制造业AI路线图：从工厂数据到智能体

您的AI试点在一条产线上跑通了。一年后，第二家工厂仍然没有用上，第一条产线也已悄悄停用。

制造业AI路线图的意义就在于避免这种结局。它分为四个阶段：把工厂数据与ERP数据打通，加上一层受治理的智能层，规模化部署AI智能体，最后让AI融入工厂的运行方式。

大多数制造企业想直接从第三阶段开始。试点停滞的原因正在于此。

我在塑料、钢铁和国防制造企业实施过ERP。同样的模式反复出现。最难的部分很少是模型。

难的是，三个系统用三种方式描述同一张订单。

设想一张5,000个注塑瓶盖的订单。ERP看到的是一张生产订单。MES（运行车间现场的系统）看到的是14号注塑机上的一个作业，而注塑机本身只知道循环次数。

无论您的核心系统是SAP、Oracle、Microsoft、Infor还是自研系统，这份路线图都适用。

我会这样安排这三年。

三年，四个阶段

1. 01

   当前：数据基础

   工厂、质量和ERP数据进入同一个受治理的平台，具备数据血缘和自助式报表。

2. 02

   第1年：受治理的智能层

   为工厂、产线、物料和订单建立一套业务语言，落实AI治理，交付首批速赢项目。

3. 03

   第2年：规模化AI智能体

   维护、质量、计划和采购智能体在各工厂运行。

4. 04

   第3年：AI规模化融入

   AI融入工厂的计划、运行和改进方式，人与智能体协同工作。

时间安排仅作参考。一个拥有十家工厂、运行四套ERP的集团，在第一阶段需要更长时间。

工厂数据是分层存放的，ISA-95标准对这些层级描述得很清楚。最底层是传感器和PLC，也就是控制每台设备的控制器。往上是SCADA画面和历史数据库（存储设备读数的数据库），然后是MES，最上层是负责计划和核算成本的ERP。

AI需要这些层级彼此连通。而在大多数工厂里，它们是割裂的。

我会从三件事着手。

1. 一个数据平台，通常是云端的湖仓或数据仓库，接入ERP数据、MES记录和历史数据库读数。大多数用例需要的是汇总数据，例如每个批次的平均熔体温度。
2. 从第一天起就落实治理：数据目录、能显示每个数字来源的数据血缘，以及质量规则。如果没人说得清某个废品数字从何而来，也就没人会信任预测它的模型。
3. 自助式报表。在引入任何AI之前，工厂经理就应该能从同一个数据源看到OEE（实际合格产出与理论可能产出之比）、废品率和计划达成率。

最难的工作是主数据。以一个拥有两家工厂的塑料集团为例。

A厂把一种黑色聚丙烯颗粒叫作MAT-1001，以千克计量。B厂把它叫作PP-BLK-25，以25 kg一袋计量。让模型预测树脂用量，它看到的是两种互不相关的物料。

解决办法很枯燥。由一位物料负责人完成编码映射，统一一个计量单位，平台每晚按这条规则执行。

工具可以建议匹配关系。但哪个编码胜出、此后由谁负责这条规则，仍由人来决定。

时钟是我会尽早检查的另一件事。轧钢厂的历史数据库可能按当地时间记录加热炉读数，而ERP按UTC过账。

您想把4471号钢卷上的表面缺陷，与它轧制时的炉温关联起来。如果两边时钟相差四个小时，模型学到的就是错误的温度。在这里一次性修正，之后的每个用例都会随之正确。

1. 01设备与历史数据库传感器读数，按批次汇总
2. 02MES作业、停机和废品
3. 03ERP订单、物料和成本
4. 04着陆区原始副本，保持到达时的原样
5. 05清洗与映射一个物料编码，一个单位，一个时钟
6. 06自助式报表OEE、废品率和计划达成率

每张订单都有一个可信版本，从设备一直到总账

第一年要把这些数据变成AI可以安全使用的东西。核心是语义层：为工厂、产线、工作中心、物料、订单和缺陷建立一套共同的业务语言。

您问智能体“3号线的停机情况”，它需要知道是哪一条3号线。A厂和B厂可能都有3号线，而且停机的统计口径也不同。

一家工厂从设备停下的那一刻开始计时。另一家从操作员登记停机时开始计时。语义层写下唯一的定义，每份报表和每个智能体都使用它。

同一年要把AI治理落实到位。为每个AI用例建立登记册，每个用例都有明确的负责人、风险评级，以及一个由人来检查输出的环节。

如果某个AI系统成为设备的安全部件，EU AI Act会将其视为高风险系统。请尽早让安全工程师参与进来。我希望他们出现在第一次研讨会上。

然后交付两三个让车间员工切实感受得到的速赢项目。下面是夜班场景中的维护助手。

1. 一名技术员面对一台反复报低压故障的液压机。她在平板上把故障代码和设备编号输入维护助手。
2. 助手检索这台液压机的手册以及它过去的工单。
3. 它回答说，同样的故障以前出现过两次，两次都是主油缸密封件磨损。
4. 它给出密封件的零件号，并链接到手册中介绍更换步骤的那一页。

是否停机仍由她决定，挂牌上锁也仍由她亲自完成。助手只是省去了翻找旧文件的时间。

交接班摘要是第二个速赢项目。早上6点，接班主管会收到一页根据MES事件、停机记录和质量冻结信息生成的摘要：9号注塑机因换模缓慢损失了40分钟，2207批次因短射（注射不足）被冻结。

主管核查冻结情况，再决定先生产什么。

第三个选项是供应商单据核查。如果某个钢卷的材质证明书写的是S275，而您订购的是S355，AI会在收货前标记出来。接收还是拒收这个钢卷，仍由质量部门的人员决定。

我会这样给首批候选用例排序。

1. 01主管提问3号线昨晚为什么损失了时间？
2. 02语义层哪家工厂，哪条产线，按哪条停机规则
3. 03受治理的数据停机记录、MES事件、工单
4. 04助手作答附上每个数字的来源
5. 05主管核查接受、更正或上报

工厂经理和董事会材料都认可的答案

业务价值高中低

• 自主排程

• 视觉质量检测

• 维护助手

• 供应商单据核查

• 交接班摘要

• 通用聊天机器人

低中高数据准备度

• 以后再做
• 纳入计划
• 立即开始

第二年从助手走向智能体。助手回答问题。智能体监测信号，在您设定的边界内决定怎么做，并在您的系统中执行操作。

以下是我在制造业中看到最先产生回报的智能体。

1. 预测性维护。 设备读数在故障发生前就在ERP中触发工单，并预留备件。
2. 质量。 视觉检测标记出缺陷，智能体冻结该批次，把它与工艺参数关联起来，并创建偏差记录。
3. 计划。 当设备停机或物料延迟时，智能体重新平衡排程，并请计划员审批。
4. 采购。 它跟催延迟的交货，并起草加急请求。

下面看维护智能体如何处理一台冲压机上即将失效的轴承。

1. 主轴承的振动在两周内缓慢上升，温度随之升高。
2. 智能体把这一模式与同类型冲压机过去的故障进行比对，找到了匹配项。
3. 它在ERP中创建维护通知，确认库存中有备用轴承，并将其预留。
4. 它建议在周六的计划停机中安排维修时段，并把请求发给维护计划员。

计划员批准这个时段或进行调整。智能体可以自行创建通知、预留备件，但不能让产线停机，这条边界由一位明确的负责人掌管。

再看计划智能体。周二下午，一台挤出机停机到周四，一集装箱树脂又卡在港口。

智能体检查未结订单、交货日期，以及哪些产线能生产哪些产品。它给出两个方案：把三张订单转到2号线并在周三加班，或者把一张客户订单推迟两天。

计划员选择其中一个，或者先给客户打电话。我绝不会让智能体悄悄改动客户的交期。

第二年更大的变化在于责任归属。每个智能体、它的边界和它的结果都必须有人负责。我把智能体当作新的团队成员来对待，给它们写岗位说明，并定期评估。

1. 01监测每台冲压机的振动、温度和电流
2. 02发现一个轴承读数偏离正常范围
3. 03准备起草工单，预留备件
4. 04批准维护计划员安排时段
5. 05执行下达工单，派出技术员
6. 06学习结果用于下一次预测

每个智能体一位负责人，边界明确

到了第三年，AI已经不再是一个单独的项目。它融入计划、生产、质量、维护和成本核算之中。

下面看它在月度S&OP周期中是什么样子。在这个周期里，销售、生产和财务要商定一份统一的计划。

1. 客户分享预测，智能体对照订单历史，标记出看起来偏高的预测。
2. 供应商分享产能，因此智能体看到您的涂层供应商3月份已经排满。
3. 智能体起草一份兼顾两者的计划，并在ERP中核算成本。
4. 会议把一个小时用在少数几个真正需要权衡的问题上。

计划仍由人负责。运营负责人签字，财务核查利润。

成本核算是我会关注的另一个领域。假设一台注塑机的实际运行速度一直慢于标准循环时间。智能体发现这个差距，算出对成本的影响，并询问成本会计是否更新标准。

由会计来决定，因为标准成本的变更会传导到库存估值和利润上。

1. 工厂总监负责工厂目标和智能体组合
   AI治理为每个智能体提供登记、测试和紧急停止开关
2. 生产经理审批智能体提出的排程变更

• 维护智能体由维护经理负责
• 质量智能体由质量经理负责
• 计划智能体由计划主管负责
• 采购智能体由采购员负责

1. 04AI智能体与助手维护、质量、计划和采购智能体，设有人工审批环节
2. 03受治理的智能层工厂、产线、物料和订单的语义模型，加上AI登记册
3. 02数据基础汇集ERP、MES和历史数据库数据的湖仓，配有数据目录和数据血缘
4. 01工厂与企业系统传感器、SCADA、历史数据库、MES和ERP

有四件事不属于某一年。它们贯穿所有阶段。

1. OT安全。 OT指运行设备的控制器和网络。把它们连接到云端AI会扩大攻击面，因此要按IEC 62443设计连接方式，并保持控制网络分段隔离。智能体读取的是历史数据库数据的副本，绝不向PLC写入。
2. 数据主权。 国防、政府以及部分受出口管制的业务，需要境内部署或本地部署的AI方案。在选择模型之前，先决定哪些数据可以离开工厂。一张国防零件图纸可能永远不能接近公共模型，而树脂用量预测大概可以。
3. 开放的多供应商技术栈。 使用开放格式和标准接口，例如OPC UA，这是读取设备数据的一种通用标准。这样您就可以更换模型而无需重建。
4. 您的员工。 培训计划员、工程师和技术员与智能体协同工作。信任智能体方案的计划员会采用这些方案。不信任的计划员会在Excel里把计划重做一遍。

最常见的失败是试点无法规模化。一个在单条产线上训练、靠手工抽取数据的视觉模型，只能证明这个想法可行，仅此而已。

把它带到第二家工厂试试。摄像头不同，零件号对不上，模型也没人负责。

第二种失败是把AI当作IT项目。如果生产、质量和维护的负责人不拥有这些用例，智能体建好之后就会被冷落。

我的建议是从流程入手。先梳理工单或质量冻结目前是如何流转的，再选择系统。在任何人写代码之前，给每个用例指定一位业务负责人。

出错的做法有效的做法

1. 01出错的做法: 在单条产线上试点，靠手工抽取数据→有效的做法: 为所有工厂打好的数据基础
2. 02出错的做法: IT部门建成，工厂从未接手→有效的做法: 每个用例都有一位生产、质量或维护负责人
3. 03出错的做法: 每个项目都重新修正编码、单位和时钟→有效的做法: 主数据集中修正一次
4. 04出错的做法: 智能体没有负责人、没有边界、没有评估→有效的做法: 每个智能体都有负责人、边界和定期评估

想拿您自己的工厂来检验一下？预约一次通话，带上一个用例以及您ERP和MES的大致草图。我会告诉您真正处在哪个阶段，以及我会先做什么。

什么是制造业AI路线图？

它是在制造企业中分阶段使用AI的计划。起点是打通工厂数据和ERP数据的数据基础，然后依次是受治理的智能层、AI智能体，以及融入工厂运行方式的AI。

制造企业应该从哪里开始使用AI？

从数据开始。把ERP、MES和设备数据汇集到一个受治理的平台，修正主数据，并为工厂经理提供自助式报表。首批AI用例在第一年出现，建立在这个基础之上。

在制造业中，哪些AI用例最先产生回报？

维护助手、交接班摘要和供应商单据核查交付得很快。预测性维护、视觉检测和排程重新平衡带来的价值更大，但需要更好的数据，因此通常放在第二年。

制造业AI路线图需要多长时间？

数据基础工作启动后，我按三年来规划。第一年加上智能层，第二年规模化部署智能体，第三年让AI融入关键流程。速赢项目应在第一年内体现价值。

使用AI之前，我们需要更换ERP或MES吗？

不需要。AI通过数据基础架设在您现有的系统之上。重要的是您的ERP和MES数据干净且相互连通，无论您用的是哪家供应商。