市场与行业2026年11月20日Редакция 105.kz

AVEVA 打通设计与运营:统一的工业 AI 数据底座能带来什么

在台北举行的 AVEVA 峰会上,讨论重点是从零散试点转向规模化工业 AI。前提是来自 SCADA、历史数据库、MES 与设计系统的数据上下文保持一致。

石油天然气电力能源工业制造预测性维护数字孪生

AVEVA 打通设计与运营:统一的工业 AI 数据底座能带来什么

要点。 AVEVA 峰会的主要结论是:工业 AI 的障碍在于基础设施,不在意愿。工厂数据分散在 HMI、SCADA、MES、历史数据库与设计系统中;如果测点标签没有与设备节点、规程和作业许可绑定,模型就给不出可靠决策。对哈萨克斯坦企业而言,这意味着:起点应该是数据源清点,并建立留在企业内网范围内的设备主数据;算法可以以后再做。

发生了什么

2026 年 10 月 29 日,2026 AVEVA Taiwan Technology Summit 在台北举行,主题为 “Accelerate Industrial Intelligence, Shape the Future of Industry”。根据所提供的材料,公司展示了工业 AI、工业数据平台 AVEVA CONNECT、数字孪生、智能制造与设计数字化。材料同时给出两项市场成熟度评估:据《2026 Taiwan Industry AI Transformation Survey》(人工智能科技基金会)研究,38.5% 的传统制造业企业处于 Ready AI 或 Scaling AI 阶段,但只有 15.4% 达到规模化应用;据中华经济研究院(Chung-Hua Institution for Economic Research)采用更宽定义的调查,69.0% 的制造商已经部署、正在评估或计划部署 AI。在已部署的企业中,流程自动化占 58.6%,IoT 与传感数据应用占 27.8%,智能制造与“无人”工厂占 18.3%。

主论点由 AVEVA 高级副总裁、PI System 全球负责人 Harpreet Gulati 提出:“For industrial companies, the challenge is not willingness—it's infrastructure”,即对工业公司而言,难点不在意愿,而在基础设施。也就是说,制约因素在于基础设施,不在意愿:运营数据、工程数据、工作流程与合规要求很少被系统性地集成。为支持这一判断,材料引用了 AVEVA 与 IMD Business School(2026)对来自 12 个行业、275 位以上管理者的调查:74% 认为数字生态是重要的战略议题,但只有 27% 参与与合作伙伴的实质性数据交换。产品发布方面:CONNECT 内的 Flows 模块使用 800 多个连接器,可在边缘、on-premise 或云端实时处理数据;计划于 2027 年第一季度加入工业知识图谱和基于智能体(agentic)的数字孪生构建工具;AVEVA Operations Control 支持在边缘以 C# 或 Python 部署算法,并在考虑数据主权的前提下组合 edge、on-premise 与云端。

这对哈萨克斯坦企业意味着什么

来源直接列出了工厂数据通常“居住”的地方:HMI、SCADA、MES、历史数据库与工程系统,而且每一套系统都由各自的团队维护。缺少一致的工业上下文,即使数据已经载入模型,也得不出可靠决策。这是 AVEVA 的论点,对哈萨克斯坦企业而言同样熟悉(评估)。

石油天然气。 实用层面是泵与压缩机组(设备)的振动与温度、来自历史数据库的工况参数、设备铭牌数据与设计文档。任务不在于采集信号,而在于把测点标签绑定到具体设备节点、规程和 ТОиР 中的记录,否则在故障分析会上模型的结论无从论证。参见石油天然气行业方案。

电力。 主要数据量来自 SCADA/ОИК、馈线与变电站设备的遥测、切换日志和 ПСВ。此处关键不仅是 RUL 评估的准确度,还有调度部门与检修部门之间数据的一致性:设备主数据一旦不一致,health index 的计算就失去意义。

工厂。 MES、HMI 与历史数据库的数据,加上维修档案与累计运行工时。典型问题在于同一台设备在过程控制系统、维护维修系统和设计文档中有不同的标识;若不归并到统一主数据,预测性分析就只是一堆曲线图。

关于本地语境单独说明:由于个人数据本地化与内部信息安全要求(普遍做法),面向国家公司的 on-premise 与混合架构仍是常态;方案还必须能处理俄语和哈萨克语文档,并且不要求替换既有的过程控制系统。来源声称具备这种部署灵活性,但未给出实测。

如何落地:8–12 周试点

  1. 数据源清点。 列出系统清单(HMI、SCADA、MES、历史数据库、维护维修系统、设计档案):记录频率、归档深度、责任人、测点质量。该步骤的产出是带责任人的数据地图,而非模型。
  2. 选定一个设备节点和一项指标。 一台机组或一个工序段,要求已有故障历史且停机成本清晰。指标在开工前确定:非计划停机、检修间隔运行工时、技术可用率(КТГ)。
  3. 打通上下文。 把测点归并到设备主数据,绑定到规程与作业许可,确定数据质量规则与缺失值处理流程。这是工作量最大的一部分,不能推迟到建模阶段。
  4. 在历史归档上验证。 先在积累数据上做回溯验证,再进入只给提示、不对工艺过程自动施加干预的模式,并明确标注适用范围。
  5. 验收与效果测量。 按事先约定的指标与对照期比较,记录限制条件,再决定是否推广。此类工作的做法见预测性维护与数字孪生。

建议一开始就约定什么算试点成果:它应当是嵌入具体工作流程(维修工单、巡检、检修计划)的可复现设备状态评估,不应只是一份演示看板。

局限与风险

38.5%、15.4%、69.0% 以及 74%/27% 这几个数字来自台湾的调查和国际样本;把它们直接套用到哈萨克斯坦并未得到证明。这是外部参照,不能当作预测(评估)。来源是厂商材料,引用的是自家报告和行业调查:它记录的是意向、能力声明和产品路线图,却没有给出在可靠性、能耗或产能方面实测的效果。所发布的知识图谱与数字孪生构建工具计划于 2027 年第一季度推出,也就是说这只是计划,尚未成为已经在运行的功能。

材料中用于完整评估落地的信息不足:没有关于原始归档质量、手工录入比例、设计文档状态和集成成本的数据。实际风险是已知的:历史数据不完整、P&ID 过期、过程控制系统与维护维修系统中主数据不一致、各部门之间访问权限受限。还有一个组织层面的障碍,来源本身也间接印证了它:宣称做了数据集成,比在企业内部就数据访问规则和数据责任人达成一致要容易。

任何一个步骤都不承诺确定的经济效果:8–12 周试点是在你的设备节点和你的数据上验证假设,是否复制推广取决于实测结果,而不是演示。

来源

  1. Industrial AI Moves Toward Scaled Deployment: AVEVA Connects Engineering and Operations with a Strong Data Foundation — Kosmo Online · 2026-11-19T19:38:00.000Z
    For industrial companies, the challenge is not willingness—it's infrastructure. To deploy AI safely and at scale, the operational data, engineering data, workflows, and compliance frameworks required are rarely integrated systematically.
  2. Фото: Linda Spashett Storye_book — Bradford Industrial Museum 030.jpg (CC BY 3.0, Wikimedia Commons)

本文借助人工智能根据上方所列来源撰写。如发现不准确之处,请发送邮件至 info@105.kz。

常见问题

常见问题

对我们最常被问到的问题的简短直接回答。

我们已经有 SCADA 和历史数据库,还缺什么才能启动工业 AI?

按来源的逻辑,缺的是工业上下文:测点与具体设备节点、规程、作业许可和设计文档的绑定。没有这层绑定,即使归档数据质量不错,也无法在故障分析时为模型结论提供依据。

可以不用云吗?

可以。AVEVA 的材料明确指出,部署可按 edge、on-premise 与云端组合,并考虑实时性、数据主权与合规要求。对哈萨克斯坦的国家公司来说,on-premise 仍是基础选项。

多久能看到可测量的效果?

来源没有给出实测的效果指标,只有方法层面的表述。现实的形式是 8–12 周试点,指标在启动前约定,并按对照期比较进行验收;这样的试点不提供效果保证。

CONNECT 中发布的知识图谱能带来什么?

它被定位为把现有数据源映射到标准模型的工具,同时保留数据来源(provenance)与治理(governance)信息。这是 2027 年第一季度的计划,而不是今天可用的功能。

下一步

洽谈试点项目

告诉我们您的需求——我们将在两个工作日内反馈数据审计方案和效益评估。

  1. 130 分钟通话:任务、现有系统、由谁做决定
  2. 2梳理数据与流程,给出带周期与成本区间的分阶段计划
  3. 32–4 周原型,或成功标准预先约定的 8–12 周试点

首次接触即签署保密协议(NDA)

一个工作日内回复