1、 ICS 35.020CCS L 67 21辽宁省地方标准DB21/T 43802026 工业人工智能 参考架构 Industrial artificial intelligenceReference architecture 2026-01-07 发布2026-02-07 实施辽宁省市场监督管理局发 布DB21/T 43802026 I 目次前言.III 1 范围.1 2 规范性引用文件.1 3 术语和定义.1 4 缩略语.2 5 工业人工智能参考架构.3 工业人工智能参考架构的设计依据.3 5.1 工业人工智能参考架构.4 5.2 5.2.1 系统层级维度（物理端）.4 5.2.2 生命周
2、期维度（应用端）.4 5.2.3 智能特征维度（技术端）.5 5.2.4 安全保障维度（保障端）.5 6 系统层级智能化要求.5 设备智能化.5 6.1 产线智能化.5 6.2 车间智能化.5 6.3 工厂智能化.6 6.4 企业/集团运营智能化.6 6.5 7 生命周期智能化要求.6 设计智能化.6 7.1 生产制造智能化.7 7.2 物流智能化.8 7.3 销售智能化.9 7.4 服务智能化.10 7.5 8 智能特征要求.10 数据要素.10 8.1 智能模型.11 8.2 智能算法.11 8.3 智能应用.12 8.4 9 安全要求.12 概述.12 9.1 数据收集与管理安全.13
3、9.2 安全通信和数据传输.13 9.3 访问控制与授权.13 9.4 算法与模型安全.14 9.5 DB21/T 43802026 II 平台基础设施与部署安全.14 9.6 应用与运维安全.14 9.7 安全管理与合规性要求.14 9.8 法规遵从性和治理.14 9.9 DB21/T 43802026 III 前言本文件按照GB/T 1.12020标准化工作导则 第1部分：标准化文件的结构和起草规则的规定起草。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由辽宁省工业和信息化厅提出并归口。本文件起草单位：沈阳工业大学、东北大学、沈阳建筑大学、沈阳化工大学、
4、天津开发区精诺瀚海数据科技有限公司、机械工业仪器仪表综合技术经济研究所、重庆邮电大学、重庆工业互联网研究院、中国科学院沈阳自动化研究所、沈阳航空航天大学、上海自动化仪表有限公司、沈阳鸿宇科技有限公司、北方实验室（沈阳）股份有限公司、北京东土科技股份有限公司、北京神经元网络科技有限公司、西门子工业软件（北京）有限公司、菲尼克斯（中国）。本文件主要起草人：张晓玲、孙秋野、李佳音、张宇献、孙凤、王雷、刘慧芳、彭曦霆、张笑宇、陈东昌、刘晶、邱铁、杨晓春、姚羽、郑萌、石怀涛、王军、邵中、刘振宇、郑文学、季海鹏、臧传治、唐非、张俊、李一刚、许茗、翟美娜、石群、胡杰、丁露、卢铁林、黄庆卿、李志海、丁国辉、赵
5、勇、高国平、白杨、程远、黄易、薛百华、岳磊、潘学龙、刘婵、张梓盟、崔蓝予、罗明月、石卿志、张天阳、邵烨鑫、徐诺、李丹、张萱芮、郭晓婧、李冬。本文件发布实施后，任何单位和个人如有问题和意见建议，均可以通过来电和来函等方式进行反馈，有关单位将及时答复并认真处理，根据实际情况依法进行评估及复审。本文件归口单位通讯地址：辽宁省沈阳市皇姑区北陵大街45-2号，联系电话：024-86893258。本文件起草单位通讯地址：辽宁省沈阳市经济技术开发区沈辽西路111号，联系电话：024-23890075。DB21/T 43802026 1 工业人工智能 参考架构1 范围本文件规定了工业人工智能参考架构，并规定了
6、生命周期维度智能化、系统层级智能化、智能特征以及安全等要求。本文件适用于机构开展工业人工智能的研究、规划、设计、实施、评估和维护等。2 规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T 34040-2017 工业通信网络 功能安全现场总线行规 通用规则和行规定义 GB/T 32919-2016 信息安全技术 工业控制系统安全控制应用指南 GB/T 36323-2018 信息安全技术 工业控制系统安全管理基本要求 GB/T 40647-20
7、21 智能制造 系统架构 GB/T 43554-2023 智能制造服务 通用要求 GB/T 45674-2025 网络安全技术 生成式人工智能数据标注安全规范 GB/T 45654-2025 网络安全技术 生成式人工智能服务安全基本要求 GB/T 45652-2025 网络安全技术 生成式人工智能预训练和优化训练数据安全规范 GB/T 45958-2025 网络安全技术 人工智能计算平台安全框架 YD/T 4392.2-2025 人工智能开发平台通用能力要求 第2部分：安全要求 DB21/T 4189-2025 生成式人工智能安全要求 3 术语和定义下列术语和定义适用于本文件。3.1 工业人工
8、智能industrial artificial intelligence融合人工智能、工业互联网、大数据、云计算和信息物理系统等技术，面向工业生产全流程，实现生产运行柔性化、质量优化、效率提升与节能降耗的技术体系及应用模式。3.2 生命周期lifecycle从产品原型研发开始到产品回收再制造的所有阶段，包括设计、生产制造、物流、销售、服务。来源：GB/T 40647-2021 2.2 生命周期 3.3 系统层级system hierarchy与企业生产相关的组织结构的层级划分。来源：GB/T 40647-2021 2.3 系统层级 DB21/T 43802026 2 3.4 智能特征 inte
9、lligent characteristics 制造活动具有的自感知、自决策、自执行、自学习、自适应之类功能的表征。来源：GB/T 40647-2021 2.4 智能特征 3.5 设计design 根据企业的所有约束条件以及所选择的技术对需求进行实现和优化的过程。3.6 生产制造manufacturing 通过将物料进行加工、运送、装配、检验等活动创造产品的过程。3.7 物流logistics 物品从供应地向接收地的实体流动过程。3.8 销售sales产品或商品等从企业转移到客户手中的经营活动。3.9 服务service 产品提供者与客户接触过程中所产生的一系列活动的过程及其结果。4 缩略语下
10、列缩略语适用于本文件。AGV：智能搬运机器人（Automated Guided Vehicle）AI：人工智能（Artificial Intelligence）AIGC：生成式人工智能（Generative Artificial Intelligence）AMR：自主移动机器人（Automated Mobile Robot）AR：增强现实（Augmented Reality）CPU：中央处理器（Central Processing Unit）CRM：客户关系管理（Customer Relationship Management）ERP：企业资源规划（Enterprise Resource Pl
11、anning）FPGA：现场可编程逻辑门阵列（Field Programmable Gate Array）GPU：图形处理器（Graphics Processing Unit）IoT：物联网（Internet of Things）MBSE：基于模型的系统工程（Model-Based Systems Engineering）MES：制造执行系统（Manufacturing Execution System）NLP：自然语言处理（Natural Language Processing）NPU：神经网络处理器（Neural Processing Unit）PDM：产品数据管理（Product Dat
12、a Management）PLM：产品生命周期管理（Product Lifecycle Management）RFID：无线射频识别（Radio Frequency IDentification）DB21/T 43802026 3 TMS：运输管理系统（Transportation Management System）WMS：仓储管理系统（Warehouse Management System）F1-score：平衡F分数（Balanced F Score）5 工业人工智能参考架构工业人工智能参考架构的设计依据5.1 工业人工智能参考架构的设计依据来源于工业企业对于人工智能等新技术的需求，主要
13、包括：a）全局优化需求：工业企业要求工业人工智能系统能够打破传统部门壁垒，实现从市场需求分析、产品研发设计、柔性生产制造、智能物流配送到售后增值服务的全价值链贯通与协同优化；其核心是以数据为驱动，通过嵌入各环节的智能模型，对生产效率、产品质量、运营成本、能源消耗及资源利用率等关键绩效指标进行实时感知、综合分析与动态寻优。目标在于构建一个能够自适应市场变化、快速响应订单波动、并持续追求卓越运营的智能化整体，从而系统性地提升企业的综合竞争力与盈利水平，而不仅仅是实现单点或局部环节的效率提升。b）流程协同需求：工业企业迫切需要消除设计、工艺规划、生产执行、质量控制和运维服务之间的数据孤岛与流程断点，
14、需构建统一的数字线程，确保产品模型、工艺参数、生产数据和服务信息能够在全生命周期中无损流动与共享，重点在于实现设计-制造-服务的一体化与闭环反馈。例如，将生产现场的质量数据自动反馈至设计端用于改进公差设计，或将设备运行数据反馈至工艺端用于优化参数，这要求系统具备跨领域模型的互操作与协同计算能力，形成从虚拟验证到物理执行、再到数据反馈的持续改进环。c）分层智能需求：工业智能化转型必须遵循工业固有的层级化组织与物理结构（设备、产线、车间、工厂、企业/集团）。工业人工智能的能力部署需与之匹配，实现边缘感知、局部优化、全局协同的分层智能架构。在设备层实现自适应控制与预测性维护；在产线层实现动态调度与实
15、时优化；在车间层实现生产资源的整合与联动；在工厂层实现跨车间的产能平衡与能碳管理；在企业层实现供应链协同与战略决策支持。架构需具备模块化、可配置与弹性扩展的特性，允许企业根据自身基础和发展阶段，从任一层级切入，逐步构建和升级其智能化能力。d）技术基座需求：基于人工智能技术等实现工业的业务需求，依赖于可靠且自主可控的核心技术基座。首先要求构建涵盖采、存、管、用的工业数据治理体系，确保用于训练与推理的数据具备足够的质量（准确性、一致性）、规模与场景覆盖度；其次，需要提供覆盖数据预处理、特征工程、模型训练、验证部署、监控运维的全栈式算法工具链与低代码开发环境，以降低AI 应用开发门槛；最后，必须建立
16、规范的模型全生命周期管理体系，支持模型的版本化、迭代更新、性能评估与在线监控，确保智能模型在生产环境中的可靠性、可解释性与持续进化能力。e）安全合规需求：随着人工智能深度融入工业核心控制系统，安全、可信、合规从附加选项变为先决条件和底线要求。工业企业要求构建覆盖工业人工智能系统全层级、全生命周期的纵深防御安全体系，包括：保障工业数据在采集、传输、存储、处理及销毁各环节的机密性、完整性与可用性；确保 AI 模型本身的安全，能够抵御对抗样本攻击、数据投毒等新型威胁，并在涉及安全、质量的关键决策中具备可解释性与可审计性；确保智能计算平台、网络通信及部署环境的基础设施安全。此外，所有实施过程必须严格遵
17、循国家在网络安全、数据安全、功能安全以及人工智能治理方面的法律法规与强制性标准，建立完善的合规管理体系。DB21/T 43802026 4 工业人工智能参考架构5.2 工业人工智能参考架构是指导工业人工智能系统研究、规划、设计、实施、评估和维护的基础框架。该架构依据工业系统层级、生命周期、智能特征及安全隐私四个维度进行构建，通过物理世界与数字世界的全面互联与深度融合，实现工业全流程的自感知、自学习、自决策、自执行和自优化。参考架构以数据为核心驱动要素，以算法与模型为技术支撑，通过安全体系的保障，实现物理实体与智能应用的闭环迭代。工业人工智能参考架构如图1所示。图 1 工业人工智能参考架构 工业
18、人工智能参考架构由系统层级、生命周期、智能特征及安全保障四个维度构成，各维度定义及相互关系见5.2.1-5.2.4节。5.2.1 系统层级维度（物理端）系统层级维度见本文件第6章，代表工业企业的实体组织结构与物理执行单元，具体包括：a）设备层：包括传感器、执行器、工业机器人及边缘计算节点，是数据的感知源头与控制指令的执行终端；b）产线层：由多台设备构成的生产单元，侧重于工序间的协同流转与自动化控制；c）车间层：执行生产计划的物理空间，侧重于 MES 与底层设备的互联互通；d）工厂层：包含多个车间及辅助设施，侧重于全厂级的能源管理、物流调度与生产运营；e）企业/集团层：侧重于跨工厂的供应链协同、
19、商业决策及资源优化配置。5.2.2 生命周期维度（应用端）生命周期维度见本文件第7章，代表工业价值链的业务流程与智能应用场景，具体包括：a）设计智能化：利用 AIGC 与仿真技术，辅助产品概念设计、工艺规划与性能验证；b）生产制造智能化：涵盖动态排产、工艺参数自适应优化、质量在线检测及设备预测性维护；c）物流智能化：包括仓储库存优化、AGV/AMR 路径规划及供应链上下游的协同调度；d）销售智能化：利用大数据分析进行客户需求挖掘、精准营销、销量预测及产品配置推荐；DB21/T 43802026 5 e）服务智能化：基于设备运行数据实现故障预测与健康管理，以及远程运维与备件优化。5.2.3 智能
20、特征维度（技术端）智能特征维度对应本文件第8章，是架构的核心技术引擎，具体包括：a）基础支撑层：提供异构算力（CPU/GPU/NPU）与工业网络环境；负责多源异构数据的采集、清洗、标注与融合治理，提供高质量数据要素；b）核心引擎层：集成机器学习、深度学习等算法库，提供模型构建、训练、推理与全生命周期管理能力；构建数字孪生体，实现物理系统的虚实映射、仿真推演与可视化监控。5.2.4 安全保障维度（保障端）安全要求见本文件第9章，贯穿于参考架构的全层级与全流程，具体包括：a）数据与模型安全：保障数据在采集、传输、存储过程中的机密性与完整性，防御针对 AI 模型的对抗样本攻击与投毒攻击；b）基础设施
21、与管理安全：确保计算平台与网络设施的鲁棒性，建立完善的身份认证、访问控制及安全审计机制，确保系统符合相关法律法规与伦理要求。6 系统层级智能化要求设备智能化6.1 设备作为工业人工智能的物理执行基础，其智能化应实现从单一功能执行向具备状态全面感知、作业自主优化与协同能力的综合能力升级。设备层需通过集成高精度传感元件与嵌入式智能分析单元，对生产运行参数、工艺质量指标、设备自身健康状态、物料标识与追踪信息以及能耗排放数据实现实时、精准的感知与采集。在此基础上，应通过部署嵌入式算法模型与先进控制系统，使设备具备依据实时工况进行工艺参数自适应调整、质量异常自主补偿、以及基于预测性维护模型的预警与维护任
22、务触发能力。同时，应推广应用工业机器人、智能物流装备等自动化执行单元，提升生产工序的自动化与柔性化水平，为实现少人化、无人化作业提供基础。产线智能化6.2 产线智能化应在实现生产全要素联网与数据集成的基础上，构建具备实时分析、动态优化与协同控制能力的智能生产系统。产线层需通过工业网络及物联网技术，实现对人、机、料、法、环、测等生产要素数据的统一采集与互联互通。其核心是依托边缘计算架构，在靠近数据源的网络边缘侧部署轻量化分析模型与实时处理引擎，实现生产过程的实时监控、工艺参数的在线优化、产品质量的在线检测与诊断、以及跨设备间的能效协同优化。边缘智能节点与云端平台应协同工作，形成边缘实时决策、云端
23、模型训练与迭代的一体化智能体系，以保障生产控制的实时性、可靠性，并提升产线整体的自适应与协同优化能力。车间智能化6.3 车间智能化应构建为工厂层级的智能赋能与运营管理中心，其核心是建设统一的数据、模型与应用开发服务平台。该平台应具备集中的数据中心功能，实现多源异构数据的汇聚、治理与融合；建立模型与知识中心，对工艺模型、优化算法、专家知识等进行封装、管理与服务化发布；并提供高效的开发中心环境，支撑工业数据挖掘、特征工程、机器学习模型训练、仿真验证与一体化部署。平台需通过微服DB21/T 43802026 6 务架构提供各类通用算法组件与业务服务模块，支持低代码开发与敏捷部署模式，旨在降低工业智能
24、应用构建门槛，实现数据知识化、知识模型化、模型服务化的转化闭环，为车间级的精准管控、科学决策与持续优化提供核心能力支撑。工厂智能化6.4 工厂智能化应聚焦于利用数据与模型驱动实现生产运营全流程的全局优化与协同决策。其实现依赖于构建基于工厂数字孪体的各类高级智能应用，这些应用集成数据模型、物理机理模型与智能分析模型，覆盖生产调度、供应链协同、能碳管理、质量追溯等核心业务领域。工厂智能化系统应在虚拟空间中对生产计划、资源分配、物流路径等进行模拟仿真与多目标优化决策，并将优化指令精准下发至物理生产系统执行，从而形成感知、分析、决策、执行的全局闭环。其高级目标是实现系统级的自主寻优与动态调整能力，以应
25、对内外部变化，全面提升工厂在效率、成本、柔性与绿色可持续方面的综合绩效。企业/集团运营智能化6.5 企业/集团运营智能化应通过人工智能技术贯通产品研发、采购、制造、销售、服务及财务等全价值链业务环节，实现从运营管控向智能决策的转型升级；需构建企业级智能运营平台，利用机器学习、数据挖掘等技术实现市场需求预测、供应链风险识别与弹性优化、以客户为中心的智能产品设计反馈以及基于大数据的财务全景分析与风险预警；应建立智能化的远程运维与产品服务平台，对产品运行数据与用户使用数据进行深度分析，不仅实现预测性维护与服务，更应形成从产品运行数据到设计改进、工艺优化、商业模式创新的价值反馈闭环，最终支撑企业实现战
26、略资源的优化配置、市场机遇的快速响应与核心竞争力的持续增强。7 生命周期智能化要求设计智能化7.1 7.1.1 设计一般包括：a）产品需求分析；b）产品企划；c）外观与产品设计；d）工艺设计；e）系统测试规划；f）试验验证；g）最终设计；h）最终试验；i）设计定型。注 1：上述过程对新产品设计、生产系统设计均适用。宜使用产品数据管理、产品生命周期管理、模拟仿真实现设计过程。在设计过程中可接受如生产、服务等阶段对设计的反馈，并在设计过程中及时调整改进。注 2：在流程制造行业中，设计是指根据企业的所有约束条件以及所选择的技术对需求进行构造、仿真、验证、优化等研发活动过程。可包括需求分析、概念定义、
27、规划设计、质检规划、试验验证、辅助制造、设计与制造集成等业务活动，并同相应数字化工具、信息系统相结合的完整过程，流程行业中设计阶段测试验证主要采用模拟仿真方法。7.1.2 设计智能化应以满足客户需求与产品全生命周期价值优化为目标，深度应用 AI、数字孪生、大数据、三维建模等新一代信息技术，通过结构化数字模型的规范化描述、传递与复用，实现基于三维模DB21/T 43802026 7 型的产品设计、试验验证、工艺全要素仿真分析及迭代优化。确保产品功能与工艺方案的可行性、可靠性，提升产品质量，缩短产品研制与制造周期，降低制造成本。设计智能化应包括：a）市场与需求智能洞察：利用 NLP 与情感分析技术
28、从海量用户反馈、售后数据、竞品信息及专利文献中，自动挖掘潜在需求、痛点与趋势，辅助定义产品特性与规格；b）概念与方案智能生成：应用 AIGC 和知识图谱，基于历史设计库、工程约束与性能目标，自动生成或推荐多种外观造型、初步结构布局或材料选型方案，激发创新灵感；c）基于数字孪生的多学科仿真优化：在三维参数化模型基础上，构建高保真数字孪生原型；集成多物理场（结构、流体、电磁等）仿真与 AI 代理模型，对性能、可靠性、可制造性、成本进行快速迭代分析与自动优化，大幅减少物理样机；d）工艺与制造可行性智能预验证：在产品设计阶段，同步进行虚拟工艺设计与装配仿真。利用机器学习模型预测潜在制造缺陷（如冲压开
29、裂、焊接变形），并自动推荐设计改进方案，实现设计与制造的深度融合；e）虚拟试验与验证：运用强化学习等技术，在虚拟环境中模拟产品在全生命周期可能遇到的各种极端工况和用户使用场景，进行全面的耐久性、安全性与合规性验证；f）跨领域数据协同与模型传递：建立基于统一模型（如 MBSE）的单一数据源，确保设计模型能无损、结构化地传递至工艺、制造、服务环节，实现设计-工艺-制造-服务的数据贯通；g）基于反馈的闭环设计优化：通过 PLM/PDM 系统，自动采集生产（如质量数据）、服务（如故障模式）阶段的反馈数据；利用数据分析模型，识别设计改进机会，并驱动产品型号的快速迭代或下一代产品的创新设计；h）企业设计知
30、识库的构建与复用：利用知识图谱与机器学习，将设计规则、仿真结果、故障案例、专家经验结构化，形成可查询、可推理、可复用的企业知识资产。示例：以流程行业工艺设计为例，其智能化体现为：首先通过数据分析（智能感知）确定新产品的性能需求；随后利用流程模拟软件与AI优化算法（智能仿真），自动生成并优化工艺流程方案；在方案确定后，三维工厂设计模型与操作培训仿真系统（智能协同）可提前验证可操作性与安全性；投产后，实时运行数据将反馈至设计模型，用于下一轮工艺的持续优化（闭环进化），从而实现从实验室研发到工业化生产的全链条智能。生产制造智能化7.2 7.2.1 生产制造一般包括：a）生产计划排产；b）加工；c）装
31、配；d）运送；e）检验。注：通过计划排产、质量管理、能源管理等生产管理方法，联合自主控制系统实现生产过程。可利用智能制造装备、实时数据采集、大数据分析等技术手段实现对生产现场的透明管控，质量问题的优化分析，生产过程的智能调度等；利用检测技术、全流程控制技术等实现生产过程的优化运行。7.2.2 生产制造智能化应以智能设计输出为基础，以数据为核心驱动，通过深度集成 AI、IoT、数字孪生等新一代信息技术，构建一个“状态感知-实时分析-自主决策-精准执行-持续优化”的闭环制造系统，实现从经验驱动、局部优化、被动响应模式向 数据驱动、全局协同、主动适应模式转变，最终实DB21/T 43802026 8
32、 现生产全流程的自主优化与价值最大化。生产制造智能化应包括：a）数字孪生工厂方面，在工厂设计、设备三维模型基础上集成生产、设备、能耗、环境等实时运行参数，实现物理制造与数字模型间的信息实时互联和精准映射；b）计划与调度方面，基于先进排程调度算法模型，自动给出满足多种约束条件的优化排产方案，形成优化的详细生产作业计划，同时实施监控各生产要素，实现对异常情况的自动决策和优化调度；c）生产管理方面，根据生产作业计划，自动将生产程序、运行参数或生产指令下发到数字化设备，构建模型实现生产作业数据的在线分析、优化生产工艺参数、设备参数、生产资源配置等；d）质量管理方面，基于在线监测的质量数据，建立质量数据
33、算法模型预测生产过程异常、实时预警，实时采集产品原料、生产过程数据，实现对产品质量的精准追溯，并通过数据分析和知识库的运用，进行产品的缺陷分析，提出改善方案；e）设备管理方面，基于设备运行模型和设备故障知识库，自动给出预测性维护解决方案，基于设备综合效率的分析，自动驱动工艺优化和生产作业计划优化；f）厂内物流方面，通过数字化储运设备与信息系统集成，依据实际生产状态实时拉动物料配送，建立仓储模型和配送模型，实现库存和路径的优化，根据储罐状态实时数据进行趋势预测，结合知识库自动给出纠正和预防措施；g）安环管理方面，基于安全作业、风险管控等数据的分析，实现危险源的动态识别、评审和治理，实现环保监测数
34、据和生产作业数据的集成应用，建立数据分析模型，开展排放分析及预测预警；h）能源管理方面，建立节能模型，实现能流的精细化和可视化管理，根据能效评估结果及时对高能耗设备进行技术改造和更新。示例：以数字孪生工厂和计划与调度为例，其智能化体现为：首先基于数字孪生（感知与仿真）对多个排产方案进行模拟推演；随后智能调度算法（决策优化）自动选择最优方案并下发；在生产中，实时数据驱动工艺参数自优化（价值闭环），并将效能数据反馈至数字孪生模型，用于下次排产的约束学习。物流智能化7.3 7.3.1 物流一般包括：a）运输；b）储存；c）装卸搬运；d）包装；e）配送。7.3.2 物流智能化应将 AI、IoT、大数据
35、等信息技术深度融入采购物流、生产物流、销售物流全链条，覆盖采购、运输、仓储、配送、交付等核心环节，实现供应链各参与方的信息协同共享。通过集成传感器、RFID、自动化物流设备（AGV/AMR、智能分拣设备等），构建自动化、智能化、可视化物流体系；订单处理、出入库作业、运输调度、在途监控、交付确认等全流程应具备数字化管理、精准追溯及动态优化能力，提升物流作业效率、降低物流成本、保障供应链稳定性与可追溯性。物流智能化应包括：a）数据贯通与系统集成：必须打通 ERP、WMS、TMS 及各类自动化设备系统，实现数据在采购、生产、销售全链条的无缝流动与统一治理；DB21/T 43802026 9 b）算法
36、敏捷与可解释性：优化与预测模型应具备快速配置与迭代的能力，以适应多变的业务场景；关键决策（如异常处置）应具备可解释性，以支持人机协同决策；c）边缘智能与云边协同：在仓库、车间等边缘节点部署轻量级 AI 模型，实现实时响应（如 AGV避障、视觉质检）；复杂模型训练与全局优化在云端进行；d）韧性与安全：系统架构应具备高可用性与弹性，能够应对局部故障或网络中断；全过程应满足网络安全等级保护及数据安全法要求，保障商业数据与运营安全；e）流程重构与组织适配：企业应打破部门墙，围绕智能物流流程重构组织职责与绩效体系（如设立供应链协同中心），确保技术与流程匹配；f）人机协作与技能升级：培养员工成为物流系统的
37、监控者、协调者和异常处理者，具备数据解读、系统运维和与人机协同工作的能力。示例：以使用AGV与智能软件为例，其智能化体现为：AGV集群通过IoT与调度算法（智能决策）实现自主协同搬运；WMS与数字孪生平台（智能感知与执行）实现库存实时可视与自动盘点；全链条数据最终用于预测物料短缺、优化工厂布局（价值闭环），从而完整实现了从自动化执行到智慧化决策。销售智能化7.4 7.4.1 销售一般包括：a）市场需求分析；b）市场推广；c）客户挖掘；d）订单跟踪；e）客户回访。7.4.2 销售智能化应包括：a）智能数据洞察与决策支持：基于工业销售多源数据（历史订单、市场情报、客户产线信息等），运用大数据分析与
38、机器学习技术，深度挖掘潜在客户、精准识别客户需求与采购模式、预测区域或行业销售趋势，为产品定位、定价与资源调配提供量化决策支持；b）AI 驱动的客户关系与决策链管理：依托智能 CRM 系统，不仅实现客户信息与沟通记录的结构化管理，更利用自然语言处理等技术，自动分析客户反馈、技术文档及行业动态，绘制客户组织架构与决策链路图谱，智能提示跟进策略，实现针对复杂工业客户关系的精准化、个性化维护；c）基于机器学习的销售预测与策略优化：应用机器学习与深度学习模型，整合宏观环境、竞争态势及历史数据，对客户采购行为、项目成交概率、销售业绩进行动态预测，进而通过模拟与优化算法，对报价、产品配置、服务方案等关键策
39、略进行智能仿真与优化，持续提升销售成功率和利润率；d）全流程智能销售平台与自动化工作流：构建集客户开发、商机触达（如 AI 外呼/智能邮件）、跟进推进、合同订单、项目协同、售前技术支持与办公管理于一体的智能化平台；通过流程自动化与智能助手，将销售人员从重复性事务中解放，聚焦于高价值的技术交流与关系构建，实现工业销售全流程的数字化、自动化与一体化管控。示例：以大型定制化工业装备销售为例，其智能化体现为：首先通过整合市场招标、客户产线数据与行业报告进行多维度分析（智能感知），精准识别目标客户群体的扩产规划与技术痛点；随后利用客户知识图谱与决策链分析模型（智能仿真），自动映射客户内部关键角色、决策权
40、重与关注点，并基于历史数据与竞争动态，对不同的技术方案与报价策略进行模拟推演与盈利预测，生成最优谈判路径；在DB21/T 43802026 10 项目跟进阶段，智能销售平台（智能协同）将自动协调内部技术、法务与供应链资源，为销售前线提供实时、一致的方案支持与合同风险管理，并通过自动化工具完成客户触达与跟进记录；项目成交或流失后，全过程的多维度数据（如客户互动频次、方案修改次数、竞争对手出价等）将沉淀至企业数据湖，用于优化客户评分模型、更新赢单率预测算法及调整资源分配策略（闭环进化），从而实现从市场洞察、商机转化到经验反哺的销售全链路智能。服务智能化7.5 服务智能化利用AI、IoT、大数据等新
41、一代信息技术，对传统工业服务（如培训、维护、维修、回收）进行重新功能定义，将服务从以成本为中心的被动响应、经验驱动、离散执行，转化为以价值为中心的数据驱动、主动预测、价值共创。服务智能化不仅优化服务过程本身，更通过深度挖掘产品运行数据，反哺产品设计、制造与商业模式创新，形成产品、服务、数据、优化的闭环。服务智能化应符合以下技术要求和管理要求。a）服务智能化的技术要求如下。1)数据融合与治理能力：必须打通产品制造数据、实时运行数据、历史服务数据及外部环境数据，建立统一、高质量的服务数据资产体系；2)算法模型可解释性与可靠性：关键决策模型（如故障预测）需具备一定的可解释性，以建立工程师与客户的信任
42、模型需经过充分的现场验证，确保其在复杂工业环境下的可靠性；3)边云协同架构：采用边云协同计算架构，简单规则与实时响应在边缘侧处理，复杂模型训练与大数据分析在云端进行，保障服务的实时性与可靠性；4)安全与合规性：服务全过程需严格遵守 GB/T 43554-2023 及数据安全、网络安全相关法规。确保数据在采集、传输、处理中的安全，特别是涉及关键基础设施时。b）服务智能化的管理要求如下。1)组织与流程再造：企业需建立与智能化服务相适应的组织架构（如设立数据服务部门），并重构服务流程，使其与智能系统高效协同；2)人员技能转型：培养和转型服务工程师成为数据工程师或技术分析师，具备解读智能报告、操作智
43、能工具、与 AI 系统协同工作的能力；3)生态协同能力：与合作伙伴（如配件供应商、物流商）的系统进行数据对接与业务协同，构建智能化的服务生态网络。示例：以智能装备远程运维为例，其智能化体现为：通过物联网（智能感知）收集实时数据；利用机器学习模型（智能预测）实现预测性维护；通过AR远程指导和智能派单（智能执行）完成维修；最终所有数据汇入产品数字孪生模型（智能优化），用于下一代产品的可靠性设计。8 智能特征要求数据要素8.1 8.1.1 数据要素需满足高质量与大规模双重属性要求，为工业人工智能模型的训练、推理与决策提供可靠基础。数据质量应符合 GB/T 45674-2025 以及 GB/T 456
44、52-2025 中对于工业数据治理相关规范，确保数据的完整性、准确性、一致性与时效性。具体应满足以下要求：a）特征有效性：用于训练的数据集应能充分表征工业对象与过程的显性与隐性特征，确保特征变量与建模目标之间存在强因果或强相关关系，支撑模型学习到有效的工业机理模式；DB21/T 43802026 11 b）信噪比要求：数据集中关键特征信号的信噪比应达到建模分析的最低阈值，需通过预处理技术抑制随机噪声与工况干扰，避免其对模型训练产生误导；c）偏差可控性：数据集应覆盖生产实际中存在的正常工况波动与已知系统偏差，且偏差的范围与来源应可量化、可解释，以支持模型进行鲁棒性训练与泛化能力提升。8.1.2
45、数据数量应满足工业场景下模型收敛与稳定应用的需求，确保数据的规模、多样性与时间跨度足以支撑复杂模型的构建。具体应满足以下要求：a）场景覆盖度：数据集需全面覆盖设计工况、边界条件、异常状态及不同生产批次等关键变化因素，确保训练出的模型具备处理未见场景的泛化能力与安全裕度；b）训练充分性：样本数量与时间序列长度须满足所选算法对数据量的最低要求，保证模型参数能够得到充分优化，达到预期的性能指标与工程应用可靠性。智能模型8.2 智能模型作为工业人工智能系统的核心，应遵循迭代优化生命周期管理要求，涵盖需求分析与设计、数据准备与开发、验证测试、部署集成、在线监控、性能评估与持续优化六个关键阶段；模型部署运
46、行后，应支持基于新增数据的重新训练与版本迭代更新，通过重新部署优化后的模型，持续提升预测准确性、拓展问题空间覆盖范围或适配更多应用条件。智能模型的运行模式必须与工业现场业务的实时性、可靠性及资源约束精确匹配，具体要求应包括：a）按需/定期批处理执行模式：模型应支持基于特定事件（如生产批次完成、设备检修窗口）、固定时间周期（如每日、每周）或数据累积达到预设阈值时触发的批处理运行；在此模式下，模型对一段时间内汇集的历史数据进行集中计算与分析。例如，在设备预测性维护场景中，定期运行故障预测模型，生成未来周期的预防性维护工单与备件需求计划；在产品质量根因分析中，待一个完整生产批次的所有数据采集完毕后，
47、启动离线深度挖掘模型，分析工艺参数对质量指标的关联影响。b）准实时/实时流式执行模式：模型应支持对连续不断到达的数据流进行即时处理、推理与响应。要求模型具备低延迟、高吞吐的数据处理能力，通常依托边缘计算或流处理平台实现。例如，在工业过程控制场景中，对实时采集的传感器数据流运行闭环优化模型，动态调整设定值；在安全生产监控场景中，对视频流或传感器信号流执行实时异常检测与报警模型，实现危险事件的瞬时识别与联动处置；在智能质检场景中，对产线上每件产品的检测数据即时调用判别模型，实现毫秒级的质量分选。智能算法8.3 智能算法是工业人工智能功能实现的核心组件，具体要求包括：a）数据采集算法：应支持通过标准
48、工业接口与协议，实现与各类工业设备、传感器及控制系统的可靠连接与多源异构数据的实时、高保真采集，确保数据来源的合规性与完整性；b）数据预处理算法：应包含数据有效性校验、格式标准化、时间序列对齐、噪声滤波、缺失值插补及数据降维等关键功能，核心目标是提升原始工业数据的质量，使其满足下游模型训练与执行的输入要求；c）数据转换与特征工程算法：应具备将原始数据转化为适用于模型学习的特征表示的能力，包括但不限于特征提取、特征构造、特征选择及标准化/归一化等，旨在挖掘和强化数据中与工业问题相关的有效信息；DB21/T 43802026 12 d）算法一致性要求：在模型生命周期的各个阶段（开发、训练、测试、部
49、署），所使用的数据预处理与转换算法其逻辑、参数及处理顺序必须保持严格一致，以确保模型输入数据分布的一致性，避免因数据处理不一致导致的模型性能衰减；e）数据标注算法：在监督学习场景下，应支持高效、准确的数据标注流程；需明确标注规范、审核机制及质量控制标准，确保为模型训练提供高置信度的标签数据。鼓励探索基于主动学习、半监督学习等技术的智能化标注方法以提升效率；f）模型构建与训练算法：应支持根据具体的工业问题（如分类、回归、聚类、优化）选择合适的机器学习或深度学习算法，并提供自动或半自动的超参数调优与模型训练能力，以构建高性能的工业模型；g）模型验证与评估算法：必须使用独立的测试数据集对模型性能进行
50、客观评估；应采用精确率、召回率、F1-score、均方根误差等与工业目标密切相关的指标进行量化评价，且模型构建与验证需作为迭代过程反复进行；h）模型执行（推理）算法：应提供高效、稳定的模型推理引擎，能够在生产环境中加载并运行训练好的模型，对新的输入数据实时产生预测或分析结果；i）输出解释与价值整合算法：模型的输出应不仅限于预测值或分类标签，更应提供与输出相关的置信度、可解释性分析或关键影响因素；算法需能将模型的输出与业务规则、专家知识相结合，转化为可操作的生产指令、优化建议或决策支持信息，完成从数据洞察到业务价值的闭环。智能应用8.4 智能应用是基于工业人工智能技术构建的、直接面向业务价值的解
