智造星图 MES 生产调度与设备诊断平台

大约 11 分钟

智造星图 MES 生产调度与设备诊断平台

项目定位

这是一个面向制造业的 MES 平台，核心处理生产计划、工艺协同、设备诊断、质量管理和异常闭环。AI 的作用是辅助诊断设备问题、解释工艺规则和给出调度建议。

项目背景

制造企业的生产计划、工艺、设备、质量、物料和人员信息往往分散在 ERP、设备系统和纸质记录中。生产计划变化后，现场无法及时同步；设备异常发生后，维修、质量和计划部门缺少统一协同；产品出现问题时，也难以快速追溯原料、工序和设备。智造星图 MES 生产调度与设备诊断平台面向生产现场建立统一的执行与分析平台。

业务概述

平台接收订单和生产计划，按照产线、设备、工艺和人员能力生成排产任务。生产过程中记录工序执行、设备状态、物料消耗和质量检验，异常停机或质量超限时触发告警和处置流程。管理人员通过看板查看生产进度、设备健康、良率、在制品和异常趋势，维修人员根据设备手册和历史案例完成诊断和维护。

主要业务场景包括：

生产订单、工艺路线、排产计划和工单管理；
设备台账、实时状态、点检、保养和故障诊断；
工序报工、质量检验、不良处理和批次追溯；
物料、人员、产线和现场任务协同；
生产效率、良率、设备利用率和异常趋势分析。

技术架构选型

1. 整体架构

采用生产执行、设备接入、质量管理、追溯分析和系统管理分域的架构。生产计划和工单服务处理核心事务，设备接入服务接收实时数据，消息总线传递状态和告警，分析服务生成生产和设备看板，AI 服务辅助查询工艺和维修知识。

2. 后端技术

Spring Boot / Spring Cloud Alibaba：构建生产、设备、质量、追溯和分析服务；
Spring Security：控制工厂、车间、产线、班组和岗位权限；
MySQL：保存订单、工单、工艺、设备、质量和追溯记录；
MyBatis：支持生产报工、批次查询和复杂统计。

3. 中间件与数据能力

Redis：缓存设备状态、工艺参数、排产计划和看板数据；
MQTT / Kafka / RabbitMQ：接收设备数据并异步传递告警和状态；
Elasticsearch：检索维修记录、工艺文件、质量案例和追溯信息；
XXL-JOB：执行点检、保养、报表和数据归档任务；
Spring AI + 向量库：检索工艺规范、设备手册和维修案例。

主要业务模块

1. 生产计划与调度

维护订单、工艺路线、产能、设备和班次，根据交期、优先级和资源约束生成排产和工单。

2. 生产执行与报工

记录工单接收、开工、暂停、完工、报工、物料消耗和人员操作，确保生产状态及时同步。

4. 质量管理与追溯

配置检验项目、抽检规则和不良等级，关联批次、工序、人员、设备和原料，支持问题反查。

5. 工艺与知识库

管理工艺文件、作业指导书、设备手册和质量规范，AI 根据权限检索并解释相关内容。

6. 看板、告警与系统管理

展示产量、良率、设备利用率、在制品和异常趋势，支持消息通知、权限控制、日志审计和运维监控。

技术要点与应用价值

通过设备事件、生产工单和质量记录建立统一时间线，支持问题定位和批次追溯；
设备状态更新采用幂等、顺序控制和断线补偿，避免实时数据覆盖或丢失；
排产建议保留人工确认，AI 只提供解释和候选方案，不直接改变生产计划；
通过异步计算和缓存提升大屏、报表和历史追溯查询性能；
将生产现场数据沉淀为可分析指标，帮助企业提升交付、良率和设备利用率。

陪跑价值与学习收获

MES 连接生产计划、工艺、设备、质量和物料，是最能体现“系统要真正服务现场”的项目类型。你会从订单和排产出发，看到工序执行、设备状态、质量检验、异常停机和产品追溯如何互相影响，并理解数据实时性、流程可视化和业务一致性的重要性。

学会拆解生产调度、工艺管理、质量追溯、设备诊断和人员权限。
掌握实时数据接入、任务状态同步、异常告警和报表分析。
能够从业务价值、技术架构和现场落地三个层面讲清 MES 项目。

你将带走的成果

一套从生产计划到成品追溯的制造业业务流程。
一份围绕并发、数据一致性、设备接入和可视化的技术方案。
一套适合中高级 Java 项目的简历描述和面试回答。

业务背景与建设目标

制造企业需要同时管理订单、生产计划、工艺路线、物料、设备、人员和质量标准。计划变更、设备停机、来料异常或质量波动都会影响交付，传统依赖纸面记录和人工沟通的方式难以保证生产现场、计划部门和质量部门使用同一套实时数据。

智造星图 MES 生产调度与设备诊断平台以“订单分解、排产下发、工艺执行、设备采集、质量检验、异常处置、追溯分析”为核心链路，将生产现场数据和管理流程统一起来。AI 负责工艺知识问答、设备故障码解释、异常摘要和排产建议，Java 服务负责工单、批次、质量判定、设备状态和生产数据的正式落库。

业务模块与关键流程

业务模块	核心能力	Java / AI 落点
订单与计划	订单拆分、交期、优先级、产能和物料约束	计划模型、规则校验和异步计算
生产执行	工单下发、报工、工序状态、批次和人员	状态机、事务和现场接口
工艺管理	工艺路线、参数、版本、变更和操作规范	版本化数据、审批和权限审计
设备协同	设备状态、产能、故障和点检计划	IoT / MES 接口、消息消费和缓存
质量管理	检验计划、缺陷、不合格品、返工和放行	质量规则、追溯链和异常工单
诊断与分析	设备健康、良率、达成率、停机和原因分析	AI 检索手册并生成诊断草稿，报表服务统一口径

工程化难点与应用价值

生产状态一致：工单、工序、设备和质量状态存在联动关系，使用事务、事件和版本号避免重复报工或越序执行。
现场数据可靠接入：设备断线、重复上报和时间漂移都需要做校验、缓存、补偿和异常标记，不能直接把原始数据当成事实。
工艺版本可追溯：每次工艺变更记录生效范围、审批人和执行批次，保证质量追溯能够还原当时的工艺条件。
调度建议可解释：AI 只提供候选排产和影响分析，正式排产仍由产能、交期、物料和设备规则校验后发布。

模块流程图

技术架构

技术	作用
Spring Boot	生产、设备、工艺、质量接口
MySQL	计划、工单、设备、诊断记录
Redis	热点设备、会话、幂等
MQ	状态同步、通知、异步任务
Elasticsearch / 向量库	工艺文件、设备手册、案例
Spring AI	诊断、解释、建议生成

AI 接入点

RAG：工艺文件、设备手册、维修手册、质量规范。
Tool Calling：生产计划、设备状态、历史故障、质量记录。
Agent：调度建议、诊断摘要、人工确认辅助。

项目亮点

制造业场景有深度，适合中高级表达。
能体现“调度”和“诊断”两个层面。
很适合补充流程图和业务图解。

面试追问

生产调度为什么要保留人工确认？
设备诊断数据怎么接入？
MES 状态一致性怎么保证？

1 分钟介绍

这个项目是一个 Java+AI 企业级项目，核心不是单独做聊天机器人，而是把大模型能力接入真实业务流程。我的讲法会先说明业务痛点，再讲 Java 后端负责流程、权限、事务和审计，最后说明 RAG、Tool Calling 和 Agent 分别解决知识检索、业务查询和多步骤编排问题。

3 分钟介绍

我会先从业务背景讲起：这个项目要解决的是传统系统中信息分散、流程依赖人工经验、处理效率不稳定的问题。整体链路上，用户先发起业务请求，Java 后端完成鉴权、参数校验、状态流转和数据落库；AI 层负责理解意图、检索知识、调用受控工具并生成草稿或建议。

技术上，项目通常会用 Spring Boot 承接核心业务接口，用 MySQL 保存业务主数据、状态记录和审计日志，用 Redis 做热点缓存、会话上下文和幂等控制，用 MQ 解耦通知、索引同步和统计任务。AI 能力上，RAG 负责检索企业知识和历史案例，Tool Calling 负责受控查询业务数据，Agent 负责编排多步骤任务。正式写操作和高风险动作不会让模型直接执行，而是进入人工确认或 Java 业务服务事务边界。

面试时我会重点强调三点：第一，AI 只是辅助理解和生成建议，不能绕过权限和审计；第二，所有工具调用都要做白名单、参数校验、限流和日志；第三，模型超时、无召回、低置信度或输出不合法时，要能降级到规则模板、人工处理或只展示已有业务数据。