01
AI 视觉质检
痛点
- 高速产线适配难：铝板喷涂等产线速度快，人工只能抽检，无法全流程全检，漏检概率居高不下。
- 缺陷识别难：色差、细小划痕、隐形凹坑、残留油污，人眼很难稳定识别，依赖质检员经验和状态。
- 客户端损失：漏检缺陷流入客户端，直接导致退货赔款，长期积累还会丢失订单、损害口碑。
- 质量与产能难兼顾：强行安排人工全检，会大幅增加用工成本并拖慢交付节奏。
我们的做法
- 边缘智能硬件部署：在产线工位部署边缘 AI 计算盒、高清工业相机与定制稳定光源，适配喷涂、切割等不同产线的光照环境。
- 全流程在线自动检测：每张板材流转至检测工位时自动完成全幅扫描，实时识别色差 ΔE 值、划痕、凹坑、油污，超标缺陷立即触发声光报警并自动标记 NG 品。
- 生产系统联动：所有检测结果自动写入工厂现有 MES 系统，绑定工件序列号生成完整质检履历，支持后续全流程质量追溯。
可量化收益 人工抽检漏检率可从 8%–12% 降至 1% 以内，客诉赔款减少 80% 以上，无需人工全程盯守，节约质检工位人力成本。
02
尺寸测量 · 首件检验
痛点
- 测量效率低：钣金件尺寸、孔位、折弯角度靠卡尺和专用检具逐项量，一个件要花十几分钟。
- 漏检风险高：批量生产时只能抽几件测，中间尺寸的漂移发现不了，等到装配才发现报废。
- 记录难留档：检测结果写在纸上或记在脑子里，客户要追溯时报不出完整数据。
- 依赖熟手：同一件不同人量出不同数，新人和老师傅结果对不上。
我们的做法
- 机器视觉测量：工业相机一次成像，同时完成多个尺寸、孔距、孔径、角度的测量，重复精度远超手持量具。
- 首件全检、过程抽检：换型后首件自动全尺寸检测并判定合格与否；批量过程中按节拍抽检，尺寸漂移提前报警。
- 自动生成报表：测量结果自动出报表并归档，可直接发给客户，对接现有 MES。
可量化收益 单件测量从十几分钟压缩到秒级，尺寸记录全量留档可追溯，批量尺寸漂移在报废前就能发现。
03
智能报价
痛点
- 新手算不准：钣金报价要算展开面积、材料、工序工时、表面处理，缺一项就亏，新手不敢报。
- 老手算得慢：熟练报价员一天也就能算几单，客户等着要报价单，单子就丢了。
- 成本变动追不上：材料涨跌、工序调整后，报价模型还停在上一版，报价和真实成本越差越远。
- 报价即利润：报低了亏本接单，报高了客户走人，两难。
我们的做法
- 展开与工序自动核算：输入图纸与工艺要求，自动算展开面积、材料定额、工序工时与表面处理费用。
- 自有成本数据校准：报价模型用纳格真实历史成本数据校准，不是拍脑袋的通用公式——这是纯 AI 公司拿不到的。
- 实时联动材料价：材料价格与工艺参数变动时同步更新报价基准，报出去的数站得住。
可量化收益 报价时间从小时级压到分钟级，报价准确率不再靠个人经验，新人也能报出靠谱的数。
04
老师傅经验数字化
痛点
- 手感无法言传：折弯回弹怎么补、喷涂温度怎么控、激光参数怎么调，全凭老师傅手感，说不清道不明。
- 人走经验断：老师傅退休或跳槽，这批参数就跟着走了，产线良率说掉就掉。
- 新人上手慢：同一个件新员工调半天也调不好，废品率跟着往上跑。
- 知识散在各处：工艺卡片、微信群聊天记录、老师傅脑子里，谁也说不全。
我们的做法
- 工艺参数建模：把折弯回弹补偿、喷涂温度曲线、激光切割参数从经验转成可调用的模型。
- 大模型 RAG 知识库：把散落的工艺卡片、历史工单、故障处理记录灌进知识库，用自然语言问答就能查到。
- 持续沉淀：每次调机结果回写系统，模型和知识库跟着产线一起长。
可量化收益 关键工艺不再绑在某几个人身上，新人按模型调机也能达到老师傅的良率，这是数据护城河最直接的体现。
05
能耗管理
痛点
- 采集分散误差大：供电、供水、燃气分散在不同计量表，依赖人工抄录，误差率可达 8% 以上。
- 隐形浪费难发现：设备空转、产线待机、管道泄漏分散在各环节，月度无效能耗占比普遍可达 15%。
- 底数不清：多数工厂只知道月度总电费，不清楚各工序、各设备能耗占比，节能改造盲目投入。
我们的做法
- 全链路自动采集：在配电柜、空压机、空调、水泵等关键耗能设备加装边缘网关与传感器，自动采集电流、电压、温度、流量，采集误差从 5% 降至 1% 以内。
- AI 异常识别：用历史数据建立每台设备的能耗基线，偏离基线自动报警，定位空转与泄漏。
- 分工序成本核算：能耗按工序、按班次拆分，哪一刀最费电一目了然。
可量化收益 采集误差从 5% 降到1% 以内，隐性浪费显性化，节能改造投在哪不再靠拍脑袋。
06
设备预测性维护
痛点
- 故障预测难：传统预防性维修基于固定周期，无法根据实际运行状态动态调整，难适配不同工况的损耗规律。
- 维修策略失衡：过度维修浪费备件人工，维修不足引发非计划停机——一条钣金产线停机一次损失可达数十万元。
- 经验传承断层：故障诊断高度依赖老师傅个人经验，资深人员流失后新工人难以快速上手。
我们的做法
- 多维度状态采集：针对冲床、折弯机、喷涂等核心设备加装振动、温度传感器，不影响现有生产流程即可完成部署。
- 边缘侧实时分析：边缘 AI 盒子实时分析振动频谱、温度趋势与电流特征，在本地完成异常判定，数据不出厂。
- 提前预警：在劣化阶段就给出更换窗口建议，把突发停机变成计划内保养。
可量化收益 把非计划停机变成计划内保养，避免单次数十万元的突发损失，备件库存也更准。
07
OEE 设备综合效率
痛点
- 稼动率看不见：设备到底开了多久、停了多久，只有班组长心里有数，账上没有。
- 性能损耗找不到：设备在小批量、慢节奏地跑，名义在产，实际效率早就掉下来了。
- 良率靠事后统计：良品率要等月底盘点才知道，损失已经发生。
- 管理靠拍脑袋：三个指标都不清楚，改善不知道从哪下手。
我们的做法
- 实时数据采集：从设备控制器与边缘网关采集运行、待机、故障、换型信号，自动算出稼动时间。
- 三指标实时看板：稼动率、性能开动率、良品率三个指标实时上屏，班组长和管理层看同一块屏。
- 损失归因：把损失拆成停机损失、速度损失、不良损失，改善优先级自动排序。
可量化收益 OEE 从黑箱变成实时可见的三个数，改善先从损失最大的那一类下手，不再全面铺开。
08
安全生产 AI
痛点
- 巡查覆盖不全：厂区大、危险点位多，人工巡查存在大量盲区，安全帽未戴、违规闯入难以及时发现。
- 响应滞后：传统巡查定时定点，人员跌倒、违规作业等突发风险无法实时感知，发现时往往已造成事故。
- 取证困难：传统摄像头仅存储视频，无法自动定位事件时间点位，调阅耗时，责任界定容易推诿。
- 人盯不过来：规模扩大后安全人力需求同步增长，陷入"人少覆盖不住、人多成本太高"的两难。
我们的做法
- 复用现有摄像头：无需更换已有监控设备，仅在关键点位部署边缘 AI 盒子即可升级为智能识别。
- 行为识别 24h 值守：自动识别未戴安全帽、未穿工装、闯入危险区、叉车与人员距离过近、违章动火等。
- 事件自动留档：识别到事件自动截取片段并打时间戳归档，事后调阅秒级定位。
可量化收益 安全巡查从人工定时变成24 小时自动值守，事件可追溯、责任好界定，不再靠加人堆覆盖。
09
碳足迹 · 环保合规
痛点
- 政策硬约束：双碳政策是硬性要求，废气废水一旦超标就要停产整改，订单交付直接受影响。
- 数据靠估：碳排放多数按电费倒推估算，口径经不起第三方盘查。
- 报表耗人力：环保季报年报要人工汇总多套台账，耗时且容易填错。
- 超标才发现：等月度检测报告出来才知超标，整改窗口已经很被动。
我们的做法
- 排放与能耗同步监测：在排口与关键耗能点部署传感器，采集真实排放与能耗数据，不做估算。
- 碳核算自动化：按标准口径自动完成碳核算，季报年报一键导出。
- 超标预警：接近阈值即时报警，在正常范围内就把问题解决掉。
可量化收益 从估算变实测，报表自动出，把超标整改从"事后补救"提前到"事前预警"。
10
模具刀具寿命
痛点
- 磨损无征兆：冲模、折弯刀、钻头什么时候该换全凭经验，磨到崩了才知道。
- 突发停线：刀具崩了就得停机换模，整条线的节奏都被打乱。
- 换早了浪费：按固定件数换，很多时候还能再用，白白浪费刀具寿命。
- 批次质量波动：刀具磨损到后期，加工尺寸和毛刺都跟着变差，批量不良就在这时候冒出来。
我们的做法
- 寿命预测模型：按实际加工件数、材料硬度、切削参数建立寿命模型，而不是固定套路。
- 磨损在线监测：用振动与主电机电流特征识别刀具劣化阶段。
- 更换提前排程：在最优窗口给出更换提醒，排进计划停机，不与订单抢时间。
可量化收益 把突发换模变成计划内排程，刀具寿命用满、不再提前丢弃，同时避免磨损导致的批量不良。
11
成本管控
痛点
- 核算滞后：依赖人工汇总，通常要到月底才能出完整成本数据，无法实时掌握盈亏。
- 隐性浪费难察觉：物料损耗、设备空转、无效工时分散在各环节，传统核算无法精准定位。
- 误差大：人工核算误差普遍在 12%–15%，无法准确掌握单批次、单工序真实成本。
- 发现太晚：月底才发现超支，此时生产已完成、损耗已产生，来不及止损。
我们的做法
- 高频数据同步：边缘 AI 节点每 5 秒同步一次设备运行功率、物料损耗、生产合格率等核心数据。
- 单批次动态核算：财务系统按批次、按工序滚动核算，不用等到月底结账才知道这批赚没赚。
- 异常自动预警：单耗超出历史基线即时推送，当天就能查原因。
可量化收益 成本核算从月底事后变成当批次实时，超支在过程中就能发现并止损。
12
APS 智能排产
痛点
- 交期靠拍脑袋：客户问能不能按时交，答案全凭经验估算，答应了交不出，不答应丢单。
- 排程靠 Excel：多订单交叉、产线产能、换型时间全靠人脑推演，一改就得重排通宵。
- 插单就乱：临时插一张急单，后面所有单子的顺序全乱，车间不知道先干哪个。
- 产能说不清：到底还能接多少单，谁也给不出准确数字。
我们的做法
- 先攒数据再上：这个场景依赖大量真实排产数据，模型要拿自家产线的历史排产数据喂过才准，数据不到位硬上就是个摆设。
- 约束条件建模：把产线产能、换型时间、工序先后、模具占用等约束写进排产模型。
- 模拟与重排：插单时可先模拟多种排法再决策，而不是直接推翻原来的计划。
可量化收益 交期从估算变成有依据的承诺，插单不再整线重排。需积累排产数据后启用。
13
来料检验 · 供应商判级
痛点
- 来料靠人工判：铝板基材、五金件到货靠人眼看、手摸，标准不统一，同批不同判。
- 扯皮多：发现问题供应商不认，拿不出判定时的客观证据。
- 优劣分不出：几家供应商到底哪家质量稳，只有模糊印象，没有数据支撑。
我们的做法
- 与质检同源：技术和产线质检是同一套视觉能力，可复用同一批边缘节点，边际成本低。
- 自动判级留档：到货即检，判定结果与图片自动归档，争议时有据可查。
- 供应商评分：按批次累积质量数据，自动生成供应商质量排名，支撑采购决策。
可量化收益 到货判定有标准、有存档，扯皮时拿得出证据，供应商优劣用数据说话。
14
供应链库存管理
痛点
- 缺料与积压并存：关键物料缺料导致停线，滞销物料又长期积压占资金，两个问题同时存在。
- 线边仓混乱：物料堆放占生产空间，扣账偏差频发，系统数和实际对不上。
- 盘点效率低：人工扫码盘点耗时易错，账实不符是常态。
- 进度不透明：订单到哪道工序了，只能靠打电话问。
我们的做法
- 需打通进销存：这个场景要先把进销存数据打通才做得准，比起快，我们更看重准。
- 多节点感知：在原料仓、线边仓、成品仓部署视觉节点与重量传感器，自动采集物料变动，免逐个扫码。
- 齐套与缺料预警：按订单算齐套率，缺料提前预警；按周转率发现积压物料。
可量化收益 缺料风险提前预警，库存周转效率提升 20%–30%，释放积压占用的流动资金。
15
企业内部知识问答
痛点
- 问题反复问：行政流程、设备操作、工艺规范，每天都在回答同样的问题。
- 找不着答案：制度文件散在共享盘、群里、纸面上，关键时刻翻不到。
- 新人上手慢：老员工被反复打断答疑，新人还是不放心自己上手。
我们的做法
- 不自研大模型：我们用开源大模型 + RAG 的方式做，模型层不自研，把力气花在知识整理和权限上。
- 灌自己的知识：把企业自己的工艺卡片、制度文件、历史故障处理记录做成可检索的知识库。
- 权限隔离：按岗位和部门隔离可见范围，敏感制度不外泄。
可量化收益 重复答疑大幅减少，新人按自己的节奏找答案，老员工的时间还回产线。
16
文档 OCR · 票据识别
痛点
- 单据靠手录：送货单、检验单、票据一块块手工敲进系统，慢且易错。
- 格式不统一：各家供应商单据格式五花八门，模板改不过来。
- 事后难查：纸质单据堆在那里，要找一张得翻半天。
我们的做法
- 采购成熟能力：这块是成熟技术，我们直接采购集成，不自研——把预算花在真正有壁垒的场景上。
- 多版式适配：支持常见表单、票据的结构化抽取，手写体针对常用字段优化。
- 自动归档：识别结果直连业务系统并归档，和原有单据对应关系可查。
可量化收益 单据录入从人工敲击变成自动识别归档，错误率下降明显，查单不再翻纸堆。
17
经营数据看板 · BI
痛点
- 老板看不到全厂：产量、订单、成本、应收各在一处，想看全貌得问一圈人。
- 报表各做各的：各部门口径不统一，同一指标几个数，开会先吵架。
- 数据滞后：看到的是上周的数，决策总慢半拍。
我们的做法
- 先有数据才有价值：这块要先有前面这些场景把数据沉淀起来才做得动，只拉几张表糊出来的看板反而会误导决策。
- 统一口径：把各系统的指标口径先对齐，一个指标只有一个数。
- 一屏看全厂：按角色给管理层、车间主任、销售各配一块看板。
可量化收益 经营状况一屏可见，指标口径统一，决策建立在当天的数据而不是上周的印象。
18
订单交付预测 · 交期管理
痛点
- 交期不准：承诺的交期经常兑现不了，客户投诉甚至流失。
- 延期不知道：要拖到交付前几天才发现来不及，客户那边已没法交代。
- 瓶颈找不出：到底卡在哪道工序，事前没预警，事后才复盘。
我们的做法
- 依赖历史数据：交期预测建立在真实生产数据上，得先有质检、报工、工序节拍这些基本面数据跑起来。
- 过程而非只管结果：盯每道工序的实际进度，而不是只看最终是否按期完成。
- 提前预警：按当前进度推算可能延期的订单，提前介入或早点沟通客户。
可量化收益 从"到期才知道来不及"变成提前几天预警，客户有时间被安抚，也有时间被调度。
19
不良品批次追溯
痛点
- 锁定不了范围：发现一个问题件，说不清同批还有多少件，只能整批召回。
- 追溯靠翻账：批次、工序、操作人、原料批次分散在不同台账，一次追溯要翻半天。
- 责任分不清：到底是料的问题、设备的问题还是人的问题，缺少过程数据。
我们的做法
- 需全流程数据链：这个场景是前面那些能力打通之后的自然结果，需要质检、报表、工序数据串成一条链。
- 按批次串链：把工件序列号、原料批号、设备、工序参数、操作人串成一条链。
- 秒级定位：输入问题件号，反向查出同批次范围与当时的关键工艺参数。
可量化收益 出问题精准锁定批次，避免无谓的整批召回，责任定位有数据支撑。
20
行政办公自动化
痛点
- 审批靠跑腿：报销、请假、采购签字，领导不在就卡流程，短则半天长则数天。
- 报工靠手工：工序完成后工人手填报工单再统一统计，数据滞后半天到一天。
- 制度查询低效：新员工查制度、老员工问流程，全靠翻纸质文件或问同事。
我们的做法
- 坦白说：这块我们不主张自己做：钉钉、飞书已经把审批和流程做得足够好，重复造轮子不划算。
- 我们做的是衔接：如果客户确实需要，我们负责把钉钉/飞书的办公数据，和产线上的报工、工序数据对齐。
- 报工数据进系统：把拖延严重的工序报工接到边缘侧，和 MES 打通，不再人工二次录入。
可量化收益 办公流程用现成平台成本最低；我们能补的是办公数据与产线数据不打结的那一段。
怎么开始
不用一次全上，从一个工位开始
选最痛的那个点先验证，跑通数据闭环、算出投入产出比，见效了再往下一个场景扩展。
- 01
单点验证
选一个最痛的工位，技术团队上门安装调试，不影响现有产线。
- 02
场景扩展
每个场景单独核算收益，按工厂排期灵活安排实施，不打乱原有生产节奏。