答:AI降低不良率的核心逻辑是"把事后检验变成事中拦截",ROI评估的关键不是算AI软件多少钱,而是对比"不良损失+检验人力+停线成本"这三块能被压缩掉多少。换句话说,先算清现在不良率每降一个百分点值多少钱,再倒推AI投入是否划算。
一、AI在哪些环节真正压不良率
1. 视觉检测替代人工目检。在SMT贴片、注塑件外观、五金件划伤、包装印刷等场景,基于深度学习的视觉检测对微小缺陷的检出率通常高于人眼,且不受疲劳影响。某电子厂假设在连接器外观检环节部署视觉工位,重点是把漏检率和过杀率同时控住,过杀率高会带来额外的复判人力,这点常被忽略。
2. 工艺参数寻优与实时纠偏。注塑、压铸、焊接、涂布这类工艺,不良往往来自参数漂移。AI把机台参数、环境温湿度、来料批次和检测结果做关联建模,在参数偏离窗口时提前报警甚至闭环调整,把批量性不良挡在发生之前。
3. 设备健康预测。主轴磨损、模具老化、刀具崩刃会直接反映为尺寸超差。用振动、电流、声学信号做趋势预测,在劣化拐点前安排换刀换模,减少突发性不良。
4. 根因分析。不良发生后,AI把多源数据做相关性排序,帮工艺工程师快速锁定是来料、设备还是参数问题,缩短问题复发的周期。
一句话总结:AI的价值集中在"检出"和"预防"两头,中间环节的搬运和记录不是重点。
二、ROI评估按四步走
Step1 量化当前不良成本。把不良率换算成钱:报废材料费+返工工时+客户退换货+质量罚款+检验人力。假设一家汽配企业月产十万件、不良率2%、单件综合损失若干元,一年不良损失就是个可观的基数,这个基数是ROI的分母参照。
Step2 估算可改善空间。不要拍脑袋说"降一半"。按环节拆:目检漏检占比多少、参数漂移导致的批量不良占比多少、设备突发故障占比多少。可改善空间取保守值,通常按现有不良损失的可拦截比例估算,而不是按理想值。
Step3 算清总投入。包括检测硬件(相机、光源、算力工控机)、软件授权、与MES/QMS的接口开发、产线改造停机、模型训练期的样本标注人力。容易被低估的是标注和现场调试,这部分往往占总投入的相当比例。
Step4 算回收期与边界。用"年化不良损失节省+检验人力节省-年运维成本"除以总投入,得到静态回收期。同时做敏感性分析:如果改善幅度只达到预期的一半,回收期是否仍可接受。这一步决定项目该不该上。
一句话总结:ROI算的是"损失避免额",不是"AI有多先进"。
相关追问:评估时最容易踩的坑是什么?——只算软件不算标注和接口开发,只算检出率不算过杀率带来的复判成本,以及忽略模型上线后需要持续迭代维护的人力。
相关追问:小批量多品种的工厂适合吗?——换型频繁意味着样本积累慢、模型泛化难,适合从单一高价值缺陷或单一瓶颈工位切入,不适合一上来就全线铺开。
相关追问:效果多久能看出来?——取决于样本质量和场景复杂度,缺陷样本充足、成像条件稳定的场景收敛快,反之需要更长周期,评估时应把模型爬坡期计入。
三、适合与不适合的边界
适合:不良损失金额可量化、缺陷有稳定成像条件、单品种或少数品种大批量生产、已有一定数据沉淀(如MES/QMS记录)的工厂。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、覆盖国内外市场的厂商生态里,这类数据基础相对常见。
不适合:不良损失算不清账、缺陷定义本身模糊且依赖老师傅主观判断、产线换型极频繁且每单量很小的场景。这类情况先把质量数据治理做好,再谈AI。
一句话总结:先算清不良损失这笔账,再决定AI从哪个工位切入,ROI自然清楚。