★ 海爾智家股份有限公司 王超，孫丹鳳，崔秀元，陳文芳，姚彬，孫歡歡

1   背景

1.1   行業之困：冰箱制造的四重挑戰

冰箱是中國家庭最不可或缺的家電之一。2025年中國冰箱年產量突破9600萬臺， 占全球總產量的一半以上。然而，在這組龐大的數字背后，冰箱制造業正面臨著前所未有的四重挑戰：

挑戰一：工藝復雜性極高。 一臺冰箱的生產要經歷鈑金、吸塑、注塑、發泡、總裝、檢測等數十道工序，其中發泡工藝尤為關鍵——聚氨酯發泡層的均勻性直接決定冰箱的保溫性能和能耗等級。而發泡過程中，溫度、濕度、壓力、催化劑配比等50余個工藝參數相互耦合， 一個參數的微小偏差可能導致整批產品報廢。長期以來，這些參數的調整高度依賴“老師傅”的經驗，人的經驗既不可復制，也無法持續優化。

挑戰二： 柔性制造需求激增。    消費者從“買冰箱”變成了“定制冰箱”——法式對開、十字四門、美妝專區、母嬰專區……SKU數量呈指數級增長。海爾冰箱互聯工廠需要同時應對200多個型號的混流生產，換線頻繁、調參耗時長，傳統的人工排產和參數調試方式已力不從心。

挑戰三： 設備運維成本居高不下。工廠85臺注塑機、數百臺機器人以及大量的輸送、檢測設備，任何一臺設備的非計劃停機都會造成連鎖反應。傳統“壞了再修”的被動運維模式，使得設備綜合效率（OEE）難以突破瓶頸。

挑戰四：質量管理從“事后攔截”到“過程預防”的轉型迫在眉睫。 冰箱的密封性、外觀質量、性能一致性要求日益提高，傳統抽檢式質量管理已無法滿足“零缺陷”的行業新標準。

1.2   破題之選：以海爾冰箱互聯工廠為例

海爾冰箱互聯工廠，是海爾智家在全球布局的核心冰箱制造基地之一，承擔著從高端法式對開門到經濟型兩門冰箱的全品類生產任務。2024年，這座工廠因其在AI技術深度應用方面的突破性實踐，被ROI-EFESO授予工業4.0“AI創新領航獎”——這是工業4.0獎評選12年以來，全球首個且唯一獲此殊榮的企業， 標志著中國制造業在AI變革中實現了從“跟跑”到“領跑”的歷史性跨越。

這一榮譽的背后，是以海爾智家H-work平臺為底座，以智擎AI開發平臺為創新驅動，以MES制造一體化平臺、機器視覺檢測平臺、注塑智能調優平臺等工業軟件矩陣為落地抓手的系統性創新實踐。

2   案例實施與應用

2.1   整體架構：以“1+3+N”為骨架的工業軟件體系

海爾冰箱互聯工廠的工業軟件應用，并非簡單的“買系統、裝軟件”式部署，而是基于海爾智家供應鏈AI超級智能體的“1+3+N”戰略架構，進行系統性的頂層設計和逐層落地：

“1”個核心——用戶最佳體驗：將用戶需求作為供應鏈運轉的起點與終點，實現“需求直達產線、產品貼合期許”。

“3”層協同——端層（數據采集）、邊層（實時處理）、云層（全局優化）構建全鏈神經網絡，實現端到端可視可控。

“N”個分布式智能體—覆蓋發泡工藝優化、機器人自適應編程、注塑參數調優、設備維修診斷、質量智能檢測等15個以上細分場景，各智能體自主決策、協同作業。

在這一架構下， H-work平臺作為數據底座和調度中樞，智擎大模型工業作為知識引擎和決策大腦， MES、視覺檢測平臺、注塑智能調優平臺等工業軟件作為場景化落地載體，形成了一個“平臺+大模型+智能體+工業軟件”的四層協同體系。 “1+3+N”工業軟件體系架構圖如圖1所示。

圖1 “1+3+N”工業軟件體系架構圖，端-邊-云三層協同與多智能體矩陣

2.2   四大核心場景的工業軟件應用實踐

（1）場景一：冰箱發泡工藝參數自優化—讓“老師傅”的經驗變成AI的能力

問題： 冰箱發泡是整條產線最核心、最復雜的工序之一。聚氨酯發泡過程中，56個工藝參數（包括發泡溫度、催化劑流量、環戊烷配比、模具溫度分布等）相互耦合，任一參數的微小偏差都可能導致氣泡不均、密度波動，直接影響冰箱的保溫性能和能效等級。此前，參數調整完全依賴資深工藝師的經驗判斷—一個經驗豐富的工藝師需要5-8年的培養周期，且每個人的判斷標準不盡相同，難以標準化和規模化。

解決方案： 海爾智家發泡技術團隊研發了基于熱成像技術與魯棒性數據融合算法的聚氨酯發泡氣泡大模型。這套系統的工作邏輯如下：

感知層： 在發泡模具關鍵位置部署高精度熱成像傳感器，實時采集發泡過程中的溫度場變化數據，精確到0.1℃的溫度梯度。

建模層：利用魯棒性數據融合算法，將熱成像數據、壓力傳感數據、環境溫濕度數據等多源異構數據統一融合，建立發泡過程的數字孿生模型。在此基礎上，訓練聚氨酯發泡氣泡大模型，學習數千批次成功與失敗案例中參數組合與發泡質量的映射關系。

決策層：模型可根據當前環境條件和目標產品規格， 一次輸出56個工藝參數組合的最優推薦值，替代傳統的人工逐參數調試。

執行層：推薦參數一鍵下發至發泡設備，實現秒級參數切換。

效果： 發泡質量提升32%， 單批次調參時間從數小時縮短至分鐘級，且完全擺脫了對“老師傅”經驗的依賴。發泡工藝參數自優化系統如圖2所示。

圖2 發泡工藝參數自優化系統，56個參數的最優推薦

（2）場景二：機器人自適應編程—10秒生成軌跡代碼，毫米級精度自適應

問題：冰箱總裝線上，大量裝配工序由工業機器人執行。然而，每次新產品上線或產線調整，都需要專業工程師為機器人重新編程—一個典型工位的編程調試周期約為2-3天， 嚴重制約了柔性制造的響應速度。更關鍵的是，裝配過程中的微小偏差（如零件位置偏移0.5mm）可能導致裝配失敗，傳統機器人無法自主應對。

解決方案： 海爾制造技術團隊基于智擎工業大模型的多模態能力，開發了機器人自適應編程智能體：

語音指令生成代碼： 工程師只需用自然語言描述裝配任務（如“將鉸鏈安裝到冰箱門體右上角”），多模態大模型可在10秒內自動生成完整的機器人運行軌跡代碼。

自適應偏差補償： 通過視覺傳感器實時捕捉零件的實際位姿，與理論模型進行比對，當檢測到毫米級偏差時，自動調整機器人軌跡參數進行補償，確保裝配精度始終控制在0.5mm以內。

技能庫持續積累： 每一次成功的編程方案都自動沉淀為技能庫資產，同類任務的編程時間從首次的10秒縮短至3秒內的“一鍵復用”。

效果： 機器人調試周期縮短83%，裝配精度從“經驗可控”升級為“系統保障”，柔性換線效率大幅提升。機器人自適應編程如圖3所示。

圖3 機器人自適應編程，工程師語音指令與機器人實時執行交互

（3）場景三：注塑工藝參數動態調優——34項參數一鍵部署， OEE提升30%

問題：冰箱互聯工廠擁有85臺注塑機，負責生產冰箱內膽、抽屜、瓶座等塑料部件。每次產品換型，需要調整溫度、壓力、速度、保壓時間等34項工藝參數，傳統方式下， 一套完整的換型調參需要2-4小時，且參數選取依賴工程師經驗，不同工程師調出的參數組合差異顯著，直接影響產品一致性和設備綜合效率。

解決方案： 制造數字化團隊構建了注塑智能調優平臺：

工況實時感知： 通過邊緣計算網關， 實時采集85臺注塑機的運行數據（溫度、壓力、模內壓力曲線等），結合匹配的設備型號和模具信息，構建每臺設備的“工況畫像”。

智能推薦： 智擎工業大模型基于歷史數據和工業機理模型，智能推薦34項工藝參數在不同工況組合下的最優方案——兼顧效率和質量的“帕累托最優”。

一鍵部署：推薦參數通過智能調優平臺一鍵下發至對應注塑機，實現85臺設備的批量參數調控，無需人工逐臺操作。

效果：OEE（設備綜合效率）提升30%，換型時間從2-4小時壓縮至30分鐘以內，產品一致性問題減少60%以上。注塑智能調優平臺操作界面如圖4所示

圖4 注塑智能調優平臺操作界面，34項參數智能推薦

（4）場景四：設備智能維修大模型——故障診斷從“翻手冊”到“對話AI”

問題：工廠設備種類繁多、故障類型復雜，設備維修人員面對異常報警時，往往需要翻閱厚厚的技術手冊、查找歷史維修記錄， 平均故障定位時間長達2-3小時。更棘手的是，大量維修經驗存在資深維修工的“腦子里”， 一旦人員離職或退休， 寶貴的維修知識便隨之流失。

解決方案： 智家設備技術團隊基于智擎工業大模型，構建了設備智能維修大模型：

故障知識圖譜構建：整合10萬余條設備維修數據，構建覆蓋全廠主要設備類型的故障知識圖譜，建立“故障現象—原因—解決方案”的結構化映射。

人機交互式診斷：維修人員通過自然語言描述故障現象（如“3號注塑機模溫異常升高，產品出現飛邊”）， 大模型自動關聯知識圖譜，精準推送最可能的故障原因和維修方案，并按概率排序。

知識持續進化：每次維修完成后，維修人員確認方案有效性，系統自動將新的維修案例納入知識庫，實現“越用越準”的閉環學習。

效果：故障平均定位時間從2-3小時縮短至15分鐘以內，維修效率提升75%，維修成本降低20%，且維修經驗實現了從“人腦”到“機器腦”的永久沉淀。設備智能維修大模型人機交互式故障診斷如圖5所示。

圖5 設備智能維修大模型人機交互式故障診斷

3   應用創新性、重點與難點問題及解決思路分析

3.1   應用創新性

本案例的創新性，不在于單一技術的應用，而在于“三個首次”的系統性創新：

首次實現AI從“ 單 點 輔 助 ”到“ 全 鏈 操 作系統”的升維。此前，工業AI應用多為“頭痛醫頭” ——某個工序的參數優化、某臺設備的故障預警。海爾冰箱互聯工廠的實踐，首次將AI能力以“1+3+N”智能體矩陣的方式，覆蓋從發泡、注塑、裝配到維修的制造全流程，實現了各環節的協同聯動與自主優化。這不是功能的疊加，而是邏輯的重構 —— 從“滿足已知訂單”到“響應未知體驗需求”。

首次實現“工業大模型+工業智能體”的雙層知識架構。智擎工業大模型提供通用的工業知識基座（80TB多模態數據、27萬份知識庫），各場景智能體在基座之上進行領域精調——既保證了大模型的知識廣度，又確保了智能體的專業深度。這種“大模型做底座、小智能體做觸角”的架構， 解決了工業AI“通用性vs專業性”的長期矛盾。

首次實現“燈塔驗證+平臺輸出”的閉環創新模式。每一項工業軟件創新，都先在海爾冰箱互聯工廠等燈塔工廠中實戰驗證，驗證通過后再通過H-work平臺標準化、體系化沉淀， 實現規模化輸出。這種創新模式，確保了產品的可靠性和適配性。

3.2   重點與難點問題及解決思路

（1）難點一：工業數據質量參差不齊 ——“臟數據喂不出好模型”

工業現場的數據采集面臨噪聲大、缺失多、標準不一等問題。以發泡工藝為例，早期采集的溫度數據因傳感器精度和部署位置差異，同一時刻不同點位的數據誤差可達±2℃,嚴重影響模型訓練效果。

解決思路：構建智家大數據平臺，實現數據從“散、亂、孤”到“通、用、活”的標準化治理。針對發泡場景，統一傳感器型號和部署標準，引入數據清洗和異常值剔除算法，建立數據質量評分體系——只有評分達到閾值的數據才納入模型訓練，從源頭保證“數據燃料”的純凈度。

（2）難點二：AI模型在工業場景中的可靠性不足 ——“AI幻覺在工廠里不能容忍”

大模型的“幻覺”問題在家電控制場景中可能導致安全隱患。在工藝參數推薦場景中， 如果AI推薦了錯誤的參數組合，可能導致整批產品報廢甚至設備損壞。

解決思路：采用“AI推薦+人工確認+邊界約束”的三重保障機制。智擎大模型輸出的參數推薦值，必須經過工藝規則引擎的邊界校驗（如溫度不超過安全閾值），再由工藝師一鍵確認后下發。同時，通過多算法融合實現交叉校驗——當一個模型的推薦值與另 一 個模型的推理結果出現顯著偏離時，系統自動標記為“低置信度”并觸發人工復核。

（3）難點三：跨系統數據貫通 ——“打通20+系統的數據壁壘”

一座智能工廠通常運行著ERP、MES、PLM、 WMS、SCADA等數十套系統，這些系統由不同廠商、在不同時期建設，數據格式和接口標準各異，形成大量信息孤島。

解決思路：以MES制造一體化平臺為“數據中樞”，通過標準化API和工業協議（OPC UA、 Modbus等）實現與20+系統的數據貫通。平臺內置數據映射引擎，可將異構系統的數據統一映射為標準數據模型，實現從能源管理、生產執行到用戶運維的全鏈條數據集成。

（4）難點四：邊緣端算力有限與AI推理需求的矛盾

工業現場對實時性要求極高（如機器人自適應編程需要毫秒級響應），但邊緣端算力遠不如云端。

解決思路：采用大小模型協同架構和邊云協同推理策略。智擎工業大模型通過算子融合（減少內存占用30%）和混合量化（節省50%顯存）技術進行輕量化， 使關鍵推理能力可部署在邊緣智控一體機上； 同時， 復雜推理任務上傳云端， 實時性要求高的決策在邊緣端完成， 形成“邊緣秒級決策、云端分鐘優化”的協同模式。

4   效益分析

海爾冰箱互聯工廠通過智家工業軟件體系的深度應用，實現了全方位、可量化的效益提升。

（1） 生產效率與質量效益（見表1）

表1 生產效率與質量對比

（2）成本節約效益

維修成本降低20%：設備智能維修大模型將故障定位時間從2-3小時壓縮至15分鐘。

注塑場景年節約千萬級費用： 85臺注塑機的工藝參數智能調優，顯著降低能耗和材料損耗。

（3）運營韌性效益

200+型號混流生產：MES平臺支持全模塊物聯混流柔性制造，訂單響應僅需30秒。

維修經驗永久沉淀：設備維修知識從“人腦”走向“機器腦”，不受人員流動影響。

（4）品牌與市場效益

爆款產品支撐：數字制造體系催生了麥浪冰箱（上市三個季度銷量突破100萬臺）等爆款的極致交付。

全球品牌影響力：工業4.0“AI創新領航獎”全球唯一獲獎，成為中國制造業AI變革的世界級“名片”。

5   案例意義

（1） 對行業：從“燈塔”到“燈塔網絡”的范式輸出

海爾冰箱互聯工廠的實踐，不是 一 座工廠的“獨善其身”，而是整個家電行業乃至制造業的“燈塔”。通過H-work平臺，海爾冰箱互聯工廠驗證的每一項工業軟件能力都在快速復制——海爾智家已在全球構建了13座燈塔工廠組成的“燈塔工廠集群”，覆蓋冰箱、洗衣機、空調、熱水器、智慧樓宇、凈水等全品類，形成全球規模最大、品類最廣的智造標桿網絡。這意味著：一個工廠的注塑調優經驗，可以為另一個冰箱工廠所用；同樣發泡參數自優化模型，可以快速適配到別的冰箱產線。

（2） 對技術： 驗證“大模型+智能體”的工業AI新范式

海爾冰箱互聯工廠是全球首個驗證“工業大模型+場景智能體”雙層知識架構在制造全流程成功應用的案例。這一范式解決了工業AI長期面臨的“通用模型不夠專業、專業系統不夠靈活”的困境——智擎大模型提供知識廣度，場景智能體保證專業深度，二者協同實現了“既博又專”的工業智能。

（3） 對未來：從“數字化轉型”到“智能化重構”的新階段

海爾冰箱互聯工廠的實踐，標志著中國制造業正在從“數字化”邁向“智能化重構”的新階段。在這個新階段，工業軟件不再只是流程的數字化映射，而是具備了感知、決策、執行、優化能力的“制造伙伴”。智擎工業大模型的持續進化、工業智能體的自主協同、數字孿生的閉環運營——這些能力的疊加，正在推動制造業從“人指揮機器”走向“機器自主運行、人機協同進化”的全新范式。

正如海爾集團董事局主席周云杰所說，“不同的細分場景能夠發展出不同垂域的專業機器人”。在冰箱制造的每一個工位上， AI智能體正在成為最可靠的“數字工匠”——它們不知疲倦、持續學習、精準執行，與人類工程師并肩協作，共同書寫著中國智造的新篇章。

摘自《自動化博覽》2026年6月刊