能效比较
龙虎斗能耗管理：两条生产线一天都生产1000件以后，为什么单看总用电仍然可能无法判断哪一条真正更高效？
一线昨天用了2400度电，二线用了2100度，两条线都生产了1000件同类产品。生产例会上的结论很快：二线更高效，一线要向二线学习。龙虎斗能耗管理把数据逐层拆开以后，这个结论至少在四个地方站不住。数字为示意。
第一层是好品。一线1000件里报废了30件，二线报废了110件。按好品算，一线每件好品2.47度，二线2.36度，差距缩小了一半。如果二线的报废率再高一些，结论就会反转。报废品消耗了能源却没有产出，这部分能源由好品承担，这是能效比较里最先要做的修正。
第二层是产品结构。同类产品不等于同一产品。一线昨天承担了更多重型型号，单件加工时间和切削量更大；二线主要生产标准型号。用各型号的参考单耗把产品结构归一化以后，一线的能耗可能完全在预期之内，甚至优于预期。不做这一步，任何一条承担复杂产品的产线都会在能效比较里吃亏。
第三层是公用系统分摊。一线所在的车间有一台老旧空压机和一套冷却塔，按面积分摊给一线的公用能耗比二线高出一截。这部分能耗与一线的设备效率无关，它反映的是车间基础设施的差异。把公用系统分摊单独列出来，只比较两条线设备本身的能耗，结论又会变化。
第四层是运行时间。一线昨天运行了11小时，二线运行了9.5小时，因为一线中间有一次换产。换产期间的能耗、预热能耗和Idle Energy在一线的总数里占比更高。这些能耗是否应该算进“效率”，取决于换产是排产决定的还是产线自身的问题。
四层拆完，龙虎斗能耗管理给出的不是“谁更高效”的结论，而是一张归一化后的对照表：每件好品的设备能耗、产品结构修正后的能耗、公用系统分摊、非生产时段能耗，两条线各一列。这张表可能显示两条线的设备能效相差无几，差异主要来自报废率和公用系统；也可能显示一线在归一化后确实更差，原因是某台设备的效率漂移。无论哪种情况，行动方向都比“向二线学习”具体得多。
总用电只能回答“谁用得多”，不能回答“谁更高效”。龙虎斗能耗管理的看板上，两条产线的比较默认显示归一化后的指标，总用电只作为参考列出现在最后。AI在这里做的是自动完成四层拆解，并在归一化后的差异仍然显著时，进一步定位到设备和时段，给出可能的原因清单。它不会直接说“二线更高效”，因为在没有拆开之前，这句话没有意义。
压缩空气
压缩空气系统夜间耗电没有明显下降以后，AI怎样区分正常基础负载和潜在Leak？
夜班十点以后，车间里用气的设备几乎全停了，空压站的电耗却只比白班低了三成。能源部门的第一反应是泄漏，设备部门的回答是“系统这么大，维持压力本来就要耗电”。两种说法都有道理，问题是谁也拿不出证据。龙虎斗能耗管理处理这类问题的方式，是先建一个夜间基载模型，再看实际数据偏离了它多少。数字为示意。
压缩空气系统在没有用气的情况下也会耗电，原因有几个：管网本身有一定的正常渗漏率，即使是维护良好的系统也不可能为零；空压机在卸载状态下仍然消耗一部分电力；干燥机、过滤器和冷却系统有固定能耗；某些设备的气动元件在待机状态下仍然持续用气。这些加起来就是正常基载。泄漏是在此之上的额外消耗，而且通常随时间增长。
AI建立基载模型需要四类信号：空压机的电耗和加卸载状态、总管的压力和流量、各分支的压力（如果有）、以及产线的运行状态信号（来自MES或PLC）。用这些信号可以回答几个具体问题：在所有产线都停机的时段，总管流量是多少；空压机的加载周期是多长，卸载后压力下降的速度是多少；这些数值与一个月前、三个月前相比有没有变化。
压力下降速度是最直接的泄漏指标。空压机卸载后，如果管网没有用气，压力应该以一个相对稳定的速度缓慢下降；下降速度变快，说明管网的渗漏增加了。AI把每晚的压力衰减曲线与历史基线比较，衰减加快超过阈值就标记。如果有分支压力，还可以进一步判断是哪个区域的衰减更快，缩小排查范围。
加载周期是另一个指标。同样的夜间条件下，空压机加载越频繁、每次加载时间越长，说明系统补气越多。把加载周期与产线状态对齐，可以排除“某条线夜间偷偷开机”这种情况，剩下的就是管网本身的消耗。
做完这些，AI给出的结论是分层的：正常基载大约多少，与历史相比额外消耗多少，额外消耗最可能出现在哪个区域，置信度多高。它不会给出“泄漏点在三号线东侧第二个接头”这种精度，因为数据不支持。最终的定位需要现场巡检，用超声波检漏仪或肥皂水一段一段查。AI的价值是把巡检范围从整个工厂缩小到一两个区域，并给出优先级。
还有一种情况：数据显示夜间基载没有异常，但白班的单位用气量偏高。这可能是用气设备的问题，例如气动元件磨损、吹扫时间过长、或者某个工位用压缩空气做了本不该用它做的事情。这类问题不在管网里，在使用端，需要另一套分析：把各分支流量与对应产线的产出对齐，找出单位产出用气量异常的工位。
龙虎斗能耗管理对压缩空气的立场是：它是工厂里最容易被忽视、也最容易持续浪费的能源系统之一；泄漏不是一次性问题，是一个会持续恶化的过程；AI的作用是让这个过程可见、可量化、可定位到区域，把“可能有泄漏”变成“这个区域在这个月额外消耗了大约这么多，建议本周巡检”。
峰值优化
AI预测明天下午会出现Power Peak以后，为什么最好的优化方案不一定是把所有生产任务都搬到晚上？
负荷预测显示，明天14:00到16:00，三条产线的高耗能工序会叠加，需量将逼近合同上限。最直观的方案是把其中一部分任务挪到夜间，峰值没了，夜间电价可能还更低。龙虎斗能耗管理的Decision Gate把这个方案走了一遍，发现它在能源之外的每一关都有代价。数字为示意。
先是人员。夜班的人员配置比白班少，把高耗能工序挪到夜间，意味着要么增加夜班人员，要么让夜班用更少的人做更多的活。前者有成本，后者有质量和安全风险。这一关的问题不是“能不能”，而是“代价是什么”，而这个代价往往不在能源模型里。
然后是交付。挪到夜间的任务如果是当天要发运的订单，夜间完成意味着次日早上才能包装、检验、出库，可能错过发运时间。交付节点是硬约束，为了削减一个峰值而延误一批订单，没有任何生产经理会接受。
再是设备。热处理炉、注塑机这类热工设备，白班停机夜间启动意味着多一次冷启动和预热，预热的能耗和产生的过渡废品可能抵消夜间电价的优势。频繁启停对设备寿命也有影响。有些设备根本不适合被挪来挪去，它们的最优运行方式是连续运行。
还有一个常被忽略的问题：夜间的电网因子未必更低。如果目标是碳而不只是电费，需要看分时的电网碳强度数据；在某些地区和季节，夜间的电力结构可能比白天午后更高碳。把任务挪到夜间省了电费，碳排却可能上升。如果没有分时因子数据，这一关只能标注“碳影响不确定”。
最后是第二天早班的启动峰值。把大量任务压到夜间，夜班结束时设备状态和白班开始时的启动叠加，可能在早上八点制造出一个比原来更高的峰值。峰值没有消失，只是被搬到了另一个时段。
所以龙虎斗能耗管理给出的方案通常是一个组合：三条产线的高耗能工序错开20到40分钟启动，而不是整体搬迁；峰值时段让空压站和冷却系统在允许范围内降载，这两个系统的短时降载通常不影响生产；把一小部分不影响交付的任务挪到峰值之后的时段，而不是夜间；对热工设备保持连续运行。这个组合削减的峰值可能不如“全部搬到夜间”那么多，但它能通过Production、Quality、Equipment和Safety每一关，而且夜班不需要增加人员。
AI在这个过程中的工作是搜索和评估：在给定的约束下生成多个方案，对每个方案给出峰值削减量、能耗变化、碳变化（如果有分时因子）、以及对交付、质量、设备的影响评估，把它们并排摆出来。选择哪个方案，由生产、设备和能源三方共同决定。方案执行以后，实际的峰值、能耗和交付情况与预测对比，差异回流到模型。
Peak Shaving不是把用电从一个时段搬到另一个时段的游戏。它是在生产约束内寻找峰值更低、代价最小的运行方式，而最小代价的方案几乎从来不是最简单的那个。