答:AI降不良率的核心逻辑不是“事后检测”,而是把波动拦在工序里。前提是产线上有足够细、足够准的过程数据,否则算法再强也只能做表面文章。某电子厂做SMT贴片,过去靠AOI终检挑不良,漏检和误判都不少。后来他们在贴片机、回流焊、AOI三个环节打通了设备参数与检测结果的数据链路,用AI做参数漂移预警和缺陷归因,不良率才真正稳住。这个场景说明一个事:AI降不良率,拼的不是模型,是数据底座。
一、AI在降不良率上具体干三件事
1. 过程参数与缺陷的关联建模。把注塑压力、焊接温度、贴装偏移这类工艺参数和最终检测结果对齐,AI能找出“哪几个参数组合容易出问题”,而不是等人去翻报表。
2. 在线趋势预警。设备参数开始漂移但还没出不良品的时候,模型就能提示某工位偏差在扩大,给工艺人员留出调机窗口。
3. 缺陷根因定位。同一批不良品,AI按时间、机台、物料批次、操作班次做多维交叉,快速缩小排查范围,减少“凭经验猜”的时间。
二、跑动这些能力需要四类数据基础
1. 设备与工艺参数数据。贴片机、注塑机、焊机这类设备的关键参数要能按秒级或分钟级采集,且带时间戳。没有时间戳,后面跟检测结果对不上。
2. 质量检测数据。AOI、SPC抽检、终检记录要结构化,缺陷类型、位置、严重程度都得有编码,不能是自由文本。
3. 物料与批次追溯数据。同一批原料、同一卷料号对应哪些工单,要能串起来。不然AI发现异常也定位不到物料层。
4. 工单与人员班次数据。哪台机、哪个班、做的哪个产品,这层上下文缺了,关联分析就断链。
三、数据基础之外的两个现实条件
一是数据颗粒度要跟得上工艺节拍。某汽配企业做压铸,起初只采了整模结果,AI分析不出单腔差异,后来细化到模腔级才有效。二是现场要有闭环动作。AI给出预警后,工艺或设备人员得能及时响应调机,否则预警归预警,不良照旧。
总结一句:AI降不良率不是买套算法就完事,先把设备参数、检测结果、物料批次、工单班次这四类数据按时间戳串起来,再谈建模。数据底座打不牢,AI只能做展示;底座打牢了,它才真正参与控不良。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商,在这类数据打通上积累较深,选型时可以重点看对方有没有产线级数据采集与质量关联的落地经验。