制造业 AI 工具知识地图:从业务场景到项目落地

本知识地图面向中小制造企业,兼顾业务负责人的效果判断,以及 IT 人员的实施与运维。整体按“业务问题 → 工具选择 → 数据准备 → 实践案例 → 效果验证”展开。
一、制造业业务基础:先理解工厂怎样运转
- 生产模式:按库存生产、按订单生产、按订单设计;离散制造与流程制造。【文章待补充】
- 业务流程:客户需求 → 研发设计 → 采购 → 计划 → 生产 → 质量 → 仓储物流 → 售后。【文章待补充】
- 经营指标:质量、成本、交付、库存、设备效率、能耗。【文章待补充】
- 管理方法:精益生产、标准作业、瓶颈管理、PDCA、A3、8D。【文章待补充】
- 数字化系统:ERP、MES、PLM、WMS、QMS、EAM、APS 分别管理什么,与 AI 如何衔接。【文章待补充】
- 战略部署/方针管理
二、制造业场景地图:AI 可以用在哪里
以下案例作为后续教程与实践选题。
| 业务领域 | 典型问题 | AI 与工具应用方向 | 实践案例及验收重点 |
|---|---|---|---|
| 销售与报价 | 客户资料分散、报价慢 | 需求提取、历史方案检索、报价资料整理 | 建立询价整理助手;检查漏项率、报价周期 |
| 研发与设计 | 查资料慢、设计反复修改 | 技术资料检索、设计辅助、方案比较 | 产品设计知识助手;检查来源和工程约束 |
| 工艺管理 | 工艺经验依赖个人 | 工艺知识库、作业指导书辅助编制 | 工艺问答助手;检查版本、适用条件 |
| 采购管理 | 报价条件不一致、比价困难 | 文档识别、采购条件提取、供应商分析 | 自动整理比价表;检查字段准确率 |
| 计划与排产 | 插单频繁、计划难执行 | 需求预测、约束建模、排程求解 | 单产线排产试点;检查约束满足、延期情况 |
| 生产现场 | 日报多、异常跟进慢 | 数据汇总、异常识别、任务流转 | 生产异常日报;检查异常关闭周期 |
| 质量管理 | 缺陷识别难、报告整理耗时 | 视觉检测、质量数据分析、8D 辅助 | 单类缺陷检测;检查漏检率、误报率 |
| 设备维护 | 故障知识分散、维修依赖老师傅 | 设备知识问答、故障分析、预测性维护 | 维修助手;检查检索准确性和维修时间 |
| 仓储与物流 | 库存不准、缺料与积压并存 | 单据识别、库存分析、补货与路径优化 | 呆滞库存分析;检查库存和交付改善 |
| 能源与安全 | 能耗异常难发现、记录难汇总 | 能耗分析、异常提示、巡检资料整理 | 单位产品能耗分析;核对基线与异常原因 |
| 售后服务 | 历史维修记录难查 | 服务知识库、工单分类、处理建议 | 售后知识助手;检查答复准确性、处理周期 |
| 经营与协同 | 经营报表滞后、会议任务遗漏 | 报表解读、会议整理、行动项跟踪 | 经营分析助手;检查数据一致性和任务落实 |
三、AI 工具箱:按能力建立工具目录
工具箱同时收录 AI 工具,以及数据处理、流程自动化和优化求解等配套工具。
1. 通用大模型与提示词
- 需求梳理、资料总结、方案起草、代码辅助。
- 学习输入背景、约束条件、输出格式和结果核验。
- 代表入口:DeepSeek。
2. 文档识别与信息提取
- 图片转文字、表格识别、订单和检验报告字段提取。
- 学习扫描质量、字段校验、异常单据处理。
- 代表工具:PaddleOCR。
3. 企业知识库与问答助手
- 制度、设备手册、工艺文件、维修记录的检索问答。
- 学习文档切分、检索增强生成(RAG)、来源引用和权限。
- 代表平台:Dify。
4. 流程自动化与智能体
- 连接表单、数据库、业务系统和消息通知。
- 学习触发条件、审批节点、异常重试与运行日志。
- 代表平台:n8n。
5. 数据分析与预测
- 数据清洗、分类、回归、聚类、异常检测。
- 学习训练集与测试集划分、基线比较、效果评估。
- 代表工具:scikit-learn。
6. 机器视觉与工业检测
- 缺陷检测、零件计数、装配检查、字符识别。
- 学习相机与光源、样本标注、漏检和误报评估。
7. 排程与优化求解
- 生产排程、人员分配、配送路径和资源配置。
- 学习目标函数、硬约束、软约束及可执行性。
- 代表工具:OR-Tools。
8. 设计、仿真与工业专业工具
- 生成式设计、工程分析、制造约束与方案验证。
- 代表方向:Autodesk Fusion 生成式设计。
9. AI学习
四、数据与系统基础:让工具接得上业务
- 数据盘点:数据在哪里、谁负责、多久更新一次。
- 主数据:物料、客户、供应商、设备、工艺和缺陷编码。
- 数据质量:缺失、重复、单位混用、时间不一致。
- 系统连接:文件导入、数据库查询、API、消息与事件。
- 知识版本:文件有效期、历史版本、来源和适用范围。
- 权限与审核:按岗位授权,明确自动执行与人工确认的环节。
五、项目实施方法:从一个问题做成一个项目
- 选场景:确定具体问题、使用人员和发生频率。
- 建基线:记录当前耗时、错误率、成本和业务影响。
- 查数据:确认数据能否取得、质量是否足够。
- 做原型:选一类订单、一台设备或一条产线验证。
- 历史测试:用真实历史样本比较工具效果和现有做法。
- 现场试点:观察人员使用、异常处理和业务衔接。
- 项目验收:同时检查技术效果、业务收益和运行成本。
- 持续运维:管理知识更新、模型变化、日志、备份和故障。
六、实践经验例库:把经验整理成可复用内容
每个案例统一采用以下结构:
业务背景 → 原有做法 → 问题与基线 → 所需数据 → 工具与流程 → 实施步骤 → 验证结果 → 适用边界 → 可下载模板
优先积累三类案例:
- 个人效率案例:会议记录、资料整理、报表分析。
- 部门协同案例:订单交接、采购比价、异常闭环。
- 现场专业案例:视觉质检、设备维护、排产优化。
案例注明使用的是真实业务数据、脱敏数据还是演示数据,结果附上验证依据。
七、配套资源库:
- 场景立项卡:问题、负责人、数据、投入和目标。
- 工具选型卡:能力、部署方式、集成方式、费用构成。
- 提示词模板:询价整理、工艺问答、日报分析、8D 辅助。
- 数据模板:订单、库存、设备故障、质量缺陷。
- 工作流模板:识别 → 校验 → 审核 → 写入 → 通知。
- 验收表:测试样本、指标、基线、结果和责任人。
- 案例复盘表:有效做法、失败原因、后续改进。