解读

面试官问“如何集成”，不是在考接口协议，而是在验证候选人是否具备“把算法能力嵌入到既有生产系统”的端到端产品视角。制造业的ERP/MES是稳态核心，任何AI模块都必须“无感”接入、可回滚、可审计，且不能拖慢产线节拍。回答要体现三层能力：①对制造业OT/IT混合架构的敬畏；②对数据-模型-服务闭环的工程化拆解；③对合规、成本、灰度、ROI的量化管理。

知识点

1. 制造业三层系统架构：L1设备层（PLC/SCADA）、L2执行层（MES）、L3计划层（ERP），AI产品通常落在L1.5-L2.5之间，需通过统一 namespace 的“制造数据对象”与上下层对话。
2. 集成模式：
   A. 旁路增强（推荐）：通过 OPC UA/MQTT 把实时数据镜像到 AI 推理服务，结果以“建议”字段写回 MES 非关键表，人工确认后生效；
   B. 嵌入式：AI 模型容器化后作为微服务注册到 MES 的 Java 容器（如 SpringBoot），通过 REST 供 MES 调用，需做熔断；
   C. RPA 外挂：对老旧的封闭 ERP，用 RPA 机器人读写界面字段，适合低频场景，但审计链不完整。
3. 数据一致性：采用“双写日志”机制，AI 服务先写本地时序库，再异步批量回写 MES，失败时触发补偿任务，保证账实一致。
4. 灰度与回滚：利用 MES 的“工艺版本号”做开关，AI 推荐只在“测试版工艺路径”生效，24h 内可无感回滚到原路径。
5. 安全合规：满足《工业互联网数据安全分类分级管理办法》三级要求，敏感字段（工人绩效、供应商价格）走国密 SM4 加密通道，模型输出留痕 6 个月以备溯源。
6. 成本模型：按产线节拍 10s 测算，单次推理≤300ms，GPU 云边协同方案单条产线月租成本≤1.2 万元，ROI 以“缺陷率下降 0.8%”作为保底指标写进合同 SLA。

答案

以“AI 视觉质检”项目为例，分五步落地集成：

1. 业务对焦：与生产部共创，明确质检工位在 MES 中的“过站”事件为触发点，AI 需在 8s 内返回 OK/NG 结果，并支持人工复判入口。
2. 数据通道：在车间 5G 边缘盒部署 OPC UA Client，订阅 PLC 的拍照完成信号，同时拉取 3 张 2K 图像，通过 gRPC 传到本地 NVIDIA T4 推理容器；推理结果写回边缘盒的 Kafka topic，MES 通过统一 API Gateway 消费。
3. 服务注册：将 AI 微服务注册到集团微服务中心（Nacos），配置 200ms 熔断、3 次重试；同时把“AI 置信度”字段写入 MES 的 QC_RESULT 表，原表结构零改动。
4. 灰度发布：利用 MES 的“工单-工艺路径”维度，先在夜班 A 产线试点，设置开关参数 ai_qc_enable=1；若连续 3 个班缺陷漏检率＜50ppm，则扩大到白班。
5. 验收与计费：以 ERP 的“返工成本”科目作为收益锚点，上线 30 天对比，返工成本下降 12.6 万元，扣除 3.8 万元云边租赁费，净收益 8.8 万元，双方签字确认进入正式运维期，后续模型迭代走月度 MR 流程，无需再开新项目。

拓展思考

1. 老系统无 API：若 MES 为 10 年前的 C/S 架构，可先在工控机上做“软网关”，用 Win32 消息钩子捕获窗体数据，再转 MQTT，但需评估 Windows 补丁重启对连续生产的影响。
2. 多工厂模型漂移：集团 5 个基地数据分布差异大，可在边缘做一层“个性化微调”——每工厂 1 万张本地样本，用迁移学习更新最后一层，权重文件≤30MB，通过 Git LFS 下发，实现周级迭代。
3. 商业模型创新：把 AI 节省的返工成本按 3:7 与 MES 供应商分成，绑定对方 KPI，可换取其主动开放数据库字典，降低后续集成阻力。