by 运行时依赖
安装命令
点击复制技能文档
FDE 工业人工智能部署技能开放源代码：https://github.com/jaccen/FDE-Industrial-Skill 概述 为FDE部署人工智能和大数据到工业生产线提供全方位支持——从场景诊断到规模化部署。 核心工作流程 场景诊断 -> 数据管理 -> 解决方案设计 -> 证明概念（POC）-> 扩大规模 -> 反馈循环 步骤 1：场景诊断 参考 references/fde-role-model.md 以了解 FDE 能力框架。 应用“痛点-数据-影响”三元诊断法：痛点（业务痛点）、数据（充分性）、影响（可量化的 ROI）。 将其分类为 5 个核心类别 —— references/industrial-ai-scenarios.md。 步骤 2：数据管理与集成 映射数据源：OT（SCADA/PLC/传感器）、IT（MES/ERP/PLM）、ET（工程文档）。 类似 Palantir 的本体论：对象、链接、操作。 数据质量缺口：缺失值、时间戳不对齐、标签稀缺。 管道：边缘采集 -> ETL -> 特征存储。 关键：从业务决策开始，而不是数据表。 步骤 3：解决方案设计 视觉检查：CNN/ViT + 边缘 GPU 箱 预测性维护：LSTM/Transformer + 物理信息特征；7-14 天窗口 过程优化：RL/Bayesian + 数字孪生；单一过程优先 能源效率：回归 + 控制优化；基线优先 供应链：图模型 + 需求预测 + ERP 集成 步骤 4：POC 部署（零周） 第 1-3 天：数据审计 + 访谈；第 4-7 天：基线模型 + 快速获胜；第 2-4 周：训练 + 集成；第 4-6 周：A/B 测试 + 操作员培训。 关键：在 2 周内交付可衡量的快速获胜。 步骤 5：扩大规模与反馈 测量 ROI，泛化单一 -> 多 -> 工厂范围，FDE+FDR 反馈循环。 ROI 框架 指标 典型范围 缺陷检测改进 80-95% 减少 计划外停机时间减少 30-60% 减少 产量改进 2-8% 增加 能源节省 5-15% 减少 ROI 回收期 6-18 个月 参考指南 需要参考 FDE 角色和技能 fde-role-model.md 场景和算法 industrial-ai-scenarios.md 部署方法论 landing-methodology.md 案例研究 case-studies.md