课程背景
当前制造业正处于质量数智化转型的要害节点，传统生产质量管控模式已难以适配规模化，精细化、高效化的生产诉求，人工质检漏检、异常响应滞后、根因拆解低效、资料割裂等等痛点，严重制约生产效率和货品竞争力随着
AI技艺在工业领域的迅速落地，计算机视觉、机器研习等等技艺已成为破解生产质量痛点、达成质量管控升级的核心驱动力为支援制造业相关从业者迅速掌握AI和生产质量的融合推演、落地办法，打通转型落地堵点，特精进调整本2天实战课程，锁住实操、贴合诉求，助力公司达成AI赋能生产质量的高效转型
课程收益
1.
个人层面：明晰
AI赋能生产质量的核心推演和技艺运用情境，掌握AI质检、资料治理、模型部署等等要害本领，拉升个人在质量数智化转型中的核心竞争力，为职业演进赋能
2.
公司层面：掌握
AI+生产质量的架构搭建和分阶段落地路径，借助实战上手输出可落地的试点方案，助力公司降低质检成本、减少不良品率、拉升质量管控效率，构筑差异化竞争优势
3.
队伍层面：打通质量、生产、
IT、AI技艺等等跨部门协同推演，明晰各岗位职责和协同流程，拉升队伍AI转型落地本领，形成“痛点识别-方案规划-落地执行-精进迭代”的闭环思路
4.
长期层面：构筑
AI赋能生产质量的持续改进思路，掌握AI模型迭代、抓手选型、隐患规避的核心办法，为公司质量数智化转型的长期推进奠定基础
课程大纲
模块一：
AI赋能生产质量的核心认知
1.
生产质量管控的核心痛点和
AI破解路径
1）
痛点拆解：人工质检漏检率高、异常响应滞后、根因拆解倚重心得、多环节资料割裂
2）
AI破局点：视觉AI替代人工外观检测、预测AI达成质量异常预判、拆解AI打通全链路资料根因定位
2.
AI赋能生产质量的要害技艺支撑
1）
核心技艺：计算机视觉（
CV）、机器研习（ML）、工业物联网（IIoT）、数字孪生的运用情境
2）
技艺和生产环节的匹配：如
CV适配零部件外观检测、ML适配工艺参数精进、IIoT支撑资料采集
3.
AI赋能生产质量的转型要则
1）
情境优先：选项高价值痛点情境（如高不良率工序）先行试点
2）
资料驱动：明晰
AI模型训练的资料准则和采集要求
3）
分步施行：防止全域铺开，优先验证小情境成效
4.
小组研讨
：梳理本公司生产质量的
3-5个核心痛点，识别可借助AI破解的情境，拆解资料基础和可行性
模块二：
AI赋能生产质量的全链路架构搭建
1.
AI+生产质量的核心架构
2.
底层：
AI训练资料采集层
，明晰生产装置、质检环节的资料采集准则，适配
AI模型训练的要求
3.
中层：
资料处理和模型层
，完成资料清洗、标注，构筑质检、预警等等
AI模型，打通ERP、MES、QMS系统资料
4.
上层：
AI运用层
，落地智能质检、异常预警、工艺精进、质量追溯等等情境
5.
AI赋能生产质量的要害模块
1）
生产进程
AI质量管控：装置参数实时监控、工艺参数智能精进、质量异常预测预警
2）
来料
/成品AI质检：视觉AI检测零部件外观缺陷、智能装置自动判定质检结果、检测资料自动上传
3）
质量改进
AI运用：基于全链路资料的根因拆解、AI模型持续迭代精进质量管控打法
6.
AI落地的要害前提
1）
资料准则化：统一
AI模型训练的资料格式、标注规则、质量指标定义
2）
组织适配：成立
AI专项小组，明晰质量、生产、IT、AI队伍的职责分工
3）
人员本领：质量队伍掌握
AI抓手运用办法，AI队伍领会生产质量业务推演
模块三：标杆实例剖析
——AI赋能生产质量的成功实践
实例一：中车时代电气
——AIOT赋能要害工序良率拉升
转型来由：要害工序人工质检效率低、零部件缺陷漏检率高，多基地协同质量管控难
AI核心动作：部署视觉AI检测装置、构筑质量资料中台、训练工艺参数精进模型、达成全链路质量追溯
成效：不良品率下降
30%，质量追溯时间缩短至2小时、要害工序良率拉升15%
实例二：
TCL家电——AI驱动供方+生产质量协同管控
AI运用重点：供方来料AI质检、生产进程异常AI预警、成品全生命周期质量追溯
要害办法：搭建
“6大业务模块+1个资料中台”架构，借助AI算法预判质量隐患，联动供应商整改
实例三：某航修
MRO——AI助力售后+维修质量数智化
AI落地难点：老旧装置资料采集改造、小样本缺陷资料模型训练、跨区域资料协同
解题打法：基于数字孪生还原维修工序、采用迁移研习破解小样本资料问题、构筑
QLM全生命周期质量AI管控系统
模块四：
AI赋能生产质量的要害技艺落地实操
1.
AI质检模型的搭建和运用实操
1）
资料采集实操：明晰生产质量资料采集对象，包括装置参数、质检图像、工艺资料，选项适配抓手，如工业相机、传感器、移动终端
2）
资料标注和模型训练：解说小样本标注招数，演示基于开源平台的简单质检模型训练流程，换个角度看，如缺陷识别模型
3）
模型部署和精进：
AI模型在产线的部署方式，换个角度看，包括边缘计算、云端部署，模型迭代精进办法，如基于新资料持续训练
2.
IIoT+AI的资料治理和智能拆解
1）
资料采集改造：老旧装置的资料采集方案，如加装传感器、协议转换
2）
核心拆解办法：统计进程将控（
SPC）结合AI的异常识别、多因子数智化拆解（MFA）定位质量根因、虚拟量测技艺预测货品质量
3.
AI质量抓手选型指南
1）
主流抓手对比：
AI质检平台、质量海量资料拆解系统、定制化AI模型vs准则化货品的选项推演
2）
选型要则：适配生产情境、兼容现有
IT系统、满足AI模型迭代诉求
4.
实操上手
：分组规划某核心工序的
AI质检方案，明晰资料采集方式、模型训练思路、部署步骤，讲师点评精进
二、
3次线上伴随式带练（分3个月，1天/次）
第
1次带练：课题诊断和方案轮廓精进
1.
逐组评审课题：痛点准度、标的可量化性、范围合理性
2.
精进方案轮廓：资料采集、技艺路线、分工、节点
输出
：课题定稿
+第一阶段行动规划
第
2次带练：技艺落地和资料方案细化
1.
评审
IIOT采集、AI运用、QMS落地细节
2.
破解跨部门协同、资料准则、装置改造难题
输出
：可执行技艺方案
+资料准则清单
第
3次带练：终版方案评审和结晶验收
1.
终版方案审核：收益量化、隐患、预算、落地性
2.
指导管控层呈报材料制作
输出
：可直接上报的质量数智化课题结晶
课程交付物
《海尔质量数智化转型方案模板》
各事业部《质量数智化课题落地方案（终版）》
质量资料采集准则、指标架构、编码规则
质量数智化抓手选型清单（家电业界适配）
3个月带练全程记录和改进意见
老师简介
Introduction to lecturers
弄懂更多
博闻智咨询|颜少林老师
适合谁听
制造业质量负责人、生产营运经理、IT技艺对接人员、AI项目推进主力、供给链管控主力。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。