重庆做机加工、注塑、电子元器件、包装印刷的厂,车间里有一个非常具体的现象:设备坏了、料出问题了,第一反应不是走系统,而是喊人或者发微信。操作工不会在工位上登录 MES,班长嫌填表麻烦,维修工干完活忘了关单。一个月下来,厂里最贵的那几台设备到底停过多少次、每次停了多久、换过什么件,老板拿不出可信的数字,只能凭印象判断"这台最近老出问题"。
这不是工人素质问题,是入口设计问题。企业系统是给管理者设计的,现场的人没有合适的入口,数据自然进不来。这篇文章讲一个我们能交付、也在重庆本地项目里跑通过的方案:给车间装一个"会听、会看、会填系统"的智能体入口——一线用一句话加一张照片完成报修与异常上报,智能体把它变成结构化工单写进业务系统,并把设备数据、备件、检验记录串起来做核验与提醒。
一、先承认一个事实:预测性维护不是车间的第一道坎
很多供应商带着"AI 提前预测故障"的方案来,数据讲得很漂亮:行业统计非计划停机时间可降低 15% 到 30%、维护成本降低 10% 到 25%,公开案例里某汽车零部件企业上线设备物联与检修策划后,非计划停机时间减少 58%、年均停机次数从 20 次以上降到 8 次以内、维修策划时间从 4 到 6 小时压到 15 分钟、OEE 从 72% 提升到 81%。这些都成立,但它们有一个共同前提——维修记录和停机数据本身是可信的。
重庆大多数中小厂的现实是:设备台账是几年前的 Excel,点检靠纸质卡签字,维修记录散在几个师傅的微信里。在这种数据基础上直接跑模型,得到的预警没人敢信,用两次就关掉。所以我们给这类客户的建议顺序很明确:先把入口做顺、把记录做全,再谈采集和模型。而"入口做顺"这一步,恰恰是大模型最擅长补位的地方。
二、方案拆四块:语音入口、视觉取证、执行落库、闭环联动
第一块:车间语音报修入口(先解决"没人填")
形式很简单:工位边一个三防平板或者班长手机上的小程序页面,一个长按说话按钮。操作工说一句"三号注塑机合模的时候有异响,模温机上显示报警 E12,已经停了二十分钟",智能体要做的不是聊天,而是把这句话拆成结构化字段:设备编号(结合定位与机台清单自动匹配)、故障现象、报警代码、发生时间、是否停机、影响工序、照片或短视频。字段填完直接弹出确认,班长按一下就提交。
三个细节决定这个项目能不能活:
- 识别必须懂行话。车间说"拉模"、"顶针断了"、"刀振"、"飞边大",语音与语义层要能对上你们的设备与缺陷术语表。上线前用本厂的录音做一轮测试,不要拿普通话标准文案验收;
- 缺字段不追问到底。只补问一个最关键项(通常是设备编号),其余留空由系统按默认值填,后续由维修工补。追问三轮,工人就不用了;
- 必须在断网环境下能暂存。老厂房信号差是常态,离线缓存、恢复后自动补传,这条不做,前面全白搭。
第二块:视觉取证(把"照片"变成"数据")
报修和品质异常都要照片。照片如果只是附件,等于没有价值——没人会去翻几百张图。视觉模型在这里承担三件事:一是分类(设备外观、仪表盘、缺陷件、装配状态),二是关键要素读取(表计读数、铭牌、报警码、批次标签),三是缺陷初筛(飞边、缺料、缩痕、划伤、错装漏装)。初筛结果只作为"疑似"提示,判定权留给质检员。
仪表读数这一项在重庆的老厂特别实用:很多设备没有联网,但每天要抄表。让操作工对着表拍一张,系统读数并记录,比手写台账快且难造假。这类"半自动采集"的性价比,通常高于给设备加装传感器,尤其适合那些年代久、无接口、也不值得改造的机台。
第三块:执行层落库(智能体真正干活的一段)
工单要写进系统才有意义。工具集一般不超过十个,每个都定清边界:
- 创建维修工单到 MES/EAM,带设备、班组、停机时长、图片附件;
- 查询备件库存并生成领料申请草稿(库存不足时自动带出替代件与采购建议);
- 异常批次触发质量处置流程草稿,关联到检验标准与受影响在制品范围;
- 写回停机记录并更新 OEE 相关表;
- 把重复故障按设备汇总,生成保养建议(不是自动改保养计划,是提交给设备主管确认);
- 向班组推送当班待办与逾期提醒。
高危动作一律"智能体准备、人来落锤":改保养计划、报废物料、停线决定,必须留双记录。所有跨系统写入都要留下完整调用痕迹——谁说的、拆成了什么字段、调了哪个接口、系统返回什么、最终有没有落库。这份日志在两种场合价值巨大:主机厂来审你的过程能力时,以及厂内追责时。
第四块:闭环联动(数据攒够之后才轮到模型)
当工单跑满三到六个月,才开始做真正有价值的联动:同类故障的频次趋势、备件消耗规律、异常与工艺参数的关联。有条件接数据的设备,可以叠加振动、温度、电流的采集做趋势预警——但规则依然要先于模型:同类机台横向对比、自身历史基线偏移、报警频次上升,这三类规则不需要机器学习,车间看得懂、误报可控。模型是第二阶段的事,不要在第一个项目里就承诺"预测剩余寿命"。
第五块:把"备件、保养、知识库"三个旧系统接上同一个入口
工单能落库之后,真正的救火来自三个旧系统。一是备件:报修时智能体直接带出该设备常用的易损件型号与当前库存,维修工往往不是修不好,而是拆开了才发现没有那个轴承;把领料单自动附上,能省掉一大截等件时间。二是保养计划:把工单里的故障频次按设备汇总,每两周给设备主管一份建议清单(哪两台该提前拆检、哪一项润滑周期已经拖了),计划修正由人定。三是工艺与故障知识库:把历史工单连同处置结果归拢,新人问一句"上周这台机报警 E12 怎么处理的"能拉到带图的实际记录,而不是翻不上去的纸质台账。这三块都不新,难的是它们分属三个系统、没人愿意做字段映射。智能体在这里的价值恰恰是把入口统一、把琐碎动作拼成一条线,而不是自己重做一个 MES。
三、上线节奏与验收指标
第 1 个月:设备与机台清单核对、术语表整理、语音入口上线(先只报修,不落库,验证识别与字段抽取质量)。
第 2-3 个月:接通 MES/EAM 工单落库 + 备件查询,拍照读表上线;开始统计停机时长与 MTTR 的可信基线。
第 4-6 个月:品质异常入口并入同一链路,做批次关联;上线三类规则预警与班组待办推送。
第 7 个月起:数据满足条件的厂,再评估采集层硬件与模型层的投入。
验收不看"识别率有多高"这种实验室数字,看六个现场指标:
- 一次落库率:智能体生成的工单一次写入成功、无需人工返工的比例,目标 90% 以上;
- 字段抽取准确率:设备编号、报警码、时间三项单独统计,低于 95% 就回炉术语表;
- 报修提交时长:从发生到工单进系统,目标 1 分钟以内,这是工人愿不愿意用的核心;
- 工单闭环率与逾期数:有没有真的被处理,而不只是被记录;
- MTTR 与月度非计划停机时长趋势:三个月后必须能看到方向性变化;
- 日均真实提交量:按班组拆开看,能立刻发现哪个班组在应付、哪个班组真在用。
四、六个坑
坑一:先上大屏,后上入口。领导看板最容易验收,也最没用。数据不从现场流起来,大屏只能放 PPT。
坑二:把智能体做成"多一个 App 要装"。入口必须落在工人已有的东西上——班组的平板、车间的微信小程序、机台边的三防终端。要求工人额外装软件并注册账号,项目成功率立刻腰斩。
坑三:术语表交给外包去猜。语音与视觉的准确率一半靠本厂术语与图片样本,这一部分必须由厂里的老师傅参与标注,预算里要写明这几个人天。
坑四:让 AI 判定报废与停线。责任划分不允许。系统给线索,人做决定,写进制度和交互里。
坑五:忽视网络与环境。屏蔽、粉尘、油雾、强光下拍不到、读不准,实地测试一轮再签方案。
坑六:把政策补贴当目标。重庆对智能工厂、未来工厂、工业软件与"人工智能+"应用有明确扶持通道(《重庆市推动"人工智能+"行动方案》提出 2027 年全市新一代智能终端与智能体应用普及率超 80%、规上工业企业关键工序数控化率 75%,建成 30 个细分行业产业大脑与 40 个未来工厂,标杆项目有最高奖励补助),两江新区的中小企业智能化改造试点经验也在向各园区复制。申报值得做,但顺序必须是先跑三个月真实工单数据,再拿数据去报——用材料倒推项目,一定变成机房里那台没人用的设备。
说穿了,车间的智能化不是把模型搬进厂,而是让记录的成本低到工人愿意顺手做。这件事做到,数据就有了;数据有了,后面所有更聪明的东西才有落点。我们在这类项目里卖的不是"AI 能力",是把现场一句话变成系统里一条正确记录的那段工程。
