深夜十一点，某制造企业空压站内，PLC监控画面突然弹出一条压力异常报警。过去，这意味着值班运维人员必须从被窝里爬起来，驱车赶到现场，逐一核对设备外观、仪表读数和管路状态，才能判断究竟是真实故障还是传感器误报。而如今，一台小型轮式机器人从充电桩自主驶出，沿着预设路径抵达报警设备点位，摄像头对准仪表盘、热成像扫描电机外壳、泄漏传感器同步工作，十几秒后，一份结构化的现场状态报告已回传至运维人员手机端。
这台名为“巡域知微”的边缘自主巡检复核机器人，出自一支职业院校学生团队之手。从需求调研、方案设计到算法调试、整机联调，团队学生历时数月，在真实工业场景中反复迭代，最终让这台机器人具备了自主导航、仪表识别、多模态感知和边缘智能复核能力。他们瞄准的，正是制造企业动力站房“少人值守”场景中一个长期被忽视的痛点：现有PLC、SCADA和能源管理系统能够监测压力、电流、温度等运行参数，却无法同步获取设备外观、现场仪表、局部热状态、液体泄漏等物理现场信息。系统报了警，人还是得跑一趟。
团队开展机柜现场检测，调研传统监测系统的现场信息缺失痛点。
“我们不是要替代PLC和SCADA，那既不现实也没必要。”项目负责人、团队学生成员在接受采访时说，“工业控制系统已经把‘参数’这件事做得很好，但它看不见设备长什么样、有没有漏油、仪表指针到底指在哪。我们要做的，是补上‘物理现场感知’这一环。”
正是基于这一定位，“巡域知微”以小型轮式移动平台为载体，融合自主导航、机器视觉、仪表识别、边缘智能和多模态现场感知能力，实现计划巡检与告警触发巡检双模式运行。系统产生异常后，机器人可自主抵达指定设备点位，完成现场状态采集、异常识别、结果回传及定时复检，为运维人员提供结构化的现场状态依据。
换言之，它不取代工业控制系统，而是形成“系统监测参数、机器人复核现场、人员实施处置”的人机协同运维模式。
项目研发过程中，学生团队面临的不只是单一技术难题，而是机械、电子、控制、视觉、算法等多学科知识的综合运用。从移动平台的运动控制与底盘搭建，到边缘端视觉识别算法的训练与部署，再到多传感器融合、巡检路径规划和整机联调，每一项都需要学生在课余时间反复摸索、试错、优化。
“最难的是让机器人在真实站房环境里稳定识别仪表读数。”团队一名负责视觉算法的学生回忆，“实验室光线可控，但站房里有的仪表反光、有的被遮挡、有的指针模糊，我们采集了上千张现场图像，反复标注、训练、测试，才把识别率提上来。”另一名负责导航与控制的学生则表示，站房通道狭窄、设备布局紧凑，机器人既要走得准，又要停得稳，“光路径规划算法就改了好几版。”
为了验证系统在实际场景中的可靠性，团队多次利用周末和假期前往合作企业动力站房进行实地测试。白天上课、晚上调试、周末跑现场，成为团队成员近几个月的生活常态。指导教师评价道：“这个项目真正体现了职业院校学生‘做中学、学中做’的特点，他们不是纸上谈兵，而是把一个能解决实际问题的系统从零搭了出来。”
团队开展集中研讨与样机实操调试，践行“做中学、学中做”，合力推进项目研发。
对于制造企业而言，空压站、循环水泵站、冷站及配套控制设备等动力站房，往往实行少人值守甚至夜间无人值守。一旦系统报警，运维人员面临两难：不去现场，无法确认异常真伪；去现场，则意味着深夜奔波和大量无效出勤。
“巡域知微”带来的改变在于：报警发生后，机器人先行抵达现场，完成视觉、热态、泄漏等多模态复核，将“是否真的异常”“异常具体表现为何”以结构化数据形式回传。运维人员可以根据回传信息判断是否需要立即到场处置，还是可以等到白天再安排检修。对于误报和轻微异常，大量无效出勤被省去；对于真实故障，人员到场时已掌握现场情况，处置效率显著提升。
在智能制造和工业互联网浪潮中，大量注意力集中在数据采集、云端分析和系统集成上，而“物理现场感知”这一基础环节却常常被忽略。“巡域知微”从一个具体而微的切口切入——深夜少人值守的动力站房，报警之后谁去现场看一眼——用一台小型机器人给出了职校学生的回答。
这个回答不宏大，却很实在：不替代工业控制系统，不追求颠覆，只补足那一环缺失的现场感知，让运维人员不必再为每一条报警深夜奔波，让制造站房的少人值守真正变得可靠、可及。
正如团队所说：“我们做的不是最酷的机器人，但可能是深夜值班人员最需要的那一台。”
