生产单元间无实际联结，按照流程按部就班的进行，无 法打破彼此之间的壁垒 生产过程人工操作，效率相对较低 产品质量和生产过程难以进行实时监控和优化 设备维护人工巡检，难以进行预测性维护 生产过程缺乏全面数据分析和监控，难以优化和改进 能源利用率相对较低 需要较多的人力成本和时间投入 运作模式是产品、服务相互结合 生产单元之间没有明确界限，各生产加工环节并行进行且充分参与， 具有强大的协调能力 自动化和智能化水平较高，生产效率大幅提高 在方案设计好后，需要制定实施计划，确保在实施 过程中不影响现有的生产工作。在实施过程中，需 要对设备和工艺进行调整和改进，并对操作人员进 行培训和指导。 监 控 和 调 整 在实施完成后，需要对生产流程进行监 控和评估，以确 保优化方案能够顺利地实现预期的目标。在此基础上， 还需要对方案进行调整和改进，以适应生产环境的变化 和需求。 实践指南 了解公司的业务和工厂的现状，包 括生产流程、设备和系统、人员技 在实施计划后，进行测试和调整， 确保设备和系统运行稳定、符合预 期效果。 测试和调整 按照方案，逐步实施升级计划，包括购置 设备、安装和调试系统、培训员工等。 实施计划 制定方案 持续改进 智能工厂是一个持续改进的过程， 需要不断收集数据和反馈信息，优 化生产流程和提高效率。 根据目标和计划，制定具体的升级 方案，包括硬件设备、软件系统、 人员培训等方面的内容。

本电子书面向以下决策者 ：制造行业有意利用生成式人工智能，来改进机器 可用性、维护、产品质量和设计的业务和技术部门决策者。 制造业未来由生成式 AI 技术赋能 加快产品创新，提高车间效率，减少员工培训时间 目录 引言 ..................................................................................... 借助生成式人工智能，制造企业可以 ： 提高车间生产力 利用机器文档、维护记录和 OT 数据，更快地诊断和解决问题。 减少员工入职和培训时间 获取经验丰富的员工在机械复杂操作方面的知识，并创建新员工入职 培训内容。 改进产品工程 制造企业可以利用生成式人工智能来创建、测试和完善产品设计、实 现个性化、创建原型，并加快概念验证来缩短产品上市时间。 从办公室到工厂车间，生成式人工智能或将为制造企业 带来变革性的成果。 亚马逊云科技实现了生成式人工智能的普及化，让任何规模的制造企业都能重塑其产品、流程和体验。 5 应用场景 让生成式人工智能为制造企业所用 以下几部分探讨了三类应用场景，这些应用场景诠释了生成式人工智能如何改进产品工程、提高产量以及 优化员工培训和生产力。 员工培训和生产力 生产 产品工程 探索优化的设计方案， 生成用于模拟的合成数据。 加快生产问题修复， 优化运营效率。 利用生成式人工智能驱动的聊天机器人，

产品研发过程 市 场 市 场 中长期需求与能力保障 订单履行 供应链计划 保障供应 生产制造 精准交付 营销 计划 生产 物流 设备 采购 生产人员 生产现场 生产控制 持续改进 供应商 生产计划 物料计划 外委计划 现场物料 现场物流 第三方物流 集中采购 一般材料采购 供应商管理 设备 / 工装 物流设备管理 物流器具管理 准入管理 绩效评价 费用管理 服务内容变更 退出管理 采购资源 采购合同 采购结算 协同采购 供应商准入 绩效评价 供应商支持 退出管理 信息管理 设备资料 保养 维修 改进 转移 处置 入库 出库 库存监控 维修 验收 质量评价 质量检验 试装管理 问题分析及促进 批量认可 质量能力评审 质量能力提升及促进 质量绩效管理 质量培训 整车外委计划 工序外委计划 工艺变更 管理 生产过程 冲 压 涂 装 焊 装 总 装 维 修 人员管理 设备管理 技 能 考 核 培 训 维 护 维 修 备 件 现场管理 变化点 标准作业 持续改进 可视化 安全管理 能源管理 外协件采 购 寻源定点 外制生产 准备 物流策划 入厂物流规划 配送中心规划 厂内物流规划 包装器具规划 物流器具规划 现场物流 库存管理

A2 A3 新订单 : A1 B1 B2 C2 C4 C2 A2 B1 9 订单流 计划流 计划模式：建立计划流与订单流的管理基准，包含 4 个改进点 商机信息 C. 产销平衡与生产计划 — 平衡产供销 , 稳定生产 订单优先级 和上线日期 需求计划 订单状态 B. 订单管理 — 确保订单准时交付 物料供应对 需求管理 的要求 ▪缺料预警机制 ▪供应商绩效管理 ▪订单管理策略 ▪订单提报与评审 ▪订单锁定、执行与交付 ▪订单监控及可视 零部件交付 ▪自动报工 ▪追溯管理 ▪准时生产 ▪辅料管理 ▪条码入库 ▪线边库优化 主要改进点 ⑴ 收益 明确混合的订单组织方式， 定义具体机型的产品分类及 对应的组合方式 优化中期计划，去除 B 表 ⑵ 增加周度滚动计划，每周管 理后续 4 周的上线计划 日滚动计划调整为 3+1 天 短期计划 日滚动计划 计划模式 A. 需求管理 B. 订单管理 C. 产销平衡 与生产计划 D. 零部件 计划与交付 E. 生产执行 与物流 19 日滚动计划 计划体系：主要改进点是，中期计划去除对 B 表的管理；短期计划增加 4 周 滚动计划（ C 表）管理；日滚动计划调整为 3+1 方式 周 2 周 日 1 周 4 周 3 周 1 2 3 4 5 6 7 1 2

系统实施 • 编制上线计划 • 编写切换数据收集计划 • 编写数据上载和系统切 换计划 • 上载静态主数据 • 上载其他业务数据 • 切换系统 上线准备 • SAP 系统维护 • 持续改进 • 拓展系统功能 • … SAP 日常运营 最终用户培训 • 编制培训计划 • 准备培训资料 • 安排培训时间、地点等 • 执行用户培训 • 用户测试 • 收集用户反馈 （模块 / 根据实施反馈不断改善 模板性能 • 根据最新系统模板升级 各实施点 • 改进系统模板业务流程 • 为未来业务发展在实施 期完善开发工具 • 维护升级系统模板 • 改进变更管理系统 • 完善开发工具 • 更新实施点系统 • 集中变更配置确保整体 解决方案的完整性，统 一 • 核心维护团队 CCC 担负 项目报表、变更、改进 等职责 推广实施后期内容与落实模板阶段有不同－准备上线 准备上线 预转固转固、实物一般维修流程、大修理维修流程、资产实物盘点、报废、调拨、出租、出售等 多个流程 • 制定同资源管理系统的接口规范：组织运维部门、资源管理系统的开发商进行方案的讨论、规范 的讨论及涉及到的流程的更改进行了多次讨论，并最终确认接口规范 试点阶段的工作安排及工作量 系统实现 1. 遇见的主要问题 • 数据量大且原有数据质量较差，数据准备时间较长：数据主要包括设备数据及安装地点数据，客 户的设备数据较多（试点单位有

被记录， 产生数据： STEP1 ： 标准作 业与数字化 智 能 分 析 辅 助 决 策 工厂运营业务实现线下转到线上， 从订单接收到产品交付， 记录大 量的数据， 通过统计分析， 改进 不足， 使业务更高效 Q\CD 。 其中数字化运用的着力点在精益化标准基础上的数字采集 、统计分析 、智能管控。 精益驱动， 数字赋能， 让制造更简单 / 高 效 STEP2 ： 数据 生产计划完成率 和交付期遵守状况。 安全状况和 6S 评分。 阶梯式改进、上升式循环 • 机制固 化 • 常态长效 • 过程记录 • 差异分 析 • 监督管理 • 责任人 • 分工分 权 • 实际执 行 应用数字化工具 维持固化改善基础 A 方法发现与改进问 题，并形成新的标 准 稳 固 实 绩 — 要素姿态 — 价 值 原 点 精 益 运 营 精 益 数 字 精 益 生 产 标准作业 计划物流 流畅生产 采购供应 先期策划 过程控制 条件整备 异常改进 事后保全 保全预防 自主保全 改良保全 职 能 系 结 果 系 过 程 系 占 流动速度更快一点 … 生产节拍更稳 定 一点 … 在制周转更快一点 … 设备状态更稳 定 一点 …

应用演示 生产运行管理之效率管理— OEE/KPI · 停线分析 · 设备管理 · 设备运行报告与分析 · 原因追溯、应对措施、分析与改进 · 废品、废料、能源消耗 · 原因追溯、分析与改进 · 原因树的管理，根本原因分析 · 统计分析与改进决策支持 EESESS EESESS ES ES EES ESS ES ES 什么是 OEE ？ 原因树－－管理经验的学习与累积

行及迭代过程中能够快速响应和解决问题。团队将通过远程支持、 现场巡检及定期维护相结合的方式，确保系统的稳定性和可靠性。 针对模型性能优化，技术支持团队将定期进行数据分析与模型 评估，识别性能瓶颈并提出改进方案。通过引入自动化监控工具， 实时跟踪模型的运算效率、资源占用及响应速度，确保在高并发场 景下仍能保持高效运行。同时，技术支持团队将与业务部门紧密合 作，根据实际需求对模型进行定制化调整，提升其在实际应用中的 训与指导。制定详细的用户手册与操作指南，涵盖模型的基本功 能、使用场景及常见问题解答。定期举办线下或线上培训课程，帮 助用户掌握模型的操作技巧及最佳实践。同时，建立用户反馈机 制，收集用户在使用过程中遇到的问题及改进建议，并将其纳入后 续的模型优化与迭代计划中。 技术支持服务还将建立知识库与社区平台，汇聚常见问题、技 术文档及成功案例，为用户提供自助式支持服务。通过社区平台， 用户可以与技术支持团队及其他用户进行交流与协作，分享经验与 Versioning），即“主版本号.次版本 号.修订号”的格式。主版本号（Major）表示重大更新或架构变 化， 次版本号（Minor）表示新增功能或性能优化，修订号 （Patch）表示问题修复或微小改进。同时，为每个版本附加时间 戳和唯一标识符（如 commit hash），以便快速定位和追溯具体 变更。以下是版本命名示例： v1.2.3_20231015_abc123 | | | | └──

识的复用。 数据采集及预处理 知识库的构建 模型部署 应用 模型再优化 • 产品研发设计知 识经验库：将知 识和经验结构化 数字化； • 生产过程知识经 验库：沉淀工艺 参数、异常处理 经验、改进措施 等； • 智能体问答：通 过 LLM 整合研 发设计和生产过 程的知识库，为 工程师提供实时、 精准的智能问答 支持，辅助快速 决策。 1 2 3 4 5 AI+ 设备管理（预测性维护）——项目基本流程 知识沉 淀闭环 →研发改进。 2) 动态优化：过程监控与知识库 实时交互（如新故障案例自动纳 入模型的训练数据）。 3) 一体可视化：从原始数据 （ SPC 图表）到决策建议（ AI 输出）均在同一平台可视化呈现。 12% 4 小时 1 小时内 100% 98%+ 95%+ 30% 亿纬锂能—— AI 项目（二） 帮助企业实现流程更高效、质量更稳定、决策更智能、改进可持续。 指标 改善前

技 术 与 保 设备运行状态 生产工艺执行情况 采购计划调整 成品生产计划调整 半成品生产计划调整 监控预测与优化调度 经济维护确 保 设备可靠、安全 工艺、配方改进 质量控制与追溯 指标调整与优化 集中、灵活的生产调度，优化生产资源配置，确保 生产计划 完 成 九大核心价值之二 “ ” 通过 坚强的 数据采集平台，掌握全 面生产 情况 PLC/ DCS 原因分析 控制测定 质量分析 质量抽查 质量事件 质量事件 原因分析 设备原因 材料原因 人员因素 工艺情况 质量事件参数情况 质量事件工况 发生的时间 能耗优化 工艺优化 设备运行优化 管理改进 原因追溯 优化提升 故障与数据关联 性分析 故障概率分析 结果 设备数据分析 结构化数据 运行数据 气象信息 缺陷报告 试验数据 投运信息 非结构化数据 调整 规则 配置 优 化 标 准 体 系 历 史 数 据 寻 优 规 划 能 耗 技 改 能效 优化 改进 能耗 对标 分析 在线 监测 能 能 能 能 异 源 源 源 效 常 监 指 指 诊 告 控 标 标 断