课程背景
随着工业4.0时代的到来，机器智能正以前所未有的力量驱动制造业的深刻变革。对于制造业而言，面临着货品质量准则日益拉升、生产成本持续高压、熟练技工短缺、以及生产安全和环境要求趋严等等多重挑战。传统的生产管控模式，尤其是在质量检测、装置维护和规划排程、营运效率和成本精进方面，已逐渐触及上限。
本次培训应运而生，具体来看，旨在回应这一时代命题。它将不再是泛泛而谈的AI概念普及，而是深度锁住于计算机视觉等等最易落地、见效最快的AI技艺，结合生产的具体情境，为生产一线队伍提供一套看得懂、学得会、用得上的AI赋能办法论和抓手，助力公司在新一轮业界竞争中抢占智能化先机。
课程收益
•
思路转型，构筑AI认知：打破对AI的“高技艺壁垒”畏惧感，领会AI格外是计算机视觉的基本原理，并能从业务视角识别AI在自身岗位的运用机会。
•
掌握利器，锁住核心情境：重点掌握AI视觉在制造业的核心运用，学会规划从“人眼判断”到“机器视觉”的质检升级路径，直接拉升货品质量一致性和检验效率。
•
降本增效，破解实际痛点：
(1)
质量拉升：研习怎样利用AI达成7x24小时不间断、高一致性的货品外观检测，降低漏检率和买方投诉。
(2)
成本将控：借助预测性维护学识，减少非规划性停机；借助智能排产精进，降低能耗和库存。
(3)
安全保障：弄懂AI视觉在厂区安全监控、员工行为规范识别方面的运用，防范安全隐患。
•
本领拉升，赋能一线员工动手实践掌握AI抓手的采用招数，能将AI作为日常事务的“智能助手”，用于生成报表、拆解资料、精进流程，拉升个人事务效率和决策科学性。
•
规划蓝图，促成落地实践：带着本厂的具体问题来，在讲师指导下形成初步的AI运用方案构想，为后续的试点项目落地打下坚实基础。
课程大纲
引入：
AI驱动的工业4.0革命-智能制造的时代机遇
(1)
从工业1.0到4.0，运行层面，智能制造演进之路
(2)
海量资料、算力和算法的突破和AI在生产中的运用
第 一讲：机器智能AI在智能质检和缺陷检测中运用
一、认知革命-何为机器智能（AI）
1.
AI的通俗领会：让机器能“听、看、领会、思索、行动”的技艺
2.
AI的核心本领
(1) 研习（Learning）
(2) 推理（Reasoning）
(3) 决策（Decision Making）
(4) 自然语言处理（NLP）
1. 3.AI 的主要类型
2.
4.AI在工业领域的典型运用情境
(1)
视觉识别：货品质检、安全行为识别
(2)
预测拆解：装置故障预测、质量根因拆解
(3)
智能精进：生产排程、工艺参数推荐
(4)
自然语言处理：学识问答、报告生成
课堂碰头
：
(1)
结合您弄懂的业界情况，谈谈AI技艺在制造业运用的难点和机遇
(2)
结合我们日常生活、事务举例说明几个AI典型运用实例？这些AI运用进程中对我们有什么支援，破解了哪些问题？
1.
二、
传统质检的痛点和AI的解题打法
1.传统质检之痛：“请大家回忆一下，在我们的日常质检事务中，最让你头疼的问题为何？”
(1)
人力的局限
(2)
准则不一
(3)
效率瓶颈
(4)
成本高企
(5)
资料缺失
(6)
环境隐患
2.AI视觉的解题打法 – 对症下药
(1)
7x24小时不懈的“法眼”
(2)
超越人眼的精度和速度
(3)
量化管控和资料驱动
(4)
赋能人力，定位升级
三、计算机视觉技艺原理简介-“让它看得懂”
1.第 一步：“眼睛”-图像采集
2.第二步：“大脑”-算法模型
3.第三步：“执行”-结果输出
四、深度实例拆解：AI视觉在制造业的具体运用
1.
表面缺陷检测 – 核心中的核心
1.
(1) 货品外观：裂纹、划伤、色差，尺寸超差(2) 装配完整性：确认组件安装齐全，到位(3) 包装完整性：查验包装是否完好、喷码是否清晰
1.
字符识别和追溯
1.
(1) OCR读取：自动识别并记录货品上的批次号、生产日期，规格型号(2) 追溯系统：将视觉读取的资讯和MES/ERP系统对接，达成全流程质量追溯
2.
课堂上手
：产线AI视觉机会点挖掘(1) 工序/岗位：我们组负责的要害工序(2) 当前质检痛点：（具体描述，沿用第 一部分的碰头结晶）(3) 引入AI视觉的设想：用AI来做什么？（检测，识别、测量、计数？）(4) 预期收益：能破解什么痛点？拉升多少效率或者质量？(5) 潜在挑战：可能会遇到什么困难？（如资料获取、装置改造等等）(6) 每组派代表用3分钟陈述本组的AI视觉运用思路
次讲：机器智能在预测性维护和生产装置管控的运用
一、AI赋能生产装置预测性维修管控
1.AI赋能装置状态监测
(1)
振动拆解技艺
(2)
油液监测技艺
(3)
红外热成像技艺
2.AI赋能装置健康度预测预警
(1)
装置健康状态评核
(2)
寿命/故障预测
1.
3.AI赋能装置专精化巡检体制构筑
实例分享：
AI赋能预测性维护实例交流、分享
问题思索
：你的维修流程够高效吗？-传统维修模式和数智化维修模式情境对比
二、 AI赋能生产装置维修活动全流程精进
1.AI赋能准则化维修流程（PDCA循环）
(1) 拟定点检/保养规划
(2) 维修工单派发
(3) 维修质量验收
(4) 故障根因拆解
2.AI赋能维修工单管控升级
(1)
报修人扫码提交 → 系统自动分类（机械/电气/仪表）
(2)
维修进度实时更新（待接单/处理中/已完成）
(3)
维修后自动关联装置档案，形成历史记录
3.AI赋能要害维修技艺
(1)
常见故障库 → 扫码调取历史维修方案
(2)
AR远程协助 → 专家实时指导
三、AI赋能生产装置维修资讯技艺
1.AI赋能要害维修资讯系统管控技艺
(1) 工单管控
(2) 备件管控
(3) 资料拆解
2.AI赋能装置移动化维修（智能手机/PAD运用）
(1)
扫码查看装置维修历史
(2)
拍照上传故障现象
(3)
语音录入维修记录
3.AI赋能资料驱动决策（BI看板）
(1)
今日工单完成率
(2)
平均响应时间趋势
(3)
高频故障装置TOP3
1.
实战上手：
1.
1.规划一个AI赋能装置维修、备件管控和资讯化系统结合营运流程构想并发表
2. 维修资料诊断，给定某工厂3个月维修资料开展拆解，拟定AI赋能装置维修活动打法
三讲：机器智能在营运效率和成本精进中的运用
一、AI在生产规划和智能排程中的运用
交流开场：
“在排产时，最让你纠结的‘不确定因素’为何？”
1.
传统排产营运的挑战
(1)
订单波动性大，预测不准确
(2)
装置故障导致规划中断，影响整体效率
(3)
物料供应不及时，运行层面，造成生产停滞
(4)
人力配置不合理，往细里说，劳动力成本居高不下
1.
2.AI的智能排产解题打法(1) 智能预测：基于历史资料和市场趋势预测订单诉求(2) 多标的精进：平衡交付期、装置利用率、人力成本等等多重标的(3) 动态响应：实时响应生产异常，自动调整排产规划，拉升营运效率
二、排产基础要则—科学计算替代心得猜测
1. 优先级规则：不再是“哪个急就先做”
(1)
三维评核法（交期+买方等级+工艺复杂度）
(2)
交期紧迫性：剩余时间 vs. 准则周期
(3)
买方等级：VIP买方（如年采购额>500万）优先
(4)
工艺隐患：复杂工序（如良率<90%）提前安排
2. 产能计算：理论 vs. 实际
3. 瓶颈工序识别和精进
(1)
TOC约束理论运用：找到制约产线的要害工序
(2)
缓冲管控：在瓶颈前设置安全库存，防止停工
实例
：某机加工公司借助瓶颈精进，日产出拉升25%
实战操练：
给定5个订单，计算最 优排产顺序（采用三维评核法），给定装置资料，计算实际可用产能
三、动态排产—化解插单、换线、缺料
1. 紧急插单处理流程
2.“3+5”评核法：3个维度（交期/买方/工艺） + 5步调整流程
(1)
评核插单影响（占用哪台装置？影响哪些订单？）
(2)
计算是否需要加班或者外协
(3)
调整后续订单优先级
(4)
通知采购/仓库确保物料
(5)
更新生产规划看板
2. 换线时间最小化（SMED思路）
3. 缺料应急方案
(1)
齐套率管控：排产前查验要害物料是否到位
(2)
替代料打法：提前定义可替代的物料清单
实例拆解
：某电子厂因缺料停线，后发现替代料可用但未登记
小组差事：
给定一个插单情境，拟定调整方案，计算换型时间对日产能的影响
四、AI在营运效率和成本精进的实践
1.
效率成本精细化管控
1.
(1) 实时营运资料拆解：监控装置OEE、产能利用率、单位成本等等要害指标(2) 动态营运打法调整：基于实时资料精进生产节奏和资源配置(3) 成本精准核算：实时计算货品成本和营运效率，识别精进空间
1.
智能物流和库存精进
(1)
AGV智能调度：精进物料配送路径，减少等待时间
(2)
库存精细管控：达成精准库存将控，降低资金占用
(3)
配送效率拉升：根据生产进度动态调整配送规划
1.
工艺参数智能精进
1.
(1) 资料深度拆解：挖掘工艺参数和货品质量，成本的关联关系(2) 参数智能推荐：基于实时生产条件推荐最 优工艺参数(3) 持续精进制度：借助生产资料持续迭代精进工艺模型
1.
营运绩效智能管控
(1)
全方位效率监控：实时跟踪各产线，班组效率指标
(2)
智能拆解报告：自动生成营运拆解报告，提供决策支持
(3)
预警和改进：及时发现效率异常，提供精进建议
交流碰头：
结合实际思索怎样利用AI开展营运效率和成本精进
1.
四讲：AI核心技艺、资料构筑和情境落地
一、 基石构筑—AI模型构筑基础流程和资料构筑
2. 1.制造业常见的AI模型类型简介
3. （1） 督导研习
4. （A） 分类模型：用于好坏品判断，故障类型分类
5. （B） 回归模型：用于装置剩余寿命预测、能耗预测
6. （2） 无督导研习：用于异常检测、买方/装置分群
7. （3） 深度研习：主要用于图像识别（AI质检）、自然语言处理、多传感器融合拆解
8. 2.业务链路梳理和规则搭建
9. （1） 智能质量管控营运流程、规则梳理
10. （2） 预测性维护营运流程、规则梳理
11. （3） 智能工艺精进营运流程、规则梳理
12. （4） 生产调度精进营运流程、规则梳理
13. 3.基础资料构筑
14. （1） 智能质量管控基础资料搭建
15. （2） 预测性维护基础资料搭建
16. （3） 智能工艺精进基础资料搭建
17. （4） 生产调度精进基础资料搭建
18.
实操上手：从质量、装置、工艺、调度中选项1类情境，思索并完成AI业务链路、决策规则、基础资料搭建
二、 情境落地—AI在智能制造的核心运用
19. 1.智能质量管控
20. （1） AI视觉检测：表面缺陷自动识别
21. （2） 质量根因拆解：多变量关联拆解
22. （3） 虚拟量测
23. （4） 生产全流程质量追溯和合规性自证
24. 2.预测性维护
25. （1） 装置健康状态监测
26. （2） 故障预警和寿命预测
27. （3） 厂务设施智能运维
28. （4） 刀具寿命管控和断刀预测
29. 3.智能工艺精进
30. （1） 工艺参数自精进
31. （2） 能耗智能管控
32. （3） 配方精进
33. （4） 产线平衡和瓶颈智能识别
34. 4.生产调度精进
35. （1） 智能排产排程
36. （2） 物料精准配送
37. （3） 人机协同作业调度
38. （4） 供给链韧性预警和动态调整
39. （5） 基于市场反馈的实时生产调整
40.
小组差事：基于公司实际，思索并完成AI赋能情境点梳理（每个小组锁住一个情境）
三、 AI项目施行路径和成功要素
41. 1.五步施行路径
42. （1） 第 一步：识别业务痛点和情境选项—从生产、质量、装置、工艺等等环节中选项高价值情境
43. （2） 第二步：资料准备和治理—确保资料质量、构筑资料准则
44. （3） 第三步：模型开发、验证和部署—小步快跑，从试点到推广
45. （4） 第四步：组织和英才保障—练就复合型英才，构筑内外部协同制度
46. （5） 第五步：持续精进和迭代—构筑持续改进制度
47. 2.常见陷阱和成功要素
48. （1） 防止技艺和业务脱节，确保业务价值导向
49. （2） 资料基建先行，系统开发跟进
50. （3） 小步快跑，从单点情境突破到规模化推广
51. （4） "AI+制造"复合型英才诉求和队伍协同打法
52.
带出性问题：结合您所在的公司/部门，哪个AI运用情境最有可能率先尝试？可能面临什么挑战？
53.
课程收束、回顾、答疑
老师简介
Introduction to lecturers
弄懂更多
博闻智咨询|李希老师
适合谁听
：公司管控层、主管、装置、工艺、质量、规划等等相关人员。建议同一家企业 3 人以上同来，课堂上直接改造本企业的实际问题——单人参加也能学到方法，但带不走可用的成果。
交付流程
课前：顾问访谈 2 位管理者，收集现状与问题清单，讲师据此调整案例。课中：讲授与演练各占一半，产出可直接用的工具与方案。课后：7 天内提交改进建议，30 天内一次线上答疑。