AI案例征集中 | AI如此横扫工业生产

AI技术正在重塑工业生产的底层逻辑，但真正决定价值的，从来不是技术本身，而是它落地的具体场景。从虎嗅智库持续征集的“大鲸榜·AI创新落地案例”来看，我们看到了太多令人眼前一亮的实践：冰冷的机械臂与灵活算法结合，能让冰箱压缩机贴标错误率大幅下降；香醇的酒香遇上智能管理平台，能为传统酒业注入全新活力；海信电子的零碳工厂里，AI成为绿色可持续发展的重要推手；中国建材集团的智慧物料检索项目，让海量物料管理变得前所未有的便捷；采埃孚企业的专家知识系统中，AI化身为知识传承与创新的关键桥梁……这些扎根生产一线的案例，不仅展示了AI技术广阔的应用场景，更实实在在地证明了AI在提升生产效率、优化流程、降低成本方面的巨大潜力。

从本期开始，虎嗅智库将陆续把这些案例的精华整理出来，分期发布。现在，先来看第一期精选内容。

案例一：采埃孚企业专家知识系统建设方案

采埃孚/澜码科技
生产

采埃孚长期积累了大量设备监测、维护、检修和诊断等领域的结构化和非结构化数据，而且还在持续增长。信息过载问题日益严重，日常的设备维护、故障诊断效率却因为数据与知识的制约难以提升。巡检运维、定期维护等工作依赖大量人工，每年投入巨大但效果欠佳，甚至制约了企业的转型发展。为此，公司推出了“服务汇聚联盟”AI Agent，目标是帮助维修技师快速精准定位车辆故障，生成详细的故障诊断报告，提升汽车维修行业的服务效率和质量。

• 数据及知识的管理和传递困难：信息过载加上人事变动，导致知识技能传递出现断裂，甚至埋下安全隐患。
• 大语言模型选型评估和应用场景适配困难：不同模型在不同场景下的表现差异很大，需要大规模的排列组合实验才能找到最佳方案。
• 非结构化数据的检索和推荐困难：文档、图片、视频这类非结构化数据，难以有效检索和推荐。

• 建立知识资产管理和模型管理体系，集中管理企业业务数据、文档知识库、标注数据、提示词等资产，并通过经验沉淀和使用反馈实现知识的更新、维护与优化。
• 构建实验仿真平台，自动生成批量化实验任务，评估不同排列组合的准确率，大幅提高实验效率。
• 建立向量数据库，将非结构化数据向量化存储，利用大语言模型的推理能力实现对这些数据的检索和推荐。

案例二：中国建材集团智慧物料检索项目

中国建材集团/羚羊工业互联网
生产

中国建材集团因历史原因使用两套平台，数据互不互通，只对部分物料数据做了映射关联，物料编码最终以集团主数据平台为准。这两个平台承担着旗下20家二级单位及1400多家企业的物料管理工作，物料种类超过100万种，存在大量重复编码和同种物料不同描述的问题。日常使用中经常出现找不到物料编码的情况，需要逐级递交到不同工种的专家处判断物料一致性，费时费力，而且没有一个专家具备全部技能，沟通成本极高。针对这些痛点，集团引入工业大模型能力进行优化，减少人员工作量、沟通成本和资源浪费，提高工作效率。计划将大模型能力接入物料系统，赋能数据映射、数据融合，实现物料资产统一管理，基于大模型语义理解快速高效检索物料，并在全集团推广。

• 训练大模型需要大量GPU，一般企业难以承担成本投入。
• 工业数据（特别是企业私域数据）类型复杂，知识抽取准确度不高。
• 知识离散存储，复杂问题的知识点匹配容易遗漏。

• 提出大模型领域定制技术，适配不同数据量的全模型参数、部分模型参数、适配器模型参数学习方案，实现低资源下的高效训练，解决低成本训练工业大模型的问题。
• 提出基于工业大模型的知识构建技术，利用工业大模型进行各类工业数据的版面分析、公式识别、表格理解，并通过针对性训练优化知识提取的准确性。
• 提出大模型知识链的表示技术，将多个具有逻辑性的知识点存储在一起，通过后续的知识嵌入表示，命中与问题相关的知识链，提高知识问题的全面性，降低大模型对知识性问题的“幻想”概率。

案例三：海信电子打造行业首个且唯一的零碳工厂

海信电子/蘑菇物联
生产

海信电子工厂已经部署了很多专业数字化系统，但彼此独立，尤其缺少公辅站房的数字化系统。空压站和制冷站是生产的公共辅助车间（简称“公辅车间”），负责提供压缩空气和冷气以保证正常生产，主要设备包括空压机、后处理冷干机、中央空调冷水机组及组合式空调机组等。改造前依赖手工抄表、人工管理能源，空压站和制冷站年耗电超过520万元。

• 工业设备种类繁多、应用场景复杂，不同环境有不同的工业协议。
• 如何衡量数智化节能的效果，包括企业效益、流程优化、服务能力等多方面。
• 项目交付过程中，能否不影响生产？如何保证快速落地？

• 在公辅车间各类设备（空压机主机、冷干机、冷水机、供气管道等）上安装物联网关（RTU），通过485串口走MODBUS协议与设备通讯，采集运行参数。
• 通过LORA通讯方式，将设备数据无线传输到公辅车间内的“边缘计算服务器”。边缘计算服务器采用工控机架构，负责边缘计算及设备反控。计算结果一路通过LORA回写至物联网关，实现对设备的反控。
• 云端部署大数据平台：一方面对现场上云的数据进行分析和存储，另一方面利用现场数据训练云端AI算法，不断更新算法，并定期下发到边缘端，使边缘端控制算法与现场工况逐步匹配，保证实施效果。

案例四：今世缘酒业设备数智化管理平台

今世缘酒业/云从科技
生产

今世缘近年来在南厂区不断投入建设，新增大量智能化产线。面对如此多的智能化设备，设备健康稳定运行成为南厂区稳定生产的先决条件。但现阶段公司的设备管理水平总体滞后于设备更新换代的速度，缺乏有效的管理系统工具，普遍存在管理方式落后、设备故障频繁、效率难以提升、维护成本居高不下、维修人才培养难等痛点。在设备管理面临挑战的背景下，今世缘引入专业设备管理咨询机构，建设数智化设备平台，解决智能化设备维护难度和人才短缺问题。

企业设备量大，且高度依赖设备的稳定性。

基于工业互联网的设备管理系统，实现设备管理的数字化、智能化和集成化。重点功能包括：设备前期管理、设备台账管理、设备技术资料管理、设备维护活动管理、备件管理、设备数据分析管理、设备技能管理平台。

案例五：AI在生产过程质量管控的应用——冰箱压缩机贴标错误率降低的实践

长虹华意
生产

在冰箱压缩机制造中，贴标环节的质量控制至关重要。贴标错误不仅影响产品外观，还可能导致产品信息混淆，进而影响产品追溯和售后服务。传统贴标质量检查依赖人工，但人工检查易疲劳、效率低、易出错，难以满足现代化生产线对质量控制的高要求。因此，长虹华意选择了基于深度学习的AI视觉识别技术作为解决方案，搭建AI视觉识别系统，实现对压缩机标签的高精度、高效率识别，有效预防和控制贴标错误。

实施过程中主要面临数据标注难度大、模型训练时间长以及系统集成复杂等挑战。

通过优化算法、提高数据质量，以及加强与生产线控制系统的协同配合。

• 数据准备与模型训练：收集大量压缩机标签样本，进行标注和预处理，用于训练深度学习模型。通过不断优化模型参数和结构，提高识别准确率和鲁棒性。
• 系统部署与集成：将训练好的AI视觉识别系统部署到生产线上的贴标工序，与现有生产线控制系统集成，确保系统能够实时接收标签图像并进行快速准确识别。
• 反馈与调整：根据识别结果，对贴标操作进行实时反馈和调整。一旦发现贴标错误，及时通知操作人员纠正，避免错误产品流入下一工序。