IAP 智能制造平台
异构低代码 · 10 大 AI 模型 · 45 个微服务 · 云边端一体化智能中枢
以深度学习框架为技术底座，将计划、生产、质量、设备、物流、仓储等核心业务融合为一个自主决策、持续进化的智能体，承载 E7 边缘计算模组的全局智能。
一、平台定位
工厂级智能中枢
IAP 是 E7 边缘计算模组上运行的核心平台，位于云端数据湖与生产现场 S20 集群之间，是连接全局智能与一线执行的关键枢纽。它把分散的业务系统能力解构、重组、融合，形成统一自主决策的智能体。
核心定位
- 异构低代码：以低代码方式编排 45 个微服务，快速响应业务变化。
- 工厂级实时推理：承载 10 大 AI 综合大模型，为全厂提供实时推理与决策能力。
- 微服务编排与模型下发：负责任务拆解、微服务链编排、模型训练与边缘下发。
- 分布式边缘云协同：与 S20 的 LAP 平台形成分布式边缘云系统，两端智能无缝衔接。
二、十大模型矩阵
IAP 以深度学习框架为技术底座，将计划、生产、质量、设备、物流、仓储等核心业务融合为十大 AI 综合大模型，覆盖从订单到交付的完整业务闭环。
| 模型 | 模块 | 能力 | 微服务 |
|---|
| M0 | 基础设施 | 服务发现、意图分流、联邦学习与协议网关 | 4 个微服务 |
| M1 | 数据治理 | 主数据治理、质量监控与接口集成 | 3 个微服务 |
| M2 | 订单计划 | 需求理解、订单拆分、产能评估、物料预测 | 4 个微服务 |
| M3 | 排程计划 | 排程引擎、紧急插单、派工路径与甘特图 | 5 个微服务 |
| M4 | 生产过程 | 工艺参数、电子工单、在线质量、异常调整与物料配送 | 8 个微服务 |
| M5 | 质量管理 | SPC 监控、根因分析、抽检决策、能力预测与风险预警 | 5 个微服务 |
| M6 | 设备管理 | 健康评分、RUL 预测、OEE 聚合与维护策略 | 4 个微服务 |
| M7 | 报表看板 | KPI 对标、What-if 模拟与决策推演 | 3 个微服务 |
| M8 | 物流系统 | AGV 调度、双层路径、JIT 配送与波次管理 | 4 个微服务 |
| M9 | 仓储管理 | 库位分配、库存预警、波次拣选、码垛优化与数字孪生 | 5 个微服务 |
矩阵小结：10 大综合大模型 → 45 个 Kubernetes 微服务，覆盖计划、生产、质量、设备、物流、仓储全业务链条。
三、45 个微服务全景
单一职责解构，全局与现场协同
每个综合大模型按单一职责原则解构为若干 Kubernetes 容器化微服务，共计 45 个。其中 33 个由 E7 IAP 承载（全局决策中枢），12 个下沉至 S20 现场执行。
M0 基础设施 · 4 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M0.1 | 服务发现 | E7 | 强化学习 |
| M0.2 | BERT 意图分流 | S20+E7 | BERT-Tiny |
| M0.3 | 联邦学习 Server | E7 | 联邦聚合 |
| M0.4 | Protobuf 网关 | E7+S20 | 规则 |
M1 数据治理 · 3 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M1.1 | 主数据湖 | E7 | SBERT |
| M1.2 | 质量监控 | E7 | iForest |
| M1.3 | 接口集成 | E7 | 规则 |
M2 订单计划 · 4 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M2.1 | 需求理解（Flan-T5） | E7 | Flan-T5 |
| M2.2 | 订单拆分 | E7 | 强化学习 |
| M2.3 | 产能评估 | E7 | XGBoost |
| M2.4 | 物料预测 | E7 | PatchTST |
M3 排程计划 · 5 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M3.1 | Rainbow 强化学习 排程引擎 | E7 | Rainbow 强化学习 |
| M3.2 | 紧急插单 | E7 | 规则 + 强化学习 |
| M3.3 | 设备优先级 | E7 | 规则 |
| M3.4 | 派工路径 | E7 | A* + 强化学习 |
| M3.5 | 甘特图 | E7 | 渲染 |
M4 生产过程 · 8 个微服务
生产过程六类服务闭环管控，6 项部署于 S20 现场，2 项部署于 E7 边缘端。
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M4.1 | 工艺参数生成（T5） | S20 | T5-Tiny（6MB） |
| M4.2 | 电子工单 | S20 | 规则 |
| M4.3 | 节拍预测（TFT） | E7 | TFT |
| M4.4 | 在线质量（SPC+LSTM-AE） | S20 | LSTM-AE（1.5MB） |
| M4.5 | 异常调整（强化学习 轻量） | S20 | 强化学习 轻量（0.8MB） |
| M4.6 | 报工追踪 | S20 | 规则 |
| M4.7 | 物料配送（JIT） | S20 | 规则 |
| M4.8 | 机代码 AI 转换 | E7 | LLM |
M5 质量管理 · 5 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M5.1 | SPC 监控（Hotelling T²） | S20 | 统计（0.5MB） |
| M5.2 | 根因分析（SHAP + Apriori） | E7 | SHAP |
| M5.3 | 强化学习 帕累托决策 | S20 | 强化学习 轻量（0.6MB） |
| M5.4 | 过程能力预测（PatchTST） | E7 | PatchTST |
| M5.5 | 多源风险预警 | E7+S20 | 融合 |
M6 设备管理 · 4 个微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M6.1 | 设备健康评分（Attention） | S20 | Attention（3MB） |
| M6.2 | RUL 预测（TFT + Weibull） | E7 | TFT |
| M6.3 | OEE 分布式聚合 | E7+S20 | 聚合 |
| M6.4 | 维护策略 强化学习 | E7 | 强化学习 |
M7 / M8 / M9 看板与物流仓储微服务
| ID | 微服务 | 部署 | 算法 / 模型 |
|---|
| M7.1 | KPI 四维对标 | E7 | 统计 |
| M7.2 | What-if 模拟（SimPy） | E7 | 仿真 |
| M7.3 | 决策推演（Contextual Bandit） | E7 | Bandit |
| M8.1 | 多 AGV 调度 强化学习 | E7 | 强化学习 |
| M8.2 | 星链双层路径（A*+强化学习） | S20+E7 | 轻量 A*（0.8MB） |
| M8.3 | JIT 配送 | S20 | 规则 |
| M8.4 | 波次管理（DBSCAN） | E7 | DBSCAN |
| M9.1 | 库位分配 强化学习 | E7 | 强化学习 |
| M9.2 | 库存预警（iForest+Prophet） | E7 | iForest |
| M9.3 | 波次拣选 TSP | E7 | TSP 求解 |
| M9.4 | 码垛优化（3D 装箱轻量） | S20 | 启发式（2MB） |
| M9.5 | 数字孪生 | E7 | 3D 渲染 |
部署分布小结
45 = 33（E7 全局决策）+ 12（S20 现场执行）。
- S20 现场执行：部署 12 个微服务，以轻量标准化模型格式模型（0.5-6 MB）为主，承担现场实时执行与快速反馈。
- E7 全局承载：算力密集、需全局协同或大模型推理的微服务由 E7 IAP 平台承载。
- 旁路法则衔接：通过旁路法则实现两端智能的无缝衔接。
四、核心机制 · 旁路法则
现场算力不够，中枢无缝接管
当 S20 边缘节点遭遇过载、延迟恶化、精度不足、模型不可用或网络质量下降时，自动将推理请求旁路至 E7 IAP 对应微服务处理，结果同步返回现场并写入 S20 历史库。
五维旁路触发矩阵
| 维度 | 触发阈值 | 动作 |
|---|
| CPU 使用率 | >85% 持续 5s | 新请求旁路，存量请求完成 |
| 内存使用率 | >90% | 立即旁路所有非关键推理 |
| 推理队列深度 | >20 | 超出部分旁路至 E7 |
| 单次推理超时 | >目标延迟 2x | 该模型标记降级，后续旁路 |
| 模型置信度 | <0.7 | 级联旁路至 E7 精确模型 |
| 网络 RTT（到 E7） | >500ms | 关闭旁路，本地降级推理 |
三类旁路模式
- LOCAL 本地推理：正常状态下 S20 以本地标准化模型格式 Runtime 直接推理，毫秒级响应，不依赖网络。现场数据 → S20 本地推理 → 结果直接返回设备。
- BYPASS 直接旁路：S20 过载或需更高精度时，推理请求直发 E7 IAP 对应微服务，结果回写现场与 S20 历史库。
- CASCADE 级联推理：先由 S20 本地快速推理，若置信度低于阈值 0.7，自动级联旁路至 E7 精确模型复核。
五、学习范式三层融合
45 个微服务由三类学习范式融合而成，构成 IAP 的混合智能底座。
- 01 自注意力机制网络：技术基础为工业预训练模型库与工具链；核心机制为自注意力机制理解工艺文本与需求；模型角色为 BERT/Flan-T5/T5 承担意图分流与生成；协同定位为作为强化学习的 Q 网络骨干。
- 02 强化学习：技术基础为决策模型训练框架 + 深度学习框架；核心机制为 Q 值函数近似学习长期回报；模型角色为 Rainbow 强化学习驱动排程引擎；应用场景为排程优化、路径规划、设备均衡。
- 03 联邦学习：技术基础为分布式隐私计算协同框架；核心机制为数据不出厂，隐私安全合规；协同机制为边缘训练 → 云端聚合；架构价值为多设备协作降低中心压力。
六、云边端协同定位
三层架构中的「边」层智能中枢
IAP 运行于 E7 边缘计算模组，位于云·边·端三层架构的「边」层，向上承接数据湖治理后的数据，向下编排 S20 现场微服务，是连接全局智能与一线执行的关键枢纽。
| 层级 | 角色 | 核心能力 |
|---|
| 云 · 数据湖 | 数据基座 | 数仓一体化、数据治理与洞察、格式统一 |
| 边 · E7 IAP | 智能中枢（本平台） | 10 大模型 / 45 微服务、280 TOPS 异构算力、旁路法则接管 |
| 端 · S20 集群 | 边缘触手 | LAP 轻量化平台、12 个现场微服务、断点续传 |
数据流与智能协同
数据沿「云 → 边 → 端」层层治理下发：数据湖 → 数据治理 → E7 · IAP → 边缘容器编排引擎边缘分发 → S20 集群。
推理结果沿「端 → 边 → 云」实时汇聚：S20 现场执行 → 过载或精度不足时旁路回传 E7 接管推理 → 结果回写与汇聚至数据湖。
七、价值闭环
从需求到交付，全流程智能
IAP 平台驱动下单、排程、执行、质检、入库的全链路闭环管理，让制造从经验走向科学。
八步智能闭环
① 提交生产需求 → ② AI 排程 + 物料计划 → ③ 电子工单下发 → ④ PAD / 工控机呈现 → ⑤ 工序执行 + 在线质检 → ⑥ 物料分钟级配送 → ⑦ 报工入库 → ⑧ 数据同步数据湖。
四大核心价值指标
- 100% 无纸化：全流程无需人工输单与手动传单。
- <1秒 实时性：数据秒级回传，异常即时预警。
- 100% 可追溯：过程数据透明、真实、实时。
- 秒级 异常响应：异常 3 秒自适应重排。
- 10 大综合模型 ｜ 45 个微服务
IAP 智能制造平台
10 大 AI 模型 · 45 个微服务 · 异构低代码智能中枢
与 E7 边缘计算模组协同，构建「云·边·端」一体化的分布式边缘云系统
