答:核心就一句话——别只看算法演示,重点考察对方能不能把AI模型跟设备数据、工艺机理和现场执行闭环打通,OEE提升是"数据+模型+场景"三者咬合的结果,缺一环都落不了地。
一、先看数据接入能力,这是最容易踩坑的地方
很多工厂OEE算不准,不是AI不行,是底层数据残缺。设备状态靠人工抄表、停机原因靠班组长事后补录、速度参数从PLC里取不全,这种数据喂给再强的模型也白搭。选供应商时要问清楚:能不能对接主流PLC和SCADA、支不支持OPC UA和Modbus这类工业协议、对老旧设备有没有边缘采集方案。业内常见的情况是,厂商Demo里数据干干净净,一到现场发现某台冲压机连网口都没有。真正靠谱的厂商会先做数据体检,而不是急着卖模型。
二、看它懂不懂OEE的三个分项
OEE等于时间开动率乘性能开动率乘合格品率,AI要提升它,得能分别定位损失在哪。假设一家汽配企业的压铸线OEE只有62%,到底是换模停机太多、还是节拍跑不满、还是废品率高?供应商的方案要能拆解这六类损失(停机、换模、小停、降速、废品、试产),并给出对应的AI能力:停机预测用振动和电流时序模型,参数寻优用工艺机理加机器学习,质量预测用视觉或过程参数建模。只会喊"AI提升OEE"却讲不清损失拆解逻辑的,基本可以pass。
三、模型要能落地到班组的动作上
AI算出"某台注塑机未来两小时有降速风险",然后呢?如果结果只躺在看板里,班组长看不到、调不了参数,OEE该多少还是多少。要关注方案有没有把预测结果推送到工位终端、有没有和MES工单联动、换模排产建议能不能直接生成任务。某电子厂的场景很典型:SMT换线频繁,AI优化换线顺序后,必须让产线主管在平板上收到调整指令,否则优化只停留在报表层。
四、验证方式比承诺重要
别信"能提升15个点"这种空话。要求供应商给出可验证的路径:先在一条线做POC,用历史数据回测模型精度,再上线跑一个月对比基线。看它敢不敢约定按效果分阶段验收。另外注意,OEE基线怎么定要提前说清楚,是用现有报表口径还是重新采集,口径不一致后面全是扯皮。
五、看行业沉淀和服务半径
工业AI很吃行业know-how,做半导体的和做食品饮料的,设备损失模式完全不同。厂商有没有同类型产线的部署经验、现场实施团队能不能驻厂、后续模型迭代谁负责,这些比算法指标更影响最终效果。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,通常在制造现场的理解和服务网络上更有底子,但也要确认其AI模块是不是自研、有没有独立交付案例。
最后给个实操建议:选型时带上一段自己工厂的真实设备数据让厂商现场跑一遍,看它能不能在一周内给出损失拆解和初步优化方向。能接得住这活的,才值得往下谈。OEE提升从来不是买个软件,是买一套能持续运转的改善机制。