智能制造时代，工厂最需要哪些智能助手?

前阵子在一家做精密零件的厂里,听车间主任说了一句话,印象很深。他说:"我们不缺会算的机器,缺的是能把我从'回忆上周三那台机为什么停了两小时'这种事里捞出来的人。" 这句话其实把"智能助手"这个词的位置摆正了。工厂要的不是一个更聪明的系统,而是一个在旁边接住琐碎事、让人腾出手做判断的帮手。它不该坐在主位上,也不该只在大屏上发光。 判断一个助手值不值得留在一线,我大致看三条:它接的是不是重复劳动;它给的是不是能直接执行的动作,而不是一堆待解读的图表;以及出错的时候,人能不能在最后一公里把它拦住。三条里缺一条,通常三个月后就没人打开它了。 下面按"哪个岗位边上缺个什么样的帮手"来分,不按技术路线分。 一、设备边上:先能回答"刚才发生了什么",再谈预测 很多工厂上设备管理,第一件事就想做故障预测。这个顺序经常是反的。 因为你连"上周三那台机为什么停了两小时"都答不上来,却想让算法告诉你"三天后它会坏"。基础不成立。 设备边上真正缺的助手,功能朴素得多:把电流、主轴负载、振动、温度、报警代码、换刀记录、保养记录串成一条时间线。设备出问题时,它把这条时间线摊开,顺手把"上一次出现类似特征是什么时候、当时怎么处理的、谁处理的"调出来。 这件事的价值在于 经验的可检索 。老师傅凭听觉、凭手感就能判断,但老师傅在减少,他脑子里的东西没留在系统里。一个能把这些零散记录重新组织起来的助手,等于把二十年工龄的直觉,变成新人能查的线索。 至于预测,可以做,但建议从"趋势外推+阈值"起步,别一上来就上深度学习。设备一年坏两次,你拿什么训练模型?样本不够的时候,简单的规则反而误报少、维护成本低。 还有一个容易被忽略的细节:采样率。振动信号如果按分钟采一次,轴承早期的特征根本抓不到。传感器装了一堆,数据全废,这种事见得不少。 二、质检工位:它不是替代检验员,是在他看之前先筛一遍 人工目检有两个绕不过去的物理限制:看两小时后漏检率上升,以及甲乙两人对"轻微划痕"的判断不一致。第二个更麻烦,客户投诉的时候,你说不清到底按哪个标准。 视觉助手最容易做砸的地方,是定位错了。如果把它当成"替代检验员",项目从第一天就会陷入"为什么这个还漏了"的争吵。如果把它当成"第二双眼睛",事情就顺了——它先筛一遍,把可疑件推到复核台,检验员在更好的条件下做最终判定。 所以这类项目的成败,一半在算法,一半在 复核界面 。缺陷处有没有圈出来?同位置的历史图片能不能并排对比?判定理由有没有留痕?界面做得糙,检验员用两天就烦了,直接关掉,还是靠自己看。 落地建议:从"防错"做起。螺丝有没有打、卡扣有没有装反、标签贴没贴、方向对不对。这类判定标准明确、样本充足、误判代价可控。外观分级放到第二步,因为它天然会遇到缺陷样本稀少、批次之间光照和油污变化、模型逐渐漂移的问题。 有些缺陷就是得靠触感,相机在现有工位条件下看不出来。承认这个边界,比硬上省钱。 三、计划员身边:能替我推演,但别替我签字 多品种、小批量、急单插单的环境里,排产往往靠一两个人的脑子。这个人休假,排产就卡住;这个人离职,厂里就少了一块资产。 计划员真正想要的功能,不是"帮我排好了",而是"帮我算一下"。比如:接这张急单,哪几张单会延后,延后几天,哪台设备要加班,加几个小时。这是一次推演,答案交回他手上,由他决定接不接。 这个区别很重要。前者是把人变成点确认的机器,后者是给人一个更快的沙盘。 但排程助手有个硬门槛:基础数据。标准工时、换型时间、设备能力、良率、物料齐套状态,这五样不准,算法算得再快,也只是错得更快。很多排程项目失败,根子不在算法,在工时是十年前拍的、换型时间是老师傅随口说的。 还有个边界得说清楚:算法不懂客户的软性诉求。那张利润很薄的单为什么必须保,那个老客户为什么不能延,这些不在模型里。所以好的排程助手一定留足人工干预的口子——拖拽、锁定、强制插单,而且能立刻看到后果。 四、仓库和线边:齐套这件事不酷,但最止血 装配线上有两笔隐性成本,从来不上财务报表,但天天在发生。 一笔是缺料停线。一个几分钱的卡扣没到,整条线等半小时。另一笔是找料。仓库里明明有,账实不符,仓管翻了二十分钟才翻出来。 这两件事对应的助手,技术含量不高:齐套检查、库位指引、批次追溯。齐套检查尤其值得做——下单前先算这套产品缺哪几个料,缺的提前预警,而不是等上线开工了才发现。 另一个真正值钱的功能是反查。客户投诉某个批次,能在十分钟内定位这批料用在了哪几个订单、哪几台设备、哪个班次,和翻三天纸质记录,是两个世界。这种事平时看不出价值,出事的时候决定赔多少钱。 要提醒一句:上这类系统之前,先盘点。库位不准、账实不符,再好的调度也是空转。而且别先买硬件不改流程——AGV在通道被托盘堵死、被叉车抢道,跑两天就闲置,这种情况太常见了。通道规划、库位编码、人车分流得先做。 五、工程师桌上:那些纸面工作,才是被低估的部分 前面说的都在车间。但我观察下来,这波智能助手真正被用起来的场景,有一半在办公室和工位之间的那片灰色地带。 举几个具体的: 作业指导书。 改一个工艺参数,整本SOP要重排、重新签字、重新下发,三四个人走一圈,两周过去了。车间手里还是旧版。助手能做的是版本比对和影响范围提示——改这个参数,哪几道工序的指导书要跟着改。 客户审厂和体系审核。 临时要拼证据链,工程师在几个系统之间翻记录、截图、整理成PDF,一搞两三天。这类工作完全可以让助手先起草,人再核。 交接班记录。 靠嘴说,信息在传递中衰减。今天三号机有个异响,白班忘了写,夜班不知道,第二天变成故障。 8D报告和不合格品处理。 初稿最耗时间,而初稿的价值本来就有限。 这些场景听起来不酷,甚至有点琐碎。但它们省的是工程师的时间,而工程师的时间是厂里最贵的时间之一。一个工程师一周花八小时在整理文档上,一年就是四百小时。 边界也很清楚:技术结论、责任判定、对外承诺,必须人签。助手可以起草,不能署名。 六、配电房和空压站:把一行电费拆成能追责的数字 电费在成本表里通常是一行总数。哪个车间、哪个班次、哪个产品用掉多少,说不清。说不清就没人管,空压机漏气、冷机低效、设备空转,常年存在。 能耗助手的路径是三步,顺序不能跳:分项计量(总表拆到车间、产线、重点设备)、单耗追踪(每件产品耗多少电)、然后才是优化(峰谷调度、群控、待机断电、余热回收)。 跳过前两步直接谈节能,只能拍脑袋。 更有用的其实是异常报警:某台设备今天的单位产品能耗突然高了,往往意味着它状态不对。这条线索反过来喂给设备助手,两个场景就串起来了。 这类项目最常见的失败是:表装了,数据进了大屏,没人看,也没人负责。要让数字产生动作,得把它绑到具体的班组长、具体的设备责任人身上。否则它只是一块更贵的显示屏。 七、安全巡检:目标不是抓违章,是别漏项 安全这块,智能助手最容易走偏成"监控"。实际上更有价值的方向是防漏。 点检项有没有漏、隐患整改有没有闭环、动火作业票有没有到期、承包商资质有没有过期、巡检有没有真去。拍照加位置加时间戳,比纸质点检表可信得多,也比"举着手机走一圈"的形式主义有用。 这条线上的助手,不产生直接收益,但它防的是那种一次就够了的损失。 选助手之前,先问一句:数据去哪了 上面这些场景,有一个共同前提——助手要看到你的数据。设备参数、工艺配方、良率曲线、客户订单、供应商价格,这些东西在制造业里就是资产。 所以选型的时候,除了功能和价格,有三个问题必须问清楚: 数据存在哪? 本地、私有云,还是对方的公有云。 会不会被拿去训练? 这一条最容易被含糊过去。你的工艺参数一旦进了别人的训练集,是收不回来的——模型不会忘记。有些厂商的定位就比较清楚,像万达宝LAIDFU(来福),明确不做LLM训练、不会把客户数据用于训练或转售给第三方,这类承诺对工厂来说不是加分项,是入场券。因为配方和良率数据泄露的后果,不是一次事故,是长期竞争力被稀释。 能不能删干净? 合同到期、项目终止,数据怎么处理,有没有书面约定。 还有一个很现实的问题:能不能在现有系统之外独立跑。很多中小厂没有完整的ERP,更没有CRM、HCM,一想到上智能助手就先卡在"是不是得先上一套大系统"。实际上路径已经分叉了——像LAIDFU(来福)这类工具,设计上支持在没有CRM、ERP或HCM的情况下独立工作,先把设备状态、检验记录、物料齐套、能耗这些现场事实管起来,让问题浮出水面,等管理颗粒度到了需要集成的时候再接。这个顺序对预算有限、IT人力薄弱的厂更现实。 怎么排先后 最后给一个可操作的排序方法,不用做复杂的评估模型。 拿一张纸,列出候选场景,每个填三个数:这件事一周发生几次、每次耗多久、出错一次赔多少。三个数相乘,从大到小排。 然后只做第一个。一条线、一个车间、一个季度,跑通再复制。 智能制造最容易失败的方式,不是技术选错,而是一次上太多。五个、七个助手一起上,每个都做到六十分,每个都没人用,最后团队对"智能"这两个字失去信心——这个损失比钱大。 还有一条底线:机器可以告诉你"这台设备三天后可能出问题""这个方案交期最紧""这批料可疑",但要不要停线检修、要不要接这张急单、这批货放不放行,得由懂业务的人决定,也得由他担责。助手的位置在人的旁边,不在人的上面。