摘要：針對云端通用大模型時延高、數據外泄、易產生AI幻覺缺陷，本文提出云邊協同輕量化工業大模型四層架構，依托多協議邊緣網關實現樓宇自控、能耗、照明預測調控，給出本地自治、存量利舊落地路徑。

關鍵詞：輕量化工業大模型，邊緣推理，云邊協同，樓宇自控，多協議邊緣網關，預測性節能，AI幻覺抑制

0 引言

隨著工業人工智能技術持續落地，眾多廠房、產業園區嘗試引入大模型賦能機電運維與能源管控。現階段主流方案多直接調用公有云通用大模型，在建筑機電OT控制場景暴露多重短板：跨網傳輸帶來控制時延無法滿足實時調控需求；設備運行時序數據向外傳輸存在信息安全隱患；通用大模型缺少機電運行機理約束，極易產生AI幻覺，輸出違背工藝規則的錯誤調控指令；持續算力租賃推高長期運營成本，大量項目上線后難以常態化運行。

現有工控領域相關文獻多聚焦產線工藝大模型、機器視覺檢測方向，針對廠區暖通、照明、能耗等后勤機電系統的邊緣輕量化大模型成套落地研究較少，缺少兼顧異構設備兼容、斷網自治、抑制AI幻覺的工程化架構。本文采用“云端模型迭代+邊緣本地推理+分布式自控”云邊協同模式，搭建適配廠區機電系統的四層智能化架構，解析預測性節能、故障預判、自然語言運維交互實現邏輯，對比云端方案與邊緣本地化方案優劣，為新舊廠區AI智能化升級提供標準化工程參考。

1 云端通用大模型應用于廠區機電管控四大工程瓶頸

1.1 網絡依賴性強，難以保障工業連續自治

云端推理所有計算任務依托外網鏈路，網絡擁堵、鏈路中斷時AI策略生成工作直接停止。DDC暖通調控、照明場景自適應控制對響應時延要求苛刻，云端往返延遲無法支撐閉環控制，一旦斷網系統只能退回固定時序邏輯，失去智能優化能力。

1.2 原始數據外送，存在廠區信息安全風險

車間工況、設備負荷、分項能耗等敏感時序數據全部上傳公有云平臺，制造廠區、重點公建難以滿足工業信息安全管理規范，部分保密類廠區直接禁止核心運行數據向外網傳輸。

1.3 缺少機理約束，AI幻覺帶來設備運行風險

通用大模型依靠概率推理生成決策，未內置暖通、能源管控行業物理規則，容易生成不合理溫度調節、機組啟停策略，若直接下發至DDC控制器，會造成車間溫濕度波動、設備頻繁啟停，影響生產穩定。

1.4 持續算力付費，中小企業投入產出失衡

云端API調用按周期或調用次數計費，中長期運維開支持續累加；存量廠區智能化預算有限，高昂的算力成本導致AI模塊閑置，項目智能化價值無法落地。

2 云邊協同輕量化工業大模型四層一體化架構

整套架構遵循“感知就地采集、推理邊緣下沉、控制本地閉環、模型云端迭代”設計思路，兼容存量DDC、計量儀表、照明模塊，支持分區域分批改造，無需全廠停工施工。

2.1 現場感知執行層

接入廠區全部異構現場終端：DDC樓宇自控控制器、智能能耗采集儀表、光照與人體感應終端、環境傳感器、機電設備狀態采集單元；設備總線包含BACnet、Modbus、OPC UA等標準協議，原有水泵、風機、照明驅動設備無需拆除替換，原位接入邊緣網關。

2.2 邊緣輕量化推理融合層（核心層級）

在多協議工業邊緣網關部署經過量化、剪枝優化的建筑能源專用輕量化工業大模型，所有實時傳感數據在本地完成清洗、特征提取與AI推理；內置機電機理規則校驗模塊，對模型輸出策略進行二次過濾，從工程層面抑制AI幻覺；斷網條件下推理任務持續運行，保障智能調控不中斷；僅脫敏匯總日志按需上傳云端，原始時序數據保留在廠區內網。

2.3 分布式本地自控執行層

由DDC控制器、照明調光模塊、機電聯動執行單元組成分布式自治節點，接收邊緣網關輸出的優化控制策略，完成冷熱負荷預測調節、照明自適應管控、能耗異常識別、設備故障預判；外網斷開后所有聯動邏輯獨立運行，不依賴上層平臺。

2.4 云端協同迭代管理層

云端不參與實時控制推理，主要承擔模型微調、工況樣本匯總、全局策略優化工作；基于跨項目海量運行數據持續迭代輕量化模型，完成優化模型遠程下發至各地邊緣網關，實現模型持續進化，形成云邊正向協同閉環。

3 邊緣大模型廠區機電五大典型應用實現邏輯

3.1 BA樓宇自控預測性負荷調控

邊緣大模型融合室外氣象、歷史負荷、生產排班、室內人員數據，提前預判車間、樓宇冷熱負荷變化，動態優化冷水機組、新風機、循環水泵運行策略。區別于傳統固定閾值控制，在保障工藝溫濕度達標的前提下持續削減暖通空載能耗，實現預測性節能運行。

3.2 分項能耗異常智能識別與溯源分析

AI持續學習廠區正常能耗基線，自動識別管路泄漏、設備空載、夜間長明燈等異常工況；無需人工設置靜態閾值，可自動關聯對應區域空調、照明設備運行記錄，定位能耗浪費點位，支撐節能審計與碳臺賬編制。

3.3 智能照明跨系統協同自適應管控

融合光照度、人體存在時序數據，邊緣AI自主識別區域人員活動規律，動態調整照明亮度與啟停時序；同步聯動BA系統，預判區域長時間無人時同步下調空調與新風負荷，實現照明、暖通跨子系統協同節能。

3.4 機電設備預測性維護預警

持續采集風機、水泵、換熱機組電流、溫度、振動時序特征，輕量化AI模型捕捉緩慢演變的異常工況，在設備突發故障前提前推送預警信息，運維模式由事后搶修轉向預測性維護，降低停機損失。

3.5 離線自然語言運維交互

邊緣本地部署輕量化大語言推理模塊，運維人員可通過工業離線AI語音、本地中控輸入自然語言，查詢能耗報表、設備工況、故障點位并下發調控指令；交互流程在內網閉環，不訪問公網大模型，兼顧操作便捷性與數據安全。

4 云端通用大模型與邊緣輕量化方案工程指標對比

4.1 云端公有云方案短板

推理時延高，無法支撐毫秒級閉環控制；原始數據向外傳輸，存在信息泄露風險；無行業機理約束，AI幻覺風險高；持續算力租賃產生長期運營費用；網絡中斷后AI智能策略完全失效，僅保留基礎定時控制功能。

4.2 邊緣輕量化云邊協同方案優勢

推理任務本地執行，控制指令低時延下發；原始時序數據不出廠區內網；內置工業機理校驗規則，有效規避錯誤調控指令；硬件一次性投入為主，無持續算力服務費；斷網狀態維持全部AI智能調控能力；兼容存量現場設備，支持輕量化利舊改造。

5 多類型廠區適配落地場景

1）制造工業廠房：車間暖通預測調控、產線配套能耗預判、機電設備預測性維護、無接觸語音運維交互；

2）多樓棟產業園區：全域冷熱負荷預測、分樓棟能耗智能分析、公共區域照明暖通協同節能；

3）商業寫字樓、市政公建：辦公時段負荷智能優化，自動生成節能統計報表，適配公共機構節能考核；

4）校園、醫院：分區環境預測調控、能耗精細化管理、機電故障提前預警；

5）老舊存量建筑：在現有自控硬件基礎上升級邊緣AI算力，低成本完成自動化向預測式智能化升級。

6 結語

針對廠區機電管控引入通用云端大模型存在時延高、信息不安全、AI幻覺、運維成本高等痛點，本文構建云邊協同輕量化工業大模型四層智能化架構，依托多協議邊緣網關打通異構機電設備鏈路，實現樓宇自控預測性節能、能耗異常識別、設備預測維護、離線自然語言運維交互多項功能。方案實現實時推理本地閉環、原始數據內網留存、內置機理規則抑制AI幻覺，適配新建廠區成套部署與老舊建筑輕量化利舊改造，為廠房、園區機電系統AI智能化升級提供可行工程路徑。

具備DDC樓宇自控、多協議邊緣網關、能耗采集終端、智能照明模塊、IBMS集成平臺全套軟硬件自研能力的技術企業，可基于該架構提供邊緣輕量化工業大模型本地化對接服務，依據廠區現有設備工況定制云邊協同智能化改造方案，提供現場勘測、成套供貨、邊緣AI邏輯調試、長期遠程運維一體化工程支撐。自動化工程師、園區能源管理員、弱電系統集成商，存在廠區邊緣AI智能化升級、機電預測性節能改造相關技術疑問，可參考本文分層架構開展方案規劃。

參考文獻

[1] GB/T 34043-2017 工業物聯網網關技術要求

[2] GB/T 51453-2021 智能建筑設計標準

[3] GB/T 39116-2020 智能制造系統集成通用要求

[4] T/CCSA 312-2021 邊緣計算 工業邊緣網關技術規范