AI Ready

AI赋能工业升级：从数据到智能决策 如何确保AI模型的精准度？关键在于数据品质与实时更新通过叠加EDC的L1数据能力，我们提升解决方案竞争力，例如风机维护中的轴承寿命预测、能源管理中的实时节能建议RAG技术解决了LLM的知识滞后与幻觉问题，通过检索外部知识库生成可靠回答 生态系协同推动数据升级，关注数据健康标记、传输可靠性、时间序列连续性等要素从温度报警到月报表，AI正重塑工业场景，开启新形态合作可能.

AI Ready

• 燃料
  • 数据 高品质
    • Raw Data
      • 全量原始数据
        • AI模型的第一手数据源
          • 直接，安全，无损地
          • 数据格式
            • CID, 时间戳，数值
        • 毫秒级的全量保真，保留在边缘云
          • Hardware Intel® Processor N97 16GB RAM 512GB SSD Support DP/HDMI display Support 4 LAN ports /2 x USB3.2, 4 x USB2.0 Support Wide DC Input 10-36V System Ubuntu 24.04 (Pre-installed) Built-in TSDB (Time-Series Database) – up to 2,000 records/sec Software & Application Support Supports upper-layer application software integration via HTTP/RESTful API Provides SDK and web-based management interface for easy application development AI Ready architecture – direct use of raw edge data for AI model training and analytics
          • 云原生设计
            • 模组化API
              • 即插即用
            • 时序资料库
              • 非传统TSDB
              • 协议层到资料层直通的边缘云
            • 支援分散式扩展
            • 与AI DaaS平台无缝对接
    • IOT SCADA系统
      • 设计初衷
        • 监控，控制
      • 二手数据
        • 负责实时闭环控制
        • 传统控制系统生成CSV报表
          • 滤波后，压缩后，事后聚合
          • 无法反映设备或环境的真实状态
        • 无法支持AI模型训练与即时决策
        • 数据
          • 粒度过粗
            • 传统协议为了节省带宽以几秒到几分钟为间隔传输数据
              • 即用即弃，只存事件与平均值
          • 格式封闭，混乱
            • 许多设备商使用私有协议，导致不同品牌或是国家的设备数据难以互通， 需要额外开发中间件，增加复杂性和延迟风险。
            • 数据格式缺乏统一标准
          • 数据包丢失
            • 网络不稳定
    • 差异化
    • 高品质原始数据 标准
      • 真实性与及时性
        • 数据来自物理世界信号源头
        • 标准化数据封装
          • CID, 时间戳，数值
      • 高频率与完整性
        • 采样频率需要足够高（例如：毫秒级）
      • 可追溯性
        • 每笔数据需具备“身份证”明确其时间，地点，来源及处理过程， 长期连续记录，避免断点。
      • 非侵入性与解耦
        • 直接从物理层获取，确保独立性，
        • 绕过传统控制系统，不影响系统运行
        • 如何判断数据品质
          • 来源是否直接
          • 时间分辨率是否足够
          • 数据是否未经处理
          • 时间序列是否连续
          • 储存与传输的可靠性
          • 数据健康状态标记
            • 数据品质指标DQF
            • 标记异常数据，避免误导AI
      • 附带背景信息
        • 设备型号，运转状态及特性，以便AI进行更深入分析
      • AI可及时参与
        • 能在数据生成时实时介入，进行异常诊断，优化建议，甚至触发控制指令。
• 技术架构
  • 感测器
  • vCAN模组
  • AI Ready RawEdge Cloud AI时代数据基础设施 核心技术
    • 取得高品质数据的难点
      • 传统数据 采集部署
        • 高成本长周期
          • 中小企业难以承受
        • 技术门槛高
          • 需要专业工程师熟悉工业协议 （Modbus，BACnet） 及数据库架构
        • 跨场域适应性差
          • 不同场景（工厂，农田，医院）的数据特性各异， 难以标准化难以实现规模经济
    • 理想数据基础设施特征
      • 高品质
      • 低成本
      • 低技术门槛
      • 易于普及
        • 跨场景，跨行业兼容
      • 短部署周期
        • 数月缩短至数周
      • 快速获取
        • 延迟达到毫秒级
    • EDC 系统 EdgeDataCollector
      • 定位
        • 黑盒子
          • 专注于记录所有原始数据
          • 通过工业协议（Modbus，OPC UA) 从传感器或是控制器中抓取毫秒级数据流， 存储于本地的时序数据库
      • 功能
        • 布置高灵敏度数字传感器，实时采集高频原始数据
      • 创新技术
        • 自研的vCAN协议
          • 即插即用协议层
        • 增强现有系统
          • 作为补充模块
            • SCADA 负责闭环控制，确保生产安全。
            • AI 基于EDC提供可靠的L1数据源
              • 进行管理优化
                • AI分析数据后建议 ： 调整参数或进行预防性维护 非直接操作设备
              • 形成PDCA循环（计划，执行，检查，行动）
          • 支持多种通讯协议
          • 解决云端传输局限 边缘云Edge Cloud
            • 本地存储，可避免
              • 数据失真
              • 高昂成本
              • 网络依赖
                • 外部网络中断，本地数据采集 仍能继续运行，提升系统韧性。
            • 支持AI应用的低延迟分析
            • 例如： 通过分析毫秒级电流和振动数据，提前72小时 发现潜在故障，避免百万级产线停摆损失
      • 重要性
        • 提供AI分析所需的真实，高分辨率数据
        • 数据分层架构
          • TSDB 标配
            • L1全量原始数据
              • 毫秒级原始数据， 确保真实和连续性
            • 用于AI训练和深入分析
          • L2 选配
            • 初步清理和标注后的数据
            • 适合可视化和特征提取
          • L3 选配
            • 高层次分析结果或是知识摘要
            • 可通过自然语言查询（如RAG或LLM技术）
            • 周期报告 / ESG摘要
        • 云端和本地存储分工合作
          • 理想架构
            • 非云端 vs 本地 二选一
            • 两者互补
              • 本地存储
                • L1层
              • 云端处理
                • L2 /L3层
                • 经聚合或是分析后的数据上传至云端，利用强大运算能力， 和生态工具进行跨区整合和高级应用
            • 分层设计
              • 降低成本，保障数据主权及安全性
        • 安全隔离
          • 光耦合器
            • 实现物理隔离，确保信号单向传递且电路完全隔开
          • 高阻抗输入
            • 减少对原有回路的影响，像”隐形观察员“。
          • 单向数据流
            • EDC只能读取，无法写入指令或更改设置。
      • 核心特色
        • TSDB储存
          • CID+Timestamp+Value
        • AI First 架构
          • 提供 RAG / LLM / ML 原始数据
    • RAG Retrieval Augmented Generation 检索增强生成
      • 功能
        • 类似动态记忆体
        • 储存历史数据，维修记录及专家知识，
        • 快速提供相关背景信息
        • RAG 解决了什么问题 1、知识更新滞后 LLM 是离线训练的，一旦训练完成后，它们无法获取新的信息，因此，它们无法回答训练数据时间点之后发生的事件，比如“今天的最新新闻” 2、幻觉现象 大语言模型（LLM） 的回答是根据已有的 训练数据 和概率预测得出来的，当面对没有在训练中见过的问题时，模型可能会“编造”看似合理但实际上不准确或虚构的内容 RAG 是如何解决这些问题的？ RAG 将信息检索与语言生成相结合，在回答问题时，首先从外部知识库（如网页、数据库、文档等）中检索相关信息，再基于这些信息生成回答。这样一来： 即使模型本身不包含最新知识，也能通过检索获取最新内容 回答更加有依据，减少“编答案”的幻觉现象
      • 作用
        • 为AI分析提供历史脉络和专业知识支持
    • LLM 大型语言模型
      • 功能
        • 消化EDC采集的实时数据+RAG提供的历史资料， 生成自然语言报告和建议
      • 系统的分析大脑
        • 负责沟通与决策支持
  • 数据即服务 （DaaS）模式
    • 核心价值
      • 降低门槛
      • 快速应用落地
      • 规模经济效应
      • 持续更新与维护
    • 挑战
      • 隐私与安全
      • 商业模式的可持续性
      • 标准化与互操作性
    • 未来
      • 三大支柱的搭建
        • 物理层面的基础
          • 像水电一样即插即用
        • 信任基石
          • 数据治理体系，明确各方责任
        • 普及催化剂
          • 通过DaaS降低数据使用门槛，促进数据共享
        • 生态系
          • 生态系的协同努力 推动数据基地全面升级
            • 政府制定法规标准
            • 企业研发创新
            • 学术机构攻克技术难题
          • 新形态合作的可能性
            • 数据共享联盟
            • 平衡竞争与合作关系
            • 克服对数据泄漏的担忧
• 环境三大支柱
  • 数据就绪
    • 确保毫秒级的原始数据并存储于时序资料库（TSDB)
  • 知识就绪
    • 结合领域知识（如设备规格，参数范围，维修记录）为AI提供上下文支持
  • 反馈就绪
    • 建立闭环机制，验证AI预测结果并持续优化模型
• 应用
  • 智慧化能源管理
    • 赋能EMS
      • 精准尖离峰分析，优化用电时间，降低电费支出
      • 用电异常即时侦测
        • 大幅提前预警时间
      • 碳排放与ESG报告自动生成
        • 减少人为干预，避免统计误差
    • 储能安全
      • 监控电芯毫秒级电压，电流和温度的变化，捕捉热失控早期信号。
      • 实例 ： 能源管理
        • 从月报表
  • 智慧制造
    • 制程优化
      • 秒级追踪炉温，压力，电流
      • 利用 L1数据进行根本原因分析，找出影响品质的关键环节
    • 互动知识库 RAG
      • 整合维修手册，SOP与历史数据， 训练AI助手,支持自然语言查询。
        • 支援建立AI预测维护模型
        • 提升良率，降低停机风险
  • 智慧建筑 / BA（楼宇自控系统）升级
    • 秒级数据支援AI能效优化
    • 跨楼宇，跨系统数据整合
    • 节能优化
      • 结合空调（HVAC),照明用电数据与天气预报，人流检测，AI可提出精准节能策略。
    • 安全预警
      • 实时监测一氧化碳浓度，瓦斯泄漏或地下室淹水，可在3D建筑模型显示异常位置。
    • 预测性维护
      • 通过分析电梯，水泵等的电流曲线和耗电模式，提前预警潜在故障。
      • 需要分析看似正常的高频数据，发现隐藏的问题。
      • 实例 ： 风机维护
        • 从温度报警
    • ESG报告
      • 自动化追踪能耗，水耗并计算碳排放量，生成合规报告。
  • 智慧工地
    • 监测扬尘，噪音及用电安全。
  • 农业与环境监测
    • 现代精准农业，环境条件微小的变化可能对作物产生重大影响
    • 多点温湿度，CO2,光照数据全量记录
    • AI动态调控温室环境根据历史数据和作物生长模型精准调节
    • 水肥比自动优化，减少资源浪费，提高作物品质和产量
    • AI系统预测并防止潜在作物疾病和害虫问题，减少农药使用，提升有机农业的可行性
  • 医疗照护
    • 通过非接触式传感器监测独居老人活动异常。
• 市场推广
  • 定位
    • 赋能 AI 的物联网基础设施
      • 一插即 AI Ready
  • 切入点
    • 第一阶段
      • 痛点明确，投资回报易量化市场
        • 能源管理
        • 电力品质监测
  • 商品内容
    • 多层次服务
      • 基础即插即用硬件
      • 高阶的定制化AI开发
      • 系统集成
  • 刚需现场
    • 特征
      • 瞬间事件（毫秒~秒级）会影响安全和成本
      • AI 模型训练 需要高质量原始数据
      • 合规/稽核 需要可追溯原始数据
    • 工厂
      • 熔炼炉，锻造，加工机台
        • 瞬间电流波动，谐波干扰会造成设备故障与质量缺陷
      • 分析能耗与产线效率的关系
        • 提升整体运营效率
      • 只看月报
        • 异常征兆全被“平均值”掩盖
    • 农业
      • 智慧温室，畜牧环境控制
      • 植物与动物对环境变化极为敏感，五秒内的温湿度剧烈波动就可能造成损失。
    • 建筑
      • 社会住宅，智慧城市示范场域
      • BIM（建筑信息模型） 整合，设备健康监测，ESG报告。
      • 电网品质验证
    • 银行
      • 数据中心，服务器机房
      • 毫秒级电压跌落都可能导致交易中断，必须可追溯。
    • 医院
      • MRI, 手术室，医疗设备
      • 必须保证供电质量，否则可能造成医疗事故
      • 有助于事后追责
    • 大型商场
      • 租户能源分摊常有争议
      • 智慧空调节能
    • 永续发展
      • 计算碳排放并提供减碳建议
      • 推动绿色转型，高效追踪ESG目标
  • 合作伙伴
    • 系统集成商
    • 设备制造商等
    • 将解决方案叠加EDC的 L1数据能力，提升其竞争力
    • 其他
• 实时节能建议
  • 社区供电管理中，AI分析电压波形推断大设备启动或是线路问题
  • 工厂
    • AI发现异常耗电设备
      • 主动提出节能方案
• 预测轴承寿命