中经记者 杨让晨 上海报道
在工业企业推进绿色转型的过程中，真正难啃的往往不是“有没有节能意识”，而是如何从已经运行多年的设备和生产系统中继续寻找能效空间。
冰机系统就是其中一个典型场景。作为工业厂房尤其是对温湿度、洁净度要求较高的生产环境中的重要基础设施，冰机系统通常需要长时间连续运行。一边是生产稳定性不能受到影响，另一边则是持续增长的能源成本和降碳压力。过去，设备启停、参数设定以及负荷调整较多依赖工程师经验，当生产负荷、气候条件以及设备状态发生变化时，如何让整个系统始终运行在相对高效区间，成为精细化能源管理中的难题。
达智汇科技服务（苏州）有限公司（以下简称“达智汇”）尝试将人工智能引入这一传统工业场景。相关资料显示，公司以“伏羲智算平台赋能冰机系统AI节能降碳实践”为案例，通过工业数据采集、AI数据分析以及DMAIC、PDCA等管理方法，对冰机系统进行持续优化。该项目服务对象为某全球显示面板龙头企业。其工厂单日总用电量高达120万度，冰机系统夏季用电占比约25%，是仅次于生产设备的核心能耗单元。
相关资料显示，项目实施后，冰机系统节能11.1%，高于项目最初设定的8%改善目标，月节省电费约43万元。
这组数字背后，是冰机系统能效的实质性改善，也体现出工业节能方式正在发生的一种变化：节能不再只是换设备、上硬件，也开始进入依靠数据和算法持续“抠效率”的阶段。
寻找11.1%能效空间
一直以来，工业能源系统存在一个矛盾：单台设备可能已经相对高效，但整个系统未必运行在最高效状态。
以冰机系统为例，实际运行涉及冷水机组、水泵、冷却塔等多个设备单元，不同设备之间彼此联动。生产负荷、环境温度、冷却水条件发生变化后，机组开启数量、运行频率以及水温等参数都需要同步调整。传统管理模式下，相当一部分调节依赖运维人员经验。
经验的价值不可替代，但问题同样明显：不同人员的判断标准可能存在差异，设备运行环境又不断变化，过去有效的参数组合，并不意味着在新的负荷条件下仍然最优。
对此，达智汇选择从数据入手。相关资料显示，达智汇将分散在工业现场的多种数据采集起来，并通过数据清洗、分类、聚类分析、时间序列预测等方法进行处理。
在平台中，冰机能耗、设备状态以及相关运行参数被转化为可以持续分析的数据对象，管理人员不再只是看到“用了多少电”，而是进一步追问：为什么耗电？哪些参数组合效率更高？设备应该在什么状态下运行？
从项目方法来看，这并不是简单安装一个AI系统之后等待结果。
项目首先按照DMAIC方法，对问题进行“定义—测量—分析—改进—控制”。相关材料显示，达智汇团队先确定冰机系统能效提升目标，再采集相关运行数据，对影响能耗的关键变量进行分析，并进一步形成优化方案。随后又引入PDCA循环，对调整后的运行结果继续验证、检查和修正。换言之，AI承担的是从大量变量中寻找规律的角色，而最终形成的是一套“数据分析—参数调整—运行验证—持续优化”的闭环。
项目最终实现11.1%的冰机系统节能，相较8%的既定改善目标，测算的目标超额完成率达到38.8%。
对于一个已经投入运行的工业系统而言，这一案例更值得关注的地方，恰恰不是一次性的节能数字，而是企业开始尝试回答另一个问题：在不改变基本生产需求的前提下，能否依靠数据分析不断发现过去依靠人工经验难以察觉的效率损失？
AI进入能源管理，关键不是“替代人”
近年来，“AI+工业”成为制造业数字化转型中的高频词，但AI真正进入工厂以后，并不是所有场景都需要“大模型”。
在能源管理领域，价值往往来自对大量小变量的持续分析。
达智汇的实践也呈现出这一特点。根据材料，项目背后的平台并非简单生成一个节能建议，而是将工业数据分析能力嵌入冰机系统的运行管理之中，形成数据采集、处理、分析、策略调整以及效果验证的完整链条。平台通过可视化数据分析工具，对历史运行数据进行比对，寻找影响系统能效的关键变量，再辅助形成运行优化方案。
这意味着AI在这一场景中的作用，更接近于一名能够同时处理大量历史数据的“能源分析员”。
过去，工程师可能通过经验判断某台设备是否应该开启；现在，算法可以同时参考负荷、温度、流量、设备效率以及历史工况等多个变量，为工程师提供决策依据。
值得注意的是，该项目并没有完全取消人的作用。相反，DMAIC和PDCA方法贯穿项目实施过程，算法找到的优化方向仍然需要经过现场执行和运行验证，效果不符合预期时还需要重新修正。
这种“人+算法”的模式，也降低了工业AI落地过程中一个常见风险——如果算法建议与实际生产脱节，即便理论节能幅度再高，也难以真正进入生产系统。
从ESG的角度看，这种方式的价值同样不只是降低电费。能源效率提升意味着在完成相同生产任务的情况下减少能源消耗，由此带来运营成本和环境影响的同步下降。按照企业提供的数据，目前该项目月节省电费约43万元。
对于企业而言，这也使得节能从过去偏向“成本投入”的环保项目，开始具备更清晰的经济回报逻辑。
打造可复制工业节能模型
项目能否更大范围推广，一个重要判断标准在于其可复制性。
达智汇的冰机系统能耗管理具有一定代表性，原因在于冰机、水泵、空压机、风机等高耗能设备广泛存在于制造企业之中，其共同特点是：运行周期长、设备之间存在联动、数据量大，同时又受到生产负荷和环境因素影响。
相关资料显示，这一项目的核心并非复制某一组固定参数，而是复制数据治理、AI分析和持续改进的方法，包括建立数据基础、寻找关键变量、形成优化策略，再通过DMAIC、PDCA不断验证和调整。达智汇方面表示，相关方法未来可进一步应用到空压系统、风机系统、废气处理系统等其他高耗能设备。
实际上，这种复制逻辑也与传统节能改造存在明显区别。
传统设备改造通常强调“一台设备对应一种方案”，不同工厂往往需要重新建设。而数据驱动的能源管理模式更像是在建立一套分析框架：设备可以改变，指标可以改变，但“采集数据—发现问题—算法分析—持续优化”的逻辑可以保留下来。
从更大的产业背景来看，这也是当前工业绿色转型面临的一道现实命题。经过多年设备升级后，企业越来越难单纯地依靠淘汰旧设备获得大幅节能空间，如何通过数字化手段提高现有设备的运行效率，将成为下一阶段节能降碳的重要增量。
不过，AI节能的实际效果依然高度依赖数据质量、设备数字化基础以及现场运维能力。一个工厂能够实现的节能比例，也不能简单复制到另一家工厂。达智汇冰机系统能耗管理项目在不同生产环境中的适用效果仍需结合具体工况判断。
但这提供了一种可以观察的路径：当工业企业把ESG从宏观目标拆解为具体设备、具体参数和每一度电，人工智能才真正从概念进入生产现场。
相比于“AI能否改变制造业”这样的宏大命题，冰机系统里被节省下来的电费和能耗，或许更加直接地说明了技术与ESG结合的价值，即绿色转型最终并不只发生在报告和指标里，也发生在每一台设备的运行参数之中。
（编辑：张靖超 审核：李正豪 校对：颜京宁）
