★ 海尔智家股份有限公司 王超，孙丹凤，崔秀元，陈文芳，姚彬，孙欢欢

1   背景

1.1   行业之困：冰箱制造的四重挑战

冰箱是中国家庭最不可或缺的家电之一。2025年中国冰箱年产量突破9600万台， 占全球总产量的一半以上。然而，在这组庞大的数字背后，冰箱制造业正面临着前所未有的四重挑战：

挑战一：工艺复杂性极高。 一台冰箱的生产要经历钣金、吸塑、注塑、发泡、总装、检测等数十道工序，其中发泡工艺尤为关键——聚氨酯发泡层的均匀性直接决定冰箱的保温性能和能耗等级。而发泡过程中，温度、湿度、压力、催化剂配比等50余个工艺参数相互耦合， 一个参数的微小偏差可能导致整批产品报废。长期以来，这些参数的调整高度依赖“老师傅”的经验，人的经验既不可复制，也无法持续优化。

挑战二： 柔性制造需求激增。    消费者从“买冰箱”变成了“定制冰箱”——法式对开、十字四门、美妆专区、母婴专区……SKU数量呈指数级增长。海尔冰箱互联工厂需要同时应对200多个型号的混流生产，换线频繁、调参耗时长，传统的人工排产和参数调试方式已力不从心。

挑战三： 设备运维成本居高不下。工厂85台注塑机、数百台机器人以及大量的输送、检测设备，任何一台设备的非计划停机都会造成连锁反应。传统“坏了再修”的被动运维模式，使得设备综合效率（OEE）难以突破瓶颈。

挑战四：质量管理从“事后拦截”到“过程预防”的转型迫在眉睫。 冰箱的密封性、外观质量、性能一致性要求日益提高，传统抽检式质量管理已无法满足“零缺陷”的行业新标准。

1.2   破题之选：以海尔冰箱互联工厂为例

海尔冰箱互联工厂，是海尔智家在全球布局的核心冰箱制造基地之一，承担着从高端法式对开门到经济型两门冰箱的全品类生产任务。2024年，这座工厂因其在AI技术深度应用方面的突破性实践，被ROI-EFESO授予工业4.0“AI创新领航奖”——这是工业4.0奖评选12年以来，全球首个且唯一获此殊荣的企业， 标志着中国制造业在AI变革中实现了从“跟跑”到“领跑”的历史性跨越。

这一荣誉的背后，是以海尔智家H-work平台为底座，以智擎AI开发平台为创新驱动，以MES制造一体化平台、机器视觉检测平台、注塑智能调优平台等工业软件矩阵为落地抓手的系统性创新实践。

2   案例实施与应用

2.1   整体架构：以“1+3+N”为骨架的工业软件体系

海尔冰箱互联工厂的工业软件应用，并非简单的“买系统、装软件”式部署，而是基于海尔智家供应链AI超级智能体的“1+3+N”战略架构，进行系统性的顶层设计和逐层落地：

“1”个核心——用户最佳体验：将用户需求作为供应链运转的起点与终点，实现“需求直达产线、产品贴合期许”。

“3”层协同——端层（数据采集）、边层（实时处理）、云层（全局优化）构建全链神经网络，实现端到端可视可控。

“N”个分布式智能体—覆盖发泡工艺优化、机器人自适应编程、注塑参数调优、设备维修诊断、质量智能检测等15个以上细分场景，各智能体自主决策、协同作业。

在这一架构下， H-work平台作为数据底座和调度中枢，智擎大模型工业作为知识引擎和决策大脑， MES、视觉检测平台、注塑智能调优平台等工业软件作为场景化落地载体，形成了一个“平台+大模型+智能体+工业软件”的四层协同体系。 “1+3+N”工业软件体系架构图如图1所示。

图1 “1+3+N”工业软件体系架构图，端-边-云三层协同与多智能体矩阵

2.2   四大核心场景的工业软件应用实践

（1）场景一：冰箱发泡工艺参数自优化—让“老师傅”的经验变成AI的能力

问题： 冰箱发泡是整条产线最核心、最复杂的工序之一。聚氨酯发泡过程中，56个工艺参数（包括发泡温度、催化剂流量、环戊烷配比、模具温度分布等）相互耦合，任一参数的微小偏差都可能导致气泡不均、密度波动，直接影响冰箱的保温性能和能效等级。此前，参数调整完全依赖资深工艺师的经验判断—一个经验丰富的工艺师需要5-8年的培养周期，且每个人的判断标准不尽相同，难以标准化和规模化。

解决方案： 海尔智家发泡技术团队研发了基于热成像技术与鲁棒性数据融合算法的聚氨酯发泡气泡大模型。这套系统的工作逻辑如下：

感知层： 在发泡模具关键位置部署高精度热成像传感器，实时采集发泡过程中的温度场变化数据，精确到0.1℃的温度梯度。

建模层：利用鲁棒性数据融合算法，将热成像数据、压力传感数据、环境温湿度数据等多源异构数据统一融合，建立发泡过程的数字孪生模型。在此基础上，训练聚氨酯发泡气泡大模型，学习数千批次成功与失败案例中参数组合与发泡质量的映射关系。

决策层：模型可根据当前环境条件和目标产品规格， 一次输出56个工艺参数组合的最优推荐值，替代传统的人工逐参数调试。

执行层：推荐参数一键下发至发泡设备，实现秒级参数切换。

效果： 发泡质量提升32%， 单批次调参时间从数小时缩短至分钟级，且完全摆脱了对“老师傅”经验的依赖。发泡工艺参数自优化系统如图2所示。

图2 发泡工艺参数自优化系统，56个参数的最优推荐

（2）场景二：机器人自适应编程—10秒生成轨迹代码，毫米级精度自适应

问题：冰箱总装线上，大量装配工序由工业机器人执行。然而，每次新产品上线或产线调整，都需要专业工程师为机器人重新编程—一个典型工位的编程调试周期约为2-3天， 严重制约了柔性制造的响应速度。更关键的是，装配过程中的微小偏差（如零件位置偏移0.5mm）可能导致装配失败，传统机器人无法自主应对。

解决方案： 海尔制造技术团队基于智擎工业大模型的多模态能力，开发了机器人自适应编程智能体：

语音指令生成代码： 工程师只需用自然语言描述装配任务（如“将铰链安装到冰箱门体右上角”），多模态大模型可在10秒内自动生成完整的机器人运行轨迹代码。

自适应偏差补偿： 通过视觉传感器实时捕捉零件的实际位姿，与理论模型进行比对，当检测到毫米级偏差时，自动调整机器人轨迹参数进行补偿，确保装配精度始终控制在0.5mm以内。

技能库持续积累： 每一次成功的编程方案都自动沉淀为技能库资产，同类任务的编程时间从首次的10秒缩短至3秒内的“一键复用”。

效果： 机器人调试周期缩短83%，装配精度从“经验可控”升级为“系统保障”，柔性换线效率大幅提升。机器人自适应编程如图3所示。

图3 机器人自适应编程，工程师语音指令与机器人实时执行交互

（3）场景三：注塑工艺参数动态调优——34项参数一键部署， OEE提升30%

问题：冰箱互联工厂拥有85台注塑机，负责生产冰箱内胆、抽屉、瓶座等塑料部件。每次产品换型，需要调整温度、压力、速度、保压时间等34项工艺参数，传统方式下， 一套完整的换型调参需要2-4小时，且参数选取依赖工程师经验，不同工程师调出的参数组合差异显著，直接影响产品一致性和设备综合效率。

解决方案： 制造数字化团队构建了注塑智能调优平台：

工况实时感知： 通过边缘计算网关， 实时采集85台注塑机的运行数据（温度、压力、模内压力曲线等），结合匹配的设备型号和模具信息，构建每台设备的“工况画像”。

智能推荐： 智擎工业大模型基于历史数据和工业机理模型，智能推荐34项工艺参数在不同工况组合下的最优方案——兼顾效率和质量的“帕累托最优”。

一键部署：推荐参数通过智能调优平台一键下发至对应注塑机，实现85台设备的批量参数调控，无需人工逐台操作。

效果：OEE（设备综合效率）提升30%，换型时间从2-4小时压缩至30分钟以内，产品一致性问题减少60%以上。注塑智能调优平台操作界面如图4所示

图4 注塑智能调优平台操作界面，34项参数智能推荐

（4）场景四：设备智能维修大模型——故障诊断从“翻手册”到“对话AI”

问题：工厂设备种类繁多、故障类型复杂，设备维修人员面对异常报警时，往往需要翻阅厚厚的技术手册、查找历史维修记录， 平均故障定位时间长达2-3小时。更棘手的是，大量维修经验存在资深维修工的“脑子里”， 一旦人员离职或退休， 宝贵的维修知识便随之流失。

解决方案： 智家设备技术团队基于智擎工业大模型，构建了设备智能维修大模型：

故障知识图谱构建：整合10万余条设备维修数据，构建覆盖全厂主要设备类型的故障知识图谱，建立“故障现象—原因—解决方案”的结构化映射。

人机交互式诊断：维修人员通过自然语言描述故障现象（如“3号注塑机模温异常升高，产品出现飞边”）， 大模型自动关联知识图谱，精准推送最可能的故障原因和维修方案，并按概率排序。

知识持续进化：每次维修完成后，维修人员确认方案有效性，系统自动将新的维修案例纳入知识库，实现“越用越准”的闭环学习。

效果：故障平均定位时间从2-3小时缩短至15分钟以内，维修效率提升75%，维修成本降低20%，且维修经验实现了从“人脑”到“机器脑”的永久沉淀。设备智能维修大模型人机交互式故障诊断如图5所示。

图5 设备智能维修大模型人机交互式故障诊断

3   应用创新性、重点与难点问题及解决思路分析

3.1   应用创新性

本案例的创新性，不在于单一技术的应用，而在于“三个首次”的系统性创新：

首次实现AI从“ 单 点 辅 助 ”到“ 全 链 操 作系统”的升维。此前，工业AI应用多为“头痛医头” ——某个工序的参数优化、某台设备的故障预警。海尔冰箱互联工厂的实践，首次将AI能力以“1+3+N”智能体矩阵的方式，覆盖从发泡、注塑、装配到维修的制造全流程，实现了各环节的协同联动与自主优化。这不是功能的叠加，而是逻辑的重构 —— 从“满足已知订单”到“响应未知体验需求”。

首次实现“工业大模型+工业智能体”的双层知识架构。智擎工业大模型提供通用的工业知识基座（80TB多模态数据、27万份知识库），各场景智能体在基座之上进行领域精调——既保证了大模型的知识广度，又确保了智能体的专业深度。这种“大模型做底座、小智能体做触角”的架构， 解决了工业AI“通用性vs专业性”的长期矛盾。

首次实现“灯塔验证+平台输出”的闭环创新模式。每一项工业软件创新，都先在海尔冰箱互联工厂等灯塔工厂中实战验证，验证通过后再通过H-work平台标准化、体系化沉淀， 实现规模化输出。这种创新模式，确保了产品的可靠性和适配性。

3.2   重点与难点问题及解决思路

（1）难点一：工业数据质量参差不齐 ——“脏数据喂不出好模型”

工业现场的数据采集面临噪声大、缺失多、标准不一等问题。以发泡工艺为例，早期采集的温度数据因传感器精度和部署位置差异，同一时刻不同点位的数据误差可达±2℃,严重影响模型训练效果。

解决思路：构建智家大数据平台，实现数据从“散、乱、孤”到“通、用、活”的标准化治理。针对发泡场景，统一传感器型号和部署标准，引入数据清洗和异常值剔除算法，建立数据质量评分体系——只有评分达到阈值的数据才纳入模型训练，从源头保证“数据燃料”的纯净度。

（2）难点二：AI模型在工业场景中的可靠性不足 ——“AI幻觉在工厂里不能容忍”

大模型的“幻觉”问题在家电控制场景中可能导致安全隐患。在工艺参数推荐场景中， 如果AI推荐了错误的参数组合，可能导致整批产品报废甚至设备损坏。

解决思路：采用“AI推荐+人工确认+边界约束”的三重保障机制。智擎大模型输出的参数推荐值，必须经过工艺规则引擎的边界校验（如温度不超过安全阈值），再由工艺师一键确认后下发。同时，通过多算法融合实现交叉校验——当一个模型的推荐值与另 一 个模型的推理结果出现显著偏离时，系统自动标记为“低置信度”并触发人工复核。

（3）难点三：跨系统数据贯通 ——“打通20+系统的数据壁垒”

一座智能工厂通常运行着ERP、MES、PLM、 WMS、SCADA等数十套系统，这些系统由不同厂商、在不同时期建设，数据格式和接口标准各异，形成大量信息孤岛。

解决思路：以MES制造一体化平台为“数据中枢”，通过标准化API和工业协议（OPC UA、 Modbus等）实现与20+系统的数据贯通。平台内置数据映射引擎，可将异构系统的数据统一映射为标准数据模型，实现从能源管理、生产执行到用户运维的全链条数据集成。

（4）难点四：边缘端算力有限与AI推理需求的矛盾

工业现场对实时性要求极高（如机器人自适应编程需要毫秒级响应），但边缘端算力远不如云端。

解决思路：采用大小模型协同架构和边云协同推理策略。智擎工业大模型通过算子融合（减少内存占用30%）和混合量化（节省50%显存）技术进行轻量化， 使关键推理能力可部署在边缘智控一体机上； 同时， 复杂推理任务上传云端， 实时性要求高的决策在边缘端完成， 形成“边缘秒级决策、云端分钟优化”的协同模式。

4   效益分析

海尔冰箱互联工厂通过智家工业软件体系的深度应用，实现了全方位、可量化的效益提升。

（1） 生产效率与质量效益（见表1）

表1 生产效率与质量对比

（2）成本节约效益

维修成本降低20%：设备智能维修大模型将故障定位时间从2-3小时压缩至15分钟。

注塑场景年节约千万级费用： 85台注塑机的工艺参数智能调优，显著降低能耗和材料损耗。

（3）运营韧性效益

200+型号混流生产：MES平台支持全模块物联混流柔性制造，订单响应仅需30秒。

维修经验永久沉淀：设备维修知识从“人脑”走向“机器脑”，不受人员流动影响。

（4）品牌与市场效益

爆款产品支撑：数字制造体系催生了麦浪冰箱（上市三个季度销量突破100万台）等爆款的极致交付。

全球品牌影响力：工业4.0“AI创新领航奖”全球唯一获奖，成为中国制造业AI变革的世界级“名片”。

5   案例意义

（1） 对行业：从“灯塔”到“灯塔网络”的范式输出

海尔冰箱互联工厂的实践，不是 一 座工厂的“独善其身”，而是整个家电行业乃至制造业的“灯塔”。通过H-work平台，海尔冰箱互联工厂验证的每一项工业软件能力都在快速复制——海尔智家已在全球构建了13座灯塔工厂组成的“灯塔工厂集群”，覆盖冰箱、洗衣机、空调、热水器、智慧楼宇、净水等全品类，形成全球规模最大、品类最广的智造标杆网络。这意味着：一个工厂的注塑调优经验，可以为另一个冰箱工厂所用；同样发泡参数自优化模型，可以快速适配到别的冰箱产线。

（2） 对技术： 验证“大模型+智能体”的工业AI新范式

海尔冰箱互联工厂是全球首个验证“工业大模型+场景智能体”双层知识架构在制造全流程成功应用的案例。这一范式解决了工业AI长期面临的“通用模型不够专业、专业系统不够灵活”的困境——智擎大模型提供知识广度，场景智能体保证专业深度，二者协同实现了“既博又专”的工业智能。

（3） 对未来：从“数字化转型”到“智能化重构”的新阶段

海尔冰箱互联工厂的实践，标志着中国制造业正在从“数字化”迈向“智能化重构”的新阶段。在这个新阶段，工业软件不再只是流程的数字化映射，而是具备了感知、决策、执行、优化能力的“制造伙伴”。智擎工业大模型的持续进化、工业智能体的自主协同、数字孪生的闭环运营——这些能力的叠加，正在推动制造业从“人指挥机器”走向“机器自主运行、人机协同进化”的全新范式。

正如海尔集团董事局主席周云杰所说，“不同的细分场景能够发展出不同垂域的专业机器人”。在冰箱制造的每一个工位上， AI智能体正在成为最可靠的“数字工匠”——它们不知疲倦、持续学习、精准执行，与人类工程师并肩协作，共同书写着中国智造的新篇章。

摘自《自动化博览》2026年6月刊