链路
① 控制层设备数据 → ② S20 边缘节点采集 → ③ 数据湖(数据治理)→ ④ E7(IAP 平台)→ ⑤ S20 边缘节点执行 → ⑥ 设备控制 → 执行结果回流为新数据,形成自优化闭环。
架构要义
AI MES 与 AI WMS 不是两个系统的集成,而是在同一 IAP 平台、同一数据底座、同一联邦学习框架下运行的一个智能体的不同能力维度。
四、技术内核
① 异构低代码平台 × 星链系统
Sothis AI MES 与 AI WMS 并非一套写死的代码,而是构建在异构低代码平台(IAP)之上的星链系统——能力可解耦、可蒸馏、可裁剪、可热更新。
| 能力 | 说明 |
|---|
| 强化学习 | 具备自主学习与决策优化能力,在排程、路径、调度博弈中持续寻优。 |
| 规则引擎 | 基于工业验证规则,确保关键操作可靠、可审计、可复现。 |
| 容器化 | 弹性扩展、高可用、快速迭代,微服务独立升级互不干扰。 |
基础数据域(IAP 承载):基础数据 | 生产计划 | 排程计划 | 生产过程 | 质量管理 | 设备管理 | 仓储系统 | 物流系统 | 报表看板
技术栈:深度学习框架 + 自注意力机制网络 + 强化学习 + 联邦学习。以工业级稳定框架为骨架,拒绝重复造轮子。
② 云 · 边 · 端 三层分布式架构
这是一套真正为工业现场设计的分布式边缘云系统:模型在云侧训练、边侧协同、端侧推理,网络中断也能独立决策、持续运行。
- 云 · Sothis 数据湖:数仓一体化 · 数据洞察/清洗/抽离 · ERP / PLM / SCM / CRM / EHS 全格式接入
- 边 · E7 网络侧边缘模组 ×2:x86 | 32 核至强 | 280 算力 GPU | NPU | 256G 内存 | 承载 IAP 平台
- 端 · S20 工业节点模组 ×N:ARM Cortex-A53 | GPU+NPU | LAP 平台 | 断点续传 | 时序/关系型/历史数据库
协同链路:模型在云侧训练、边侧协同、端侧推理;分布式隐私计算协同框架让数据不出厂、模型共进化。
③ AI 学习范式 · 自注意力机制网络 × 强化学习 × 联邦学习
三种范式深度融合,构成 Sothis 混合智能:理解上下文、在博弈中寻优、让数据不出厂。
| 层级 | 技术 | 在 Sothis 中的作用 |
|---|
| 算法模型层 | 自注意力机制网络 + 强化学习 | 理解工艺文本与需求;在排程博弈中寻优 |
| 框架工具层 | 深度学习框架 + 工业预训练模型库 + 决策模型训练框架 | 工业级稳定框架,拒绝重复造轮子 |
| 学习范式层 | 分布式隐私计算协同框架 | 数据不出厂,边缘训练后只上传参数 |
五、AI MES 深度解析
从 APS 到 MES,计划与执行一体化
传统「ERP → APS → MES → 车间」层层割裂:计划排完、执行已变天。AI MES 让计划与执行实时闭环。传统模式信息延迟 >2h、插单响应 >4h、计划达成率低;Sothis AI 排程秒级回传、3s 自适应重排。
生产全链路管控
| 环节 | 传统 MES | Sothis AI MES |
|---|
| 工单派发 | 人工排程后手动下发 | AI 排程 → 自动推送至对应工位 PAD |
| 工艺参数 | 纸质 / PDF 随工单流转 | PDM 实时解析,参数直写设备 PLC |
| 质量管控 | 事后抽检 + 纸质记录 | 在线实时 SPC,CPK 异常自动触发 |
| 物料配送 | 领料制,产线等料 | 节拍驱动,分钟级精准配送 |
| 紧急插单 | 电话协调,打乱全盘 | 智能插单模型,自动重排 |
关键指标:全程无纸化 100% | 数据实时性 <1s | 全流程追溯 100% | 异常预警 秒级
工艺管理:PDM 到设备直写的最后一公里
让工艺参数从设计系统直达设备 PLC,消除人工转写与版本漂移,支撑 APQP 与 Six Sigma DMAIC 全流程闭环。
- A · 工艺数据管理:参数管理 · 版本变更 · 特殊特性标记(PLM / ERP)
- B · 设备通信执行:通信网关 · 参数下发调度 · 设备状态反馈(PLC 直写)
- C · 质量优化:CPK/PPK 分析 · 风险监控 · 根因
- D · 系统安全:权限 · 审计合规 · 接口集成
关键指标:参数下发时延 <3s | 并发稳定 20 台 | 双通道校验 100% | 断点续传 0 丢
方法体系:APQP 五阶段(计划与定义 → 产品设计开发 → 工艺设计开发 → 产品和过程验证 → 持续改进)| Six Sigma · DMAIC(Define → Measure → Analyze → Improve → Control)
六、AI WMS 深度解析
仓储管理 + 设备控制,后勤升维融合
传统 WMS 管「账」、WCS 管「动」,两套系统靠接口拼合。AI WMS 把两者熔为一个智能体,账实合一、动账同步。AI 库位管理使高频物料靠近拣选口,行走距离 ↓40%;AGV 路径全局重规划。
| ❌ 传统 WMS + WCS 分离 | ✓ Sothis AI WMS |
|---|
| 接口延迟 50–200ms,多系统耦合故障点多 | AI 库存决策:自注意力机制网络需求预测 → 动态安全库存 |
| 账实不符时,仍用错误库存规划 | AI 波次优化:强化学习全局最优拣选路径 |
| WCS 设备故障,WMS 无法实时调整策略 | AI 设备调度:AGV / 堆垛机 / 输送线统一编排 |
| 库位分配不考虑 AGV 实时位置 | AI 库位管理:热度自适应动态 ABC 分类 |
一句话:传统说「去哪取货」,AI WMS 说「此刻最优路径」。
从入库到产线,全链路智能物流
| 环节 | AI 能力 | 客户价值 |
|---|
| 入库 | AI 视觉自动扫码 + 体积重量 AI 估算 | 收货效率 ↑3 倍,人工录入归零 |
| 上架 | 热度预测驱动动态库位分配 | 高频物料靠近拣选口,行走距离 ↓40% |
| 波次规划 | 强化学习多目标优化(效率 / 交期 / 设备均衡) | 全局最优而非局部贪心 |
| 拣选路径 | 实时 AGV 位置感知 + 路径重规划 | 冲突率 ↓60%,设备利用率最大化 |
| 码垛 | AI 视觉计算最优层数与放置位置 | 空间利用率最大化,运输破损率 ↓ |
| 配送产线 | 节拍驱动分钟级配送至线边仓 | 首批物料隔天就位,产线不断料 |
协同结果:计划 — 执行 — 物料 — 设备四流合一,形成统一协同闭环。
七、星链协同
AI MES × AI WMS 的无缝交响
不是两个系统的「集成」,而是一个智能体的不同能力维度——同一 IAP 平台、同一数据底座、同一联邦学习框架。
四流合一 · 星链协同
- 排程即物料计划:计划驱动物料更精准
- 节拍即配送节奏:配送与生产节拍同步
- 报工即库存更新:生产结果实时反映库存
- 插单即全局重排:快速响应,资源最优重配
系统价值:AI MES 与 AI WMS 在同一 IAP 平台上运行,共享同一套数据底座,由同一联邦学习框架驱动——不是两个系统的「集成」,而是一个智能体的不同能力维度。
八、边缘智能
S20:AI 下沉到每一台设备
S20 部署在每台生产 / 物流设备旁,不仅做数据采集(SCADA),更具备本地 AI 推理能力——即使与云网络中断,也能基于缓存模型独立决策、持续运行。
S20 · 硬件规格
- 架构:ARM Cortex-A53 四核 + GPU + NPU
- 系统:Linux Ubuntu
- 平台:LAP 轻量化异构低代码平台
- 连接:以太网 / RS485 / WiFi / 4G
- 特色:断点续传 · 离线自治 · 模型热更新
S20 · 核心能力
- 设备管控 — 本地决策 + 断点续传
- AI 智能网关 — 接入 SCADA,协议解析 / 边缘计算
- 微服务模型容器 — 运行 PHM / EMS
- AI 策略推理 — 设备智能判断
- 数据存储 — 时序 / 关系型 / 历史数据库
典型应用场景
- PLC 连接:对接产线 PLC,实时采集设备数据。
- 传感器数据采集:采集电流 / 温度 / 振动等多维信号。
- PAD 工控机交互:推送数据与预警,辅助现场决策。
韧性承诺:网络中断时本地 AI 模型独立决策——数据不丢、业务不断、决策不停;网络恢复后自动断点续传。
九、数据底座
Sothis 数据湖:让数据从「负债」变「资产」
打通信息层、执行层与现场层数据,让报表、模型与决策基于同一份真实数据源。
多源数据接入:ERP | PLM | SCM | CRM | EHS | SCADA | PHM | EMS
治理链路
① 数据洞察(多源汇聚)→ ② 数据清洗(过滤脏数据)→ ③ 数据抽离(重构格式)→ ④ 单一数据源(多元应用)
治理成果:脏数据过滤率 >95% | 数仓一体化,单一数据多元化应用 | 报表 · 模型 · 决策基于同一份真实数据源
十、场景实战
① 紧急插单:从 4 小时到 15 分钟
让「插单」从灾难变成正常业务——4–6 小时的人工协同,压缩为 15 分钟的智能闭环响应。
传统人工调度(4–6 小时,出错率 ~15%):0min 发现插单(电话/微信,滞后 15–30 分钟)→ +30 人工评估 → +60 多方沟通 → +90 手动调整 → +60 物料确认 → +40 下发执行
Sothis AI 星链(≈15 分钟,准确率 >99%):2min 一键录入(PDMS 接入)→ +3 AI 重算(秒级全局最优)→ +2 智能调度 → +1 边缘推送(E7/边缘容器编排引擎/S20)→ +4 物料同步 → +3 闭环反馈
收益:响应速度提升 20–30× | 排程准确率 99%+ | 订单成本可控 | 全程数据闭环
② 设备智能运维:PHM + AI 视觉质检双引擎
S20 边缘节点原生承载 PHM / EMS 微服务,端侧推理、毫秒级响应,守住「设备不坏、产品不差、数据不断」。
PHM · 预测性维护(设备健康度实时预测,RUL 预测精度 >92%):
- 01 多源采集 — 振动 / 温度 / 电流实时采集
- 02 AI 异常检测 — 基于自注意力机制网络的时序预测 + 孤立森林
- 03 健康度评估 — 动态更新设备健康指数
- 04 RUL 预测 — 关键部件剩余寿命(>92%)
- 05 智能告警 — 提前预警,减少非计划停机
- 06 维护策略 — 从计划维护走向预测性维护
指标:非计划停机 -45% | MTBF +35% | 维护成本 -30% | OEE +18%
AI 视觉质检(检测 · 判定 · 联动闭环,S20 NPU 加速 · 单帧 <50ms · PLC 联动 <200ms):
- 01 缺陷检测 — 表面缺陷 / 尺寸 / 装配完整性
- 02 实时推理 — S20 NPU 加速,单帧 <50ms
- 03 多光谱融合 — 可见光 / 红外 / 激光联合判定
- 04 自适应学习 — 联邦学习,小样本适配
- 05 自动分拣 — 检测-判定-PLC 联动 <200ms
- 06 质量追溯 — 检测结果与工艺参数全生命周期追溯
指标:漏检率 <0.1% | 检测速度 >60 件/分 | 多光谱 可见/红外/激光 | 自适应 联邦学习优化
③ EMS 能源管理:让每一度电都创造价值
端侧 S20 原生 EMS 微服务 + 云侧数据湖碳分析 + 全景能效优化,能源在排程那一刻就已经被优化。
三层能效闭环:
- 实时采集层:电 / 水 / 气 / 热多介质接入 | Modbus / OPC UA / IEC104 | 秒级高频采集(S20 时序库)| 设备级能耗画像 | 碳排放因子绑定(国标 / ISO 14064)| 断点续传,网络中断不丢数据
- 智能分析层:异常能耗自动识别(强化学习 + 规则引擎)| 峰平谷动态分析(分时电价模型)| 能效基线自动建立(横向对比)| AI 负荷预测(自注意力机制网络,>95%)| 碳足迹全生命周期(Scope 1/2/3)
- 策略优化层:削峰填谷智能调度(错峰排产)| 空压机 / 空调群控(PLC 联动)| 需量管理预警(超需量前 15 分钟)| 光储充一体化协同 | 节能方案自动生成(根因 + 建议)
AI 综合优化逻辑:① 生产排程(工序负载)→ ② 电价曲线(分时电价)→ ③ 设备能耗曲线(kWh 画像)→ ④ AI 综合优化(多目标计算)→ ⑤ 最优时间窗(高耗能错峰)
指标:能耗成本 -22% | 碳排放 -15% | 异常响应 +300% | 设备能效 +12% | ROI 周期 <18 月
核心理念:能源管理不是「事后看报表」,而是在排程那一刻就已经优化过了。
十一、实施路径
三步实施路径:从自动化到自主智能
分阶段交付、渐进式智能、持续价值增长——建议选取一条产线全流程验证后推广。
第一期 · 基础自动化(1–3 个月)
- 工艺参数标准化专项
- 设备通信能力改造(Profinet / Modbus / EtherCAT)
- S20 边缘模组部署与 PLC 对接
- 基础 MES / WMS 功能上线
- 数据湖搭建与历史数据迁移
✓ 数据自动采集与基础数字化
第二期 · 智能优化(4–6 个月)
- IAP 平台部署与 9 大模型初始化
- APS 排程大模型上线 + 强化学习调优
- AI 视觉质检模型训练与部署
- PHM 预测性维护启用(S20 端)
- EMS 能源管理微服务上线
- 联邦学习框架搭建与试运行
✓ AI 驱动关键业务决策与优化
第三期 · 自主学习(7–12 个月)
- 全系统联邦学习持续进化
- 跨产线 / 跨工厂模型迁移学习
- 数字孪生与虚拟调试上线
- APQP / DMAIC 全流程闭环
- 供应链上下游智能协同
- 完全自主决策 + 人工例外管理
✓ 星链系统自主进化,人机协同
关键承诺
- 1 条产线部署周期 <3 月
- 投资回收(ROI)<18 月
- 系统可用性 99.9%
- 用户采纳率 >95%
让工厂学会思考。
云 · 边 · 端 一体化智能 · 星链智造
计划、执行、物料与设备,四流合一。从工业 3.0 到 4.0,跨越「软件」的边界——让每一台设备都有智能,让每一次决策都有依据。