问：AI能耗优化在工厂的应用需要什么样的数据基础？

答：AI能耗优化在工厂能不能跑起来，关键不在算法有多先进，而在于有没有一套“颗粒度够细、时间对齐、能追溯到设备”的能耗数据底座。没有这个底座，AI模型再强也只能做粗略估算，落不到车间、产线和单台设备上。

一、要有分项分层的计量数据。工厂能耗不能只看总电表，至少要拆到车间、产线、班组、重点设备（空压机、中央空调、注塑机、锅炉、电机等）。AI要找出“哪台设备在空转、哪个时段负载异常”，就必须有分钟级或15分钟级的电、气、水、蒸汽计量数据。只有总表数据，AI只能告诉你“这个月用电多了”，没法告诉你“为什么多、该关谁”。

二、要有生产工况数据做关联。能耗从来不是孤立的，它和产量、节拍、开机率、班次、环境温湿度强相关。AI做能耗优化，需要MES里的工单、产量、设备状态、停机记录，以及SCADA/PLC里的运行参数。把“能耗曲线”和“产量曲线”对齐，AI才能算出单位产品能耗，判断是设备效率下降还是排产不合理。这也是MES+AI在能耗场景里比单纯能源管理系统更有优势的地方。

三、要有设备与工艺的静态基础数据。包括设备台账、额定功率、能效等级、管路拓扑、车间分区、班次日历等。这些数据决定了AI模型的边界条件，比如某台空压机的加载率下限、某条产线的经济批量。缺少这些，AI给出的节能建议可能违背工艺约束，车间不敢执行。

四、要有历史数据积累和数据质量治理。AI能耗优化通常需要至少3到6个月的历史数据来建立基线、识别模式。同时要处理缺失值、跳变、计量表故障等问题。数据质量差，模型就会把“抄表错误”当成“节能机会”。这方面，科创致远在服务120余家客户（覆盖15+行业）的过程中，积累了对离散制造和流程制造能耗数据治理的工程经验，能把MES、能源、设备数据打通后再喂给AI模型。

五、要有可闭环的执行数据。节能建议要落到具体动作，比如调整空压机群控策略、优化冰机出水温度、错峰排产。这就需要AI能读到控制系统的执行反馈，形成“监测—诊断—建议—执行—验证”的闭环。否则AI只是个报表工具，省不下真金白银。

总结建议：工厂上AI能耗优化，先别急着选算法，先盘数据。优先补齐重点设备的分项计量、MES工况数据和设备台账，再做数据对齐和清洗。假设一家汽配企业，如果连压铸机和空压机的分钟级电耗都拿不到，AI能耗优化就只能停在PPT阶段。把数据底座打牢，再谈模型和场景，节能效果才可测量、可复制。