在冰冷的機械臂與靈活的算法間，AI是如何助力冰箱壓縮機貼標錯誤率的大幅降低；在香醇的酒香與智能管理平臺的融合中，AI如何為酒業注入新的活力；在海信電子的零碳工廠中，AI是如何助力實現綠色可持續發展；在中國建材集團的智慧物料檢索項目中，AI如何為龐大的物料管理帶來前所未有的便捷；在采埃孚企業的專家知識系統中，AI又如何化身成為企業知識傳承與創新的重要橋梁......

這些跟生產相關的案例，不僅展示了AI技術的廣闊應用場景，更體現了AI在提升企業生產效率、優化生產流程、降低成本等方面的巨大潛力。從現在開始，虎嗅智庫將陸續把部分案例精華分期整理發出。本期讓我們一起先睹為快。

以下為案例精簡整理版（第一期）：

案例一：采埃孚企業專家知識系統建設方案

案例方/供應商：采埃孚/瀾碼科技

應用領域：生產

案例詳情：公司采埃孚積累了大量的設備監測、設備維護、設備檢修和診斷等多領域的結構化和非結構化數據，且還在持續積累和增加過程中，造成嚴重的信息過載。而在日常的設備維護、故障診斷等方面卻受制于數據及知識的制約效率難以提高。在巡檢運維、定期維護等相關工作上投入大量的人工，為此每年投入巨大且效果欠佳，由此還制約著企業未來的轉型和發展。

在此背景下，公司推出了“服務匯聚聯盟”AI Agent，旨在協助維修技師通過快速精確地定位車輛故障來生成詳細的故障診斷報告，提升汽車維修行業的服務效率和質量。

案例中關鍵挑戰：

• 數據及知識的管理和傳遞困難：由于信息過載和人事變動，造成了知識技能傳遞的斷裂和安全隱患。

• 大語言模型選型評估和應用場景適配困難：不同模型在不同應用場景上的表現不同，需要大規模的排列組合實驗來找到最佳組合。

• 非結構化數據的檢索和推薦困難：文檔、圖片、視頻等非結構化數據難以有效檢索和推薦。

應對策略：

• 建立知識資產管理和模型管理，集中管理企業業務數據、文檔知識庫、標注數據、提示詞等資產，并通過經驗沉淀和使用反饋等方式實現對知識的更新、維護及優化。

• 建立實驗仿真平臺，自動生成批量化的實驗任務，評價不同的排列組合達到的準確率，提高實驗效率。

• 建立向量數據庫，將非結構化數據進行向量化保存，并通過大語言模型的推理能力實現對這些數據的檢索、推薦等功能。

案例二：中國建材集團智慧物料檢索項目

案例方/供應商：中國建材集團/羚羊工業互聯網

應用領域：生產

案例詳情：中國建材集團因各種原因使用兩套平臺，且數據之間不互通，只對部分物料數據進行了映射關聯，物料編碼最終都以集團主數據平臺中的編碼為準。兩個平臺承擔了中建材旗下20家二級單位及1400多家企業的物料管理工作，物料種類超過100W種，且存在眾多重復編碼及同種物料不同描述的問題。使用中會經常發現問題，查找不到物料編碼，此時會逐級遞交到不同工種的專家處，由專家來進行判斷物料的一致性，此操作費時費力，且沒有一個專家具備所有的技能，溝通成本極高。

針對主數據平臺物料編碼查找在使用中存在諸多問題，引入工業大模型能力來進行優化，減少人員工作量，減少溝通成本和資源浪費，提高工作效率。預期將大模型能力接入物料系統，賦能數據映射，數據融合實現物料資產統一管理、基于大模型語義理解快速高效檢索物料、提升業務檢索工作效率。面向全集團物料系統推廣。

案例中關鍵挑戰：

• 訓練大模型需要大量的GPU，一般企業無法承擔相關成本投入的問題。

• 工業數據(特別是企業私域數據)類型復雜以及知識抽取存在準確度不高的問題。

• 知識離散存儲，復雜問題的知識點匹配遺漏的問題。

應對策略：

• 提出大模型領域定制技術，適配不同數據量的全模型參數、部分模型參數、適配器模型參數學習方案，實現低資源條件下高效的大模型訓練，解決如何使用低成本訓練工業大模型的問題。

• 提出基于工業大模型的知識構建技術。利用工業大模型進行各類工業數據的版面分析、公式識別、表格理解等，并通過針對性訓練優化提升工業認知大模型在知識提取的準確性。

• 提出大模型知識鏈的表示技術，將多個具有邏輯性的知識點存儲在一起，這樣基于后續的知識嵌入表示后，可以命中與問題相關的知識鏈，提高工業認知大模型在知識問題方面的全面性，降低大模型對于知識性問題生成幻想的情況。

案例三：海信電子打造行業首個且唯一的零碳工廠

案例方/供應商：海信電子/蘑菇物聯

應用領域：生產

案例詳情：海信電子工廠企業實施的專業數字化系統很多，但各自獨立，其次目前還缺少公輔站房的數字化系統?？諌赫竞椭评湔緸樯a的公共輔助車間（簡稱“公輔車間”），負責生產壓縮空氣和冷氣以保證工廠的正常生產，主要包含空壓機設備、后處理冷干機設備，中央空調冷水機組及組合式空調機組設備等。改造前依靠手工抄表，人工管理能源，空壓站和制冷站年耗電超過520萬元。

案例中關鍵挑戰：

• 工業設備種類繁多、應用場景較為復雜，不同環境有不同的工業協議。

• 如何衡量數智化節能的效果，包括企業效益、流程優化、服務能力等各方面。

• 項目交付過程中，是否影響生產？如何保證快速落地？

應對策略：

• 在公輔車間各類設備，包括空壓機主機、冷干機、冷水機和供氣管道等設備上安裝物聯網關（RTU），通過485串口，走MODBUS協議與設備實現通訊，采集設備運行各項參數

• 通過LORA通訊的方式，將設備數據無線傳輸到設置于公輔車間內的“邊緣計算服務器”。邊緣計算服務器為工控機架構，負責邊緣計算及設備反控。計算的結果一路通過LORA通訊回寫回物聯網關，實現對設備的反控。

• 云端設置大數據平臺：一方面對現場上云的數據進行分析和存儲，一方面利用現場上云的數據訓練云端AI算法，不斷更新云端算法，同時定期下發到邊緣端，更新邊緣端的控制算法，使邊緣端控制算法與現場工況逐步匹配，保證實施效果。

案例四：今世緣酒業設備數智化管理平臺

案例方/供應商：今世緣酒業/云從科技

應用領域：生產

案例詳情：今世緣公司近年來在南廠區不斷建設投入，新增大量智能化產線，面對如此多智能化設備，設備健康穩定運行已成為南廠區穩定運行的先決條件。但是現階段公司的設備管理水平總體滯后于設備更新換代的速度，同時缺乏行之有效的管理系統工具，普遍存在管理方式落后、設備故障頻繁發生、設備效率難以提升、維護成本居高不下、維修人才培養難等痛點。

在今世緣公司設備管理面臨挑戰的背景下，通過引入專業設備管理咨詢機構，建設數智化設備平臺，解決智能化設備維護難度和相關人才短缺問題。

案例中關鍵挑戰：企業設備量大，且高度依賴設備的穩定性。

應對策略：基于工業互聯網的設備管理系統，實現設備管理的數字化、智能化和集成化。重點包括以下功能，設備前期管理、設備臺賬管理、設備技術資料管理、設備維護活動管理、備件管理、設備數據分析管理、設備技能管理平臺。

案例五：AI在生產過程質量管控的應用——冰箱壓縮機貼標錯誤率降低的實踐

案例方：長虹華意

應用領域：生產

案例詳情：在冰箱壓縮機制造過程中，貼標環節的質量控制至關重要。貼標錯誤不僅影響產品的整體外觀，還可能導致產品信息混淆，進而影響到產品追溯和售后服務。傳統的貼標質量檢查多依賴于人工，但人工檢查存在易疲勞、效率低、易出錯等問題，難以滿足現代化生產線對質量控制的高要求。因此，選擇了基于深度學習的AI視覺識別技術作為解決方案。通過搭建AI視覺識別系統，實現對壓縮機標簽的高精度、高效率識別，從而實現對貼標錯誤的有效預防和控制。

案例中關鍵挑戰：在實施過程中，主要面臨了數據標注難度大、模型訓練時間長以及系統集成復雜等挑戰。

應對策略：通過不斷優化算法和提高數據質量，以及加強與生產線控制系統的協同配合。

• 數據準備與模型訓練：收集大量壓縮機標簽樣本，進行標注和預處理，用于訓練深度學習模型。通過不斷優化模型參數和結構，提高模型對標簽的識別準確率和魯棒性。

• 系統部署與集成：將訓練好的AI視覺識別系統部署到生產線上的貼標工序，與現有生產線控制系統進行集成。確保系統能夠實時接收生產線上的壓縮機標簽圖像，并進行快速、準確的識別。

• 反饋與調整：根據AI視覺識別系統的識別結果，對貼標操作進行實時反饋和調整。對于識別出的貼標錯誤，及時通知操作人員進行糾正，避免錯誤產品流入下一道工序。