很多制造企业谈到工厂数字化时，最先做的往往是采集设备开机时间、停机时间和产量，但对于铸造这样的传统流程工业，仅仅知道设备有没有运行，并不能真正解释产品为什么出现质量波动。砂的状态、造型条件、注汤过程、冷却时间、设备振动以及作业环境都可能影响最终结果，而且这些因素过去相当一部分依赖熟练人员现场观察和经验判断。8月28日，新东工业公布将在9月举行的Foundry Tech + Expo 2026上展示sinto SMART FOUNDRY综合铸造解决方案，系统从砂处理、造型、中子、注汤、冷却一直覆盖到后处理，通过传感器收集并保存各环节制造数据，再把设备运行、品质、能耗和环境信息放到同一套数据体系中。这一方向反映出传统制造数字化正在从简单的“机器联网”，进一步进入工艺过程本身。

铸造生产之所以特别适合做这一类数据化改造，与工序之间高度关联有关。前一道砂处理状态发生变化，可能并不会立即表现为设备报警，但到了造型、注汤甚至最终检验阶段才出现缺陷。如果只保存最后的不合格结果，很难在几小时甚至几天以后准确还原当时发生了什么。新东工业此次展示方案将不同工序的制造数据连续记录，并把质量检验结果一同保存，目的就是让生产人员在出现异常后能够回头查看对应批次的砂状态、设备参数和工艺条件，从过去依靠人员回忆逐步转向根据时间序列和实际数据查找原因。

其中砂管理是一个非常典型的场景。生型铸造中使用的型砂并不是一次性完全相同的材料，它需要循环处理，其水分、温度、紧实性以及其他状态变化都可能影响造型质量。过去有经验的操作人员能够根据长期工作积累判断砂的状态，但人员更换以后，这种经验并不容易完整复制。把砂性状通过测量设备持续记录，再根据结果调整后续控制，相当于把部分原来存在于人员经验中的判断转成能够重复利用的工程参数。数字化在这里真正解决的并不是做一张漂亮的监控画面，而是尽可能减少同一个工艺因为不同班组、不同时间和不同操作人员出现过大的波动。

新东工业此次还明确采用可以后装的电池式小型无线传感器，这一点对现有铸造工厂尤其现实。很多工厂设备已经使用多年，机械本体仍然能够继续工作，但最初设计时没有预留大量数据接口。如果为了增加监测功能必须重新布置控制柜、敷设长距离信号线或者更换整台设备，数字化项目很容易因为成本和停机时间过高而无法实施。无线传感器可以安装在高处、狭小空间或者原来不容易布线的位置，通过无线通信把数据送入数据库，再由电脑或移动终端查看。对于存量设备数量较大的工厂来说，能够“加上去”往往比重新买一套设备更重要。

不过，无线方案真正进入工业现场以后也并不是安装完就不需要维护。电池寿命、无线覆盖、金属设备对信号的遮挡、传感器固定方式以及数据丢失都需要长期管理。铸造工厂还存在粉尘、高温和振动等环境因素，传感器本身能够测量某个参数只是第一步，能否在这样的环境中连续工作数月甚至数年更加关键。因此，后装无线监测最适合先从真正具有价值的关键测点开始，而不是为了追求“全厂都装传感器”一次性增加大量节点。测点越多，如果后续没有明确分析和维护机制，数据本身也会变成新的管理负担。

这次方案中另一个比较有代表性的变化，是工厂环境数据也开始与设备数据放在一起。新东工业的Amenity Meter用于把传感器采集到的环境信息映射到工厂平面图中，辅助观察不同区域的环境变化；同时还通过粉尘监测确认集尘设备异常。铸造车间的数字化因此不再只面向设备产量，而开始同时关注设备运行、人员作业环境和环保设施状态。过去生产设备、集尘系统和环境检测可能分别由不同部门管理，现在数据平台把这些信息联系起来以后，管理人员更容易看到某一工序运行变化是否同时伴随粉尘、能源或者其他环境指标变化。

集尘设备就是非常典型的辅助设备。它不直接生产铸件，但一旦运行状态异常，可能影响车间环境和正常生产。传统维护通常依靠定期巡检、压差表或者人员观察判断过滤系统状态；增加在线监测以后，可以持续观察设备运行趋势，在状态偏离正常范围时提前检查。类似思路也适用于风机、电机、输送设备以及其他铸造辅助机械。工厂数字化真正成熟以后，主生产设备和辅助设备之间不会再有非常明显的数据边界，因为任何一台关键辅助设备停机，都可能造成整条工艺链无法继续生产。

设备维护同样正在从固定周期向状态判断延伸。新东工业此次提出利用设备振动和运行数据进行预测性维护，根据异常趋势寻找故障迹象。这里需要保持一个实际边界：传感器发现振动变化，并不等于系统能够自动准确判断所有机械故障。轴承、减速机、风机和输送机构的振动特征受到转速、负载和安装条件影响，真正诊断仍需要历史基线和设备经验。但如果设备平时运行状态能够长期保存，当振动或其他参数逐渐偏离正常区间时，维修人员至少可以把检查时间提前，而不是完全等到设备出现明显异响甚至停机以后再处理。

质量数据与设备数据连接以后，其价值还会进一步提高。很多工厂质量部门拥有大量检验结果，但这些数据往往与生产设备参数分开保存。质量人员知道某一批产品不良率上升，设备部门却未必能立即找到当时对应的机器运行状态。如果质量结果能够按照时间、批次和产品编号与制造参数关联，就可以逐步分析某种缺陷是否与特定砂状态、设备参数或某一个生产时段存在重复关系。新东工业在此次资料中也明确把不良登记、砂性状管理和设备数据关联作为应用内容。厂商披露的实际案例中存在不良率下降到约2%的项目，但这一结果属于特定用户和条件，并不能直接作为所有铸造工厂部署后都能达到的普遍指标。

能源数据也被纳入同一体系。铸造属于能源消耗较明显的制造过程，不同设备、风机、输送、砂处理和其他辅助系统长期运行以后，单纯看每月总电费很难判断具体能耗来自哪里。新东工业此次提出按工序查看电力使用情况，并结合C-BOX等设备进行数据采集。把能耗按工序拆开以后，企业才可能发现某台设备在待机阶段是否仍然保持较高功率，或者同类设备在完成相同生产任务时为什么存在明显能耗差异。能源管理真正落到生产现场以后，重点不是只知道全厂用了多少电，而是把每一部分电耗与实际生产状态联系起来。

这种数据结构对PLC、传感器和工业通信的要求也会随之增加。传统自动化系统主要为了让机器按照确定顺序运行，PLC采集的很多数据只在当前控制周期中使用，完成动作后并不会长期保存。现在如果希望分析半年以前某一次产品不良，就必须把当时相关参数按照统一时间和设备编号存入数据库。控制系统因此需要同时满足实时控制和历史数据两个目标：现场PLC负责稳定执行机械逻辑，数据采集设备或边缘节点负责把关键变量送到数据库，上层软件再完成趋势、异常和质量分析。三者各自承担不同任务，而不是把所有功能都塞进一台控制器。

对于连接和现场布线来说，新增大量传感器也会带来新的工程需求。无线方式可以减少一部分长距离通信线路，但传感器安装、供电、网关以及原有PLC设备之间仍然存在大量接口。特别是需要同时改造不同年代、不同厂商设备时，数据接口并不会天然统一。有些新设备可以直接读取控制器数据，有些旧设备可能只能增加独立传感器，有些则需要通过电流、振动或开关状态间接判断运行情况。因此，存量工厂数字化通常不是一次性建设一个统一网络，而是根据不同设备实际条件采用多种采集方式，再逐步把数据整理到同一个平台。

新东工业还提出未来继续积累质量检测和铸造过程数据，并进一步使用AI进行质量预测、异常检测和预测维护。这个方向目前仍属于后续开发与验证，不能提前理解为AI已经能够自动预测所有铸造缺陷。铸造过程中的变量很多，如果基础数据不完整、传感器测量不稳定或者产品种类频繁变化，模型效果都会受到影响。相比急于增加AI，更重要的工作仍然是先确定哪些参数真正与质量相关，把数据持续、准确地记录下来。只有数据链完整以后，算法才有条件寻找过去人工不容易发现的关联。

从工控行业角度看，sinto SMART FOUNDRY更值得关注的地方也正在这里。它不是单独增加一台新的PLC或者一只新传感器，而是展示了传统工业如何重新组织已经存在多年的自动化产品。振动传感器负责设备状态，环境传感器观察车间条件，电力采集设备记录能耗，PLC保存生产状态，质量系统记录最终结果，再通过数据库和软件把这些信息按同一个生产过程重新组合。工业数字化的价值并不取决于传感器数量，而取决于这些数据最后能不能回答现场人员真正关心的问题：为什么这一批产品出现异常，哪台设备正在偏离正常状态，哪一道工序消耗过多能源，以及下一次停机是否可以提前安排维护。

截至8月31日上午，新东工业8月28日公布的这套方案是近期铸造自动化领域较新的公开动态之一。它所反映的趋势也很明确：传统重工业的智能化正在从新建自动化产线，逐渐深入大量仍然正常运行的旧设备。对工业传感器、数据采集、PLC、无线通信、电能监测和工业连接产品而言，这类存量设备改造可能比完全新建工厂覆盖更广，因为真正需要数字化的并不只是最新生产线，而是工厂里那些已经连续工作十年甚至更久、却仍然承担主要产能的设备。