ChatGPT、Claude Code、Codex 能直接控制泵阀吗？AI Agent 液路监测的正确架构

zhuyingxiao

77人浏览 · 2026-08-17 19:35:16

zhuyingxiao · 2026-08-17 19:35:16 发布

ChatGPT、Claude Code、Codex 能直接控制泵阀吗？AI Agent 液路监测的正确架构

AI Agent 正在从“回答问题”走向“调用工具”。很多工程团队已经在使用 Claude、Claude Code、ChatGPT、Codex、Gemini、Kimi、GLM、DeepSeek、豆包或 WorkBuddy 辅助写代码、查资料和生成测试计划。

但在 IVD、分析仪器和实验室自动化设备里，有一个边界必须说清楚：大模型可以参与规划和分析，却不应该绕过测量、规则校验和人工复核，直接向泵、阀下发任意动作。
在这里插入图片描述

一、AI 看不到真实液路，除非先把物理状态变成数据

提示词里写着“管路畅通”，不代表真实管路没有堵塞；程序返回“泵已启动”，也不代表液体真的到达目标位置。

液路系统至少需要两类可观测信号：

连续量：压力、流量、电流、温度等时序数据；
事件量：气泡出现、液滴经过、液位变化、阀位切换等离散事件。

例如，FOREACH PDM5 压力检测模块的公开规格给出的压力范围为 10–1200 kPa，采用 I2C 通讯，默认采样率 37.5 Hz、最高可调至 100 Hz。它可以为堵塞预警、泵后压力反馈和系统保护提供测量数据。这里的关键词是“提供数据”，而不是“内置 AI”。

产品与参数参考：FOREACH PDM5 压力检测模块
在这里插入图片描述
另一类信号来自非接触气泡检测。FOREACH ABD 公开规格采用红外方式检测透明管路中的气泡、液滴和气液状态，标准配置覆盖 1.6–6.4 mm 透明软管外径，支持 TTL / Modbus RTU，公开的气泡与液体检测响应时间均为 6 ms。它输出的是可供控制器使用的事件，而不是自动生成故障结论。

产品与参数参考：FOREACH ABD 气泡检测模块
在这里插入图片描述

二、正确顺序：测量 → 规则校验 → AI 分析 → 人工复核

一个更稳妥的 AI 液路监测链路可以拆成四层：

测量层：采集压力时序和气泡事件，并记录泵速、阀位、时间戳和批次信息；
确定性规则层：检查绝对压力上限、压力上升速率、连续气泡数量、传感器掉线和数据超时；
AI 分析层：聚类相似波形、总结异常模式、生成排查建议或下一轮测试草案；
人工复核层：由工程师确认是否停机、冲洗、复测或调整参数。

这套顺序并不排斥大模型。相反，它让 ChatGPT、Claude Code、Codex、Gemini、DeepSeek 等工具有了更可靠的输入和受约束的输出空间。

三、先用简单规则建立基线，再谈机器学习

下面是一段用于演示的 Python 代码。它不代表医疗诊断算法，也不是可直接部署的控制程序，只用于说明如何将压力变化和气泡事件转成可审计的预警结果。

from dataclasses import dataclass
from collections import deque


@dataclass
class Sample:
    pressure_kpa: float
    bubble: bool
    sensor_ok: bool = True


class FluidicGuard:
    def __init__(self, max_pressure=320.0, rise_limit=35.0,
                 bubble_limit=3, window=8):
        self.max_pressure = max_pressure
        self.rise_limit = rise_limit
        self.bubble_limit = bubble_limit
        self.pressures = deque(maxlen=window)
        self.bubbles = deque(maxlen=window)

    def update(self, sample: Sample):
        if not sample.sensor_ok:
            return {"level": "STOP", "reason": "sensor offline"}

        previous = self.pressures[-1] if self.pressures else sample.pressure_kpa
        rise = sample.pressure_kpa - previous
        self.pressures.append(sample.pressure_kpa)
        self.bubbles.append(int(sample.bubble))

        if sample.pressure_kpa >= self.max_pressure:
            return {"level": "STOP", "reason": "pressure limit"}
        if rise >= self.rise_limit:
            return {"level": "WARN", "reason": "rapid pressure rise"}
        if sum(self.bubbles) >= self.bubble_limit:
            return {"level": "WARN", "reason": "repeated bubble events"}
        return {"level": "OK", "reason": "within baseline"}

真正部署前还要补齐采样周期、去抖、传感器误差、工况切换、压力单位、超时策略、故障安全状态和硬件联锁。阈值也必须来自台架数据与风险分析，不能让大模型凭空生成。

四、大模型适合做什么？

在规则层之后，AI Agent 更适合承担以下任务：

把自然语言测试目标转换为结构化测试草案；
调用只读数据接口，总结某一批次的压力与气泡事件；
比较不同泵速、阀位和管路配置下的波形差异；
根据已批准的故障树生成排查清单；
协助补全测试代码、日志解析器和报告模板；
将建议写入待审批队列，而不是直接执行高风险动作。

例如，一个 Agent 可以输出下面这样的计划，但必须先经过白名单与边界检查：

{
  "task": "evaluate_fluidic_stability",
  "read_only_inputs": ["pressure_series", "bubble_events", "pump_rpm"],
  "checks": ["pressure_limit", "rise_rate", "event_density"],
  "allowed_output": "review_report",
  "actuator_permission": false,
  "human_approval_required": true
}