欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

制造数据自然语言查询实操:用本地大模型把 MES 数据变成对话

上邦 AI 工程团队2026-09-05阅读 11 分钟
生产数据锁在 SQL 背后,业务人员却不会写查询,只能排队等分析师出数。本文给出一套本地化 NL2SQL 方案:用 Ollama 部署模型,结合 Schema 上下文与 RAG 把自然语言转成可审计的 SQL,并做权限隔离与下钻归因,附真实命令、代码与上线要点。

为什么车间需要自然语言查询

工厂数据散在 ERP、MES、SCADA、质量系统,业务人员想问一句三号线上周 OEE 为什么降了,却要等分析师写跨库 SQL。NL2SQL 把这类问题直连数据库,让从班组长到高管都能零门槛问数,且数据不出厂。

Step 1:本地部署查询模型

选用可私有化部署的模型,避免生产数据出境:
ollama pull qwen2.5:14b
ollama serve

Step 2:注入 Schema 与指标口径

把表结构、字段含义、OEE 等计算口径作为上下文,能显著提升生成 SQL 的准确率:
schema = '''
表 mes_production: line(产线), ds(日期), qty_good(良品), qty_total(总产量)
表 scada_runtime: line, ds, run_min(运行分钟), down_min(停机分钟)
OEE = 良率 * (run_min/(run_min+down_min)) * 性能系数
'''
question = '三号线上周每天的 OEE'
prompt = f'基于以下 Schema 生成 SQL:\n{schema}\n问题: {question}'
print(prompt)

Step 3:生成并执行 SQL(带错误恢复)

调用模型生成 SQL,执行前做白名单校验,出错时回退重生成:
from openai import OpenAI
import sqlite3
client = OpenAI(base_url='http://localhost:11434/v1', api_key='ollama')

def nl2sql(q):
    r = client.chat.completions.create(model='qwen2.5:14b',
        messages=[{'role':'user','content': schema + '\n生成SQL(只允许SELECT): ' + q}])
    sql = r.choices[0].message.content.strip().strip('`')
    assert sql.lower().startswith('select'), '仅允许查询'
    return sql

con = sqlite3.connect('mes.db')
print(nl2sql('三号线上周每天的 OEE'))

Step 4:权限与可解释

① 模型仅能访问只读视图,禁止写操作与跨库越权;
② 结果附下钻归因,OEE 下降要指出可用性、性能、质量哪一项;
③ 用 Schema 知识库消解表名歧义,配合 RAG 提升准确率;
④ 高频固定问题路由给小模型,降延迟与算力成本。
说明:本文基于公开研究与通用工程方法整理,实际指标口径以企业 MES 配置为准。

参考来源

Domain-Specific Manufacturing Analytics Framework: RAG and Ollama-Based Models for MES Environments - MDPI Processes(2025);Talk to Your Manufacturing Data: The Rise of Text-to-SQL - Fluid AI(行业技术博客)。
相关标签:制造数据NL2SQLText-to-SQLMES实操教程

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案