结果出来之前就知道
用当前数据提前计算需求、不良、质量、故障等尚未发生的结果。
主要优势
获得符合目标的答案
输入期望结果与可调范围，即返回最接近的候选条件及预期结果。
构建的模型随处可用
验证后的模型通过 API 部署，MES、仪表板、Orchestrator 共用同一模型。
让模型始终值得信赖
运行中也持续对比预测与实际，性能下降即发出提醒，并替换为重新训练的模型。
谁在使用
没有专职分析人员也能起步
数据负责人
确定预测对象与训练资料，比较各模型评估结果，选定要应用的模型。
生产 · 质量主管
分析生产条件与检验值的关系，将预测结果用作工序检查与质量判断的依据。
设备管理员
对照设备数据的常规模式与变化区间，利用分析结果确定检修对象与维修顺序。
功能
从数据准备到部署，一站完成
01
将数据准备为可训练状态
将分散的设备 · 生产 · 质量数据按时间和标准合并，先以质量评分呈现空值和错误值。
02
自动比较多个模型
用同一份数据训练多个机器学习模型，以相同的合格标准（R² · 误差等）比较，选出最匹配的模型。
03
即刻构建预测模型
数值预测、良 · 不良分类、异常检测、时间序列预测，在同一画面中构建适合问题的模型。
04
计算最优条件
输入目标结果，即可反向运用模型，计算候选条件及各候选的预期结果。变更前先用模拟器试运行。
05
通过 API 部署
一键部署已验证的模型。业务系统和 AI 智能体只需一行 API 即可调用预测。
06
部署之后持续管理
模型版本、训练数据、评估结果全部留存为履历，运行中持续监控性能并提示重新训练的时机。
画面
在画面中确认训练与评估
画面 1 · 数据量、训练 · 验证比例、各传感器趋势、数据质量概况
训练数据一目了然
这是实际部署画面。先通过图表和质量评分确认训练数据有多少条、是否存在空值或错误值。
- 数据构成
- 传感器趋势
- 质量评分
画面 2 · 当前模型、准确度指标、模型列表、实测 · 预测趋势
模型列表与评估
这是实际部署画面。将已训练的模型并列，依据指标与实测 · 预测趋势选出最匹配的模型并应用。
- 模型比较
- 评估指标
- 选择适用模型
画面 3 · 当前工艺值、实测质量、AI 预测质量、建议面板
AI 质量预测与投料量建议
这是实际部署画面。运行中实时预测质量，偏离目标时计算原料投料量与流量的建议值。自动驾驶模式直接应用建议值，手动模式则由负责人确认后应用。
- 实时质量预测
- 投料量建议
- 自动驾驶 · 手动模式
使用案例
这些问题，Analyze 来解决
质量预测
不必等待终检，以工序中的数值预测质量，在超出标准前发出提醒。
工艺条件优化
即使原料状态不同，也能建议下一批次的投料量与运行条件，以达到目标质量。
需求 · 销售预测
基于历史销售与订单数据预测各品目需求，制定生产计划与库存标准。
设备故障预测
学习正常运行模式，为异常变化打分，抢先捕捉故障征兆。
工艺模拟器
回放历史生产数据，计算应用新条件后的结果，减少过去依赖实际批次进行的试验。
材料 · 研发数据分析
用实验数据预测物性与寿命，推荐符合使用条件的材料组合。
应用案例
已在现场用于预测与调优
食品制造 · 饮料
AI 按批次重新调整配方
- 课题
- 即使按同一配方投料，原料状态每批不同，最终储罐的质量指标波动不定。投料量修正全凭熟练工的经验。
- 方法
- 将原料投料计数、设定与实际投料速度、水流量、加热器温度、下游负载信号按 1 分钟对齐，并与工单、储罐、品目信息合并。不是一条产线一个模型，而是按产线、储罐、品目分别训练，并以同一标准比较多个 AI 模型，只采用通过验证的模型。输入目标质量，即可计算出 3 组投料量与运行条件候选方案。
- 变化之处
- 作业人员画面上显示下一批次投料修正值建议。从建议起步，验证完成的范围逐步转为自动应用。
食品制造 · 饮料
更改配方前，先用模拟器试运行
- 课题
- 测试新投料条件必须占用实际批次，耗费原料和生产时间，结果不理想时整批只能报废。
- 方法
- 将历史生产数据按 1 分钟重新回放，把模型预测质量与实际质量并列对比，先确认可复现性。在已验证的模型中调整控制变量，计算质量会如何变化，并经实时数据再次验证后才向现场给出建议。
- 变化之处
- 现场试验前先看结果。缩小待试条件范围后再进场，报废批次随之减少。
食品制造 · 饮料
设备停机前发出预警
- 课题
- 核心设备一旦无预警停机，生产计划与质量随之崩溃。维修总是在故障发生后才开始。
- 方法
- 接入振动 · 电流 · 温度传感器，进行双重监控。基于正常运行数据设定各传感器的上下限，即时捕捉明显风险；AI 学习正常模式，捕捉随时间逐渐偏离的征兆。区分警告与危险标准，并在现场持续校准误报与漏报。
- 变化之处
- 从故障后维修转向依据征兆的计划性维护。借助仪表板与提醒，维修人员抢先行动。
二次电池材料
海量过滤器组合，AI 精选 3 种
- 课题
- 每个客户的使用条件不同，负责人只能逐一尝试大量过滤器组合，并手工计算尺寸和数量。
- 方法
- 输入客户的使用条件，AI 即推荐 3 种过滤器组合方案，并按所需尺寸自动计算规格与数量，同时预测各组合性能开始下降的时间点。
- 变化之处
- 查找组合与计算的工作量减少到 1/10。销售与技术人员依据同一依据即时提案。
应用场景
与其他产品联动，预测即成业务
需要时逐个增加产品，就这样逐步扩展。
- LINKER 接收设备状态数据。
- Analyze 分析异常区间。
- Orchestrator 生成检查报告草稿。
- MES 汇集生产 · 检验记录。
- Analyze 对比预测值与检验值。
- TEAMS 负责人与质量组共享结果。
- Catalog 登记训练资料与模型信息。
- Analyze 部署要使用的模型。
- Orchestrator AI 接收预测结果。
部署环境
依据本地部署 · 云端 · 内网的数据外传标准，设计训练与调用位置。
现有系统联动
将 MES 生产记录与 LINKER 设备数据用作训练 · 评估资料。
开放标准
通过模型调用接口，将预测结果传送给业务应用与 AI。
FAQ
常见问题
需要具备哪些数据？
只要同时积累了要预测的结果及影响该结果的数值即可。MES · ERP 记录、通过 LINKER 采集的设备数据乃至 Excel 数据都可直接使用。
没有数据科学家也可以吗？
可以。数据准备、模型比较、评估、部署均在画面中衔接，业务人员只需查看结果并选择。实施初期由 Wavegram 与您共同构建模型。
AI 建议会直接应用到设备吗？
从建议起步。通过模拟器与实时验证的范围，逐步转为自动应用。
与 ChatGPT 等生成式 AI 有何不同？
生成式 AI 负责生成文字和回答，Analyze 则基于企业自有数据预测数值、计算最优条件。两者在 ECHO Orchestrator 中协同使用。
如何知道预测是否准确？
为每个模型预设合格标准（R² 等），只采用经历史数据复现与实时对比验证的模型。
是否使用开源？
不是。Wavegram 自 2020 年起专注于 AI 视觉与 AI 产品线的研发。我们完全基于自主技术开发，因此能够针对任何客户特有的流程进行优化。