真正接近“熄灯生产”的制造系统，并不是把操作人员从生产线上撤走这么简单。机器人能否自己完成装配只是其中一部分，设备状态、工艺参数、质量判断、物料流转以及异常恢复都需要进入同一套控制体系。2026年9月9日，Tata Consultancy Services在印度浦那Sahyadri Park园区启用Industrial Autonomy & Engineering Lab – Lights-Out Factory，以一条全机器人电池包装配线作为实际制造载体，验证AI、数字孪生、机器人、工业控制系统与实时生产数据协同工作的自主制造模式。
TCS将该设施定义为印度首个熄灯工厂实验室。与普通软件演示中心不同，实验室内部存在真实的多工序电池包装配线，可以让制造企业在接近生产现场的环境中测试自动化方案。其重点不是直接生产商业化电池包，而是在受控条件下模拟工厂运行，让企业在真正改造量产线之前验证设备、软件以及不同自动化系统之间的配合。
所谓Lights-Out Factory，通常指生产过程能够在很少人工干预的条件下持续运行。传统自动化工厂已经拥有大量PLC、机器人、数控设备和自动输送系统，但很多生产决策依然需要人员完成。例如设备发生异常后由工程师判断原因，质量出现波动后由技术人员调整工艺，订单变化后重新制定生产计划，机器人遇到位置变化时重新示教。熄灯制造进一步尝试让更多判断和调整过程由软件、数据和自主控制系统承担。
电池包组装是一种非常适合验证这种制造模式的场景。电池模组、电气连接件、结构件和热管理部件需要按照规定顺序进行装配，同时还需要完成紧固、检测、识别和质量追溯。不同工位之间存在明显的前后关联，如果前一道工序出现异常而系统没有及时发现，问题可能一直传递到后续装配。
全机器人生产线首先需要解决的是物料识别和位置判断。传统固定自动化通常要求零件按照非常准确的位置进入设备，夹具、导轨和机械定位结构把物料约束在预设位置，机器人只需要重复执行固定程序。这种方案稳定性较高，但产品变化以后往往需要重新设计夹具或修改设备。
机器视觉加入生产系统后，机器人可以通过相机获取零件位置、姿态和部分外观状态，再根据识别结果调整运动轨迹。视觉系统通常需要与机器人控制器、PLC和生产管理系统交换数据，确认当前产品型号、目标位置以及下一步操作。识别错误或者数据延迟，都可能导致设备无法正常执行，因此机器视觉本身也必须纳入生产节拍管理。
TCS此次实验室把Vision AI列为核心验证能力之一。AI视觉与传统规则式机器视觉的区别，在于部分复杂检测任务可以通过训练数据识别更加多样的外观特征。例如表面缺陷、装配位置异常或者不同形态零件识别，在固定阈值难以覆盖全部变化时，可以利用机器学习模型辅助判断。
不过，在正式生产环境中使用AI视觉，并不能只看模型识别率。制造企业还需要确认误判和漏判会产生什么后果，模型更新后是否影响已经验证的质量标准，以及相机、镜头和照明环境变化是否导致识别结果漂移。对于关键质量工序，AI判断通常仍需要与尺寸测量、传感器数据或其他检测方式结合，而不是完全取代原有质量控制。
数字孪生是浦那实验室另一项核心技术。制造企业可以先在虚拟环境中建立设备、机器人和生产流程模型，再测试不同产量、节拍和设备布局条件。对于机器人生产线而言，数字孪生可以用于检查机器人运动范围、工位之间是否发生干涉以及生产节拍是否达到设计目标。
如果等生产线全部安装完成以后才发现机器人之间存在动作冲突，修改机械布局通常会产生较高成本。通过虚拟环境提前模拟，可以在设备进厂之前调整机器人位置、输送路径和工位节拍。这也是数字孪生在工厂规划阶段最实际的应用之一。
进入生产运行以后，数字模型还可以继续接收现场设备数据。机器人运行时间、设备报警、产量、温度、电流和生产节拍等信息可以形成实际设备状态记录，再与原设计参数进行比较。当某个工位长期慢于设计节拍时，工程人员可以判断是设备动作、物料供应还是工艺本身形成瓶颈。
TCS此次提出的Sensor-to-Cloud工业数据架构，则负责把这些现场信号连接起来。车间底层可能同时存在PLC、机器人控制器、视觉系统、传感器、变频器和其他设备，不同厂商使用的数据格式和通信方式并不完全相同。要让AI真正理解整条生产线状态，首先需要把分散的设备信息转换成能够统一使用的数据。
因此，工厂自主化并不会削弱PLC和传统自动化系统的重要性。PLC仍负责大量实时逻辑、安全联锁以及设备顺序控制，机器人控制器仍负责运动控制，伺服驱动器仍然控制电机位置和速度。AI更适合在这些基础控制系统之上处理预测、优化、识别以及复杂决策任务。
这种分层方式对于制造现场尤其重要。机器人急停、安全门或者设备互锁不能依赖云端AI经过网络计算后再决定是否停止设备，相关动作需要由安全控制系统在确定条件下快速执行。AI可以帮助判断生产趋势，但设备安全仍然需要按照工业安全体系独立设计。
预测性维护是TCS实验室计划验证的另一个方向。传统维修通常分为故障后维修和定期预防性维护。前者容易形成意外停机，后者则可能在零部件仍然能够正常使用时提前更换。通过采集电机电流、振动、温度、运行时间以及设备报警记录，可以尝试识别设备性能变化趋势，再安排更有针对性的维护。
工业机器人就是典型对象。减速器、伺服电机、轴承和机械关节在长期运行后都会产生磨损。如果某个机器人轴的负载、电流或者振动趋势逐步变化，维护系统可以把这些信息与历史运行数据比较。不过，异常趋势并不一定意味着零件即将失效，负载变化、产品型号和机器人动作程序都可能造成数据变化，因此预测模型必须理解设备实际工况。
自主质量控制也需要生产数据形成闭环。假设某道紧固工序的扭矩逐渐接近控制上限，后续检测又同时发现相关尺寸发生趋势性变化，系统可以把两个工序的数据联系起来，帮助工程人员更早确定问题来源。如果数据始终分散在不同设备内部，这类跨工序分析就很难完成。
电池包装配过程尤其适合这种追溯方式。每一个产品可以建立唯一生产记录，对应使用的零部件批次、装配时间、设备编号、机器人程序以及检测数据。一旦后续发现异常，可以追溯同批次或者同设备生产的产品，而不必扩大检查范围。
实时过程优化则进一步尝试让系统根据生产状态主动调整资源。例如某个工位发生短时停机，上游设备如果继续按照原速度生产，可能迅速形成在制品堆积。传统系统可以通过固定逻辑暂停设备，而更加复杂的自主系统则能够结合订单优先级、缓存容量以及其他工位状态重新安排生产节奏。
这种能力需要工业边缘计算与工厂网络提供稳定的数据基础。部分实时数据可以直接在现场边缘设备处理，不需要全部上传云端。这样既减少通信延迟，也可以避免网络异常时整个生产决策系统失去作用。云端则更适合进行跨设备、跨产线的数据分析和长期模型训练。
机器人自主制造还涉及异常恢复问题。真正限制无人化时间的往往不是正常生产，而是那些很少出现的小概率异常。例如零件没有完全进入夹具、标签位置发生偏移、机器人抓取失败或者传感器短暂出现异常。如果每一次异常都需要人员立即进入现场处理，所谓无人生产只能持续到第一次故障出现。
因此，Physical AI和自主机器人研究开始越来越重视异常场景训练。系统不仅需要知道“正常情况下下一步怎么做”，也需要判断当前状态是不是正常，以及出现偏差以后是否能够重新定位、再次抓取或者安全退出当前任务。
但制造企业并不会因为实验室能够实现自主运行，就立即把成熟生产线全部改造成熄灯工厂。已有工厂拥有大量不同年代和不同品牌设备，其中一些设备没有完整数据接口，另一些虽然能够联网，但协议和数据定义并不统一。真正改造时，底层设备兼容往往比新增一套AI软件更复杂。
这也是TCS建立实体实验室的原因之一。制造企业可以先把具体生产场景带入实验环境，测试机器人、视觉、数字孪生和工业AI之间的协同方式，判断哪些工序适合提高自主程度，再决定是否进入正式生产线。相比直接在量产工厂试验，新技术在独立环境中验证可以降低对正常生产的影响。
从工业控制产品角度看，熄灯制造并不会减少基础自动化部件，反而会增加设备之间的数据连接数量。PLC、安全控制器、工业计算机、伺服驱动、编码器、光电传感器、接近传感器、工业相机、开关电源、继电器、端子和工业连接器仍然组成设备层基础。
区别在于这些设备过去更多负责各自工位运行，而未来需要同时向上层系统提供状态数据。传感器不再只负责触发一个动作，电机驱动器也不再只是执行速度指令，其内部电流、负载、温度和报警数据都可能成为设备健康分析的一部分。
这也对工业通信可靠性提出更高要求。生产设备运行过程中，如果数据网络频繁丢包、连接器接触不稳定或者现场通信受到干扰，上层AI系统获得的数据就可能不完整。随着工厂越来越依赖数据决策，原本被视为辅助系统的工业网络开始直接影响生产管理质量。
TCS浦那设施还强调软件定义工程。其思路是让部分设备功能和制造逻辑能够通过软件持续更新，而不是设备安装完成以后多年保持固定状态。这种模式在工业领域需要比普通IT系统更加谨慎，因为软件修改可能直接改变机械动作和工艺过程，每一次重要更新都需要考虑设备安全和生产验证。
目前这座设施仍然属于技术验证实验室，其全机器人电池包装配线主要用于模拟和测试自主制造，不应理解为TCS已经进入电池商业化生产。实验室真正承担的任务，是帮助制造企业把工业AI、数字孪生和机器人从概念演示推进到接近真实生产的环境中进行验证。
对于工业自动化行业，这一项目反映出的变化十分明确。过去工厂数字化经常按照单个项目推进——先做设备联网，再做视觉检测，再增加机器人，最后建设数据平台。新的自主制造体系则要求这些系统从设计阶段就能够彼此交换数据，并围绕统一生产目标进行协调。
当机器人能够执行动作、视觉能够判断现场状态、数字孪生能够模拟生产、工业AI能够分析趋势，而PLC和安全控制系统继续承担实时控制以后，制造现场才有可能逐步减少对人工持续干预的依赖。熄灯工厂因此并不是某一种机器或软件产品，而是一套从机械设备、工业控制到数据和AI共同组成的制造系统。
TCS此次在浦那建立实体Lights-Out Factory实验室，把这种系统直接放到真实机器人电池包装配线上进行验证，说明工业AI正在从报表分析和生产计划进一步进入生产设备运行层。未来制造企业能否真正提高无人运行时间，关键将不只是机器人数量，而是设备可靠性、数据质量、异常恢复、安全控制以及不同系统之间能否长期稳定协同。
