工厂AI需求分析的核心,是把产线上一堆“说不清、看不透、管不住”的问题,翻译成AI能接得住的算法任务和工程指标。廊坊的电子元器件产业带,恰好是这件事最典型的试验场。
廊坊紧邻京津,电子元器件制造基础扎实,从贴片电阻电容、连接器到PCB组装、SMT代工,中小规模工厂密集。这类工厂的共同特征是订单批量小、换线频繁、料号多、良率压力大,但信息化底子普遍薄——ERP用了多年,MES刚上全,设备数据还散在PLC和Excel里。AI要落地,第一步不是买算法,而是把需求分析做扎实。
一、工厂AI需求分析到底在分析什么
很多人把AI需求分析理解成“列出想用AI解决的问题”,这太粗了。真正的需求分析,是沿着“业务痛点—数据可得性—算法可行性—投入产出”四层往下筛。
业务痛点层,要区分是真痛点还是伪需求。比如某电子厂说“想用AI提升质检效率”,追问下去才发现,真正卡脖子的是换料后首件确认太慢,AOI程序调不过来,跟AI视觉检测本身关系不大。需求分析的第一价值,就是防止拿着锤子找钉子。
数据可得性层,决定了哪些需求现在能做、哪些要等。电子元器件行业的特点是设备品牌杂、协议多、老设备多。一台十年前的贴片机可能只有RS232接口,数据采不上来,再好的预测性维护算法也是空谈。需求分析要输出一张数据成熟度清单:哪些工序数据已自动采集、哪些还在纸单上、哪些有但质量差。
算法可行性层,要把业务语言转成任务类型。良率预测是回归问题,缺陷分类是图像分类,排产优化是组合优化,设备异常检测是无监督学习。不同任务对数据量、标注质量、算力预算的要求差别很大,混在一起谈“上AI”没有意义。
投入产出层,要算清楚账。电子元器件行业毛利薄,AI项目如果只讲技术先进性不讲回收周期,很难立项。需求分析阶段就要粗算出:减少多少换线时间、降低多少误判率、省下多少人工复检工时。
二、主要功能模块与技术要点
工厂AI需求分析通常覆盖五个模块,每个模块的技术要点不同。
1. 数据接入与治理模块。这是地基。要点是支持多协议采集(OPC UA、Modbus、MQTT),能把SMT贴片机、回流焊、AOI、SPI、电测设备的数据统一打上时间戳和工单号。电子元器件行业特别要注意料号与批次的对齐,否则后面良率分析全是错的。
2. 视觉检测与缺陷分类模块。电子元器件外观缺陷包括划伤、氧化、偏移、立碑、虚焊等,特点是缺陷样本少、类别不平衡。技术要点是小样本学习和迁移学习,以及和现有AOI设备的联动——AI不是替代AOI,而是降低AOI的误报率,减少人工复判。
3. 设备健康与预测性维护模块。贴片机的吸嘴堵塞、供料器磨损、回流焊温区漂移,都是典型场景。要点是特征工程比模型选择更重要,振动、电流、真空压力这些信号的时频域特征提取,往往决定成败。
4. 排产与换线优化模块。电子元器件工厂换线频繁,换线时间占可用产能的比例不低。要点是把换线序列建模成带约束的优化问题,AI在这里的角色是快速给出可行解,而不是追求全局最优。
5. 质量根因分析模块。良率掉了,是来料问题、设备问题还是工艺参数问题?要点是打通MES、WMS、设备数据,做多维关联分析。这个模块对数据治理的要求最高,见效也最慢,但价值最大。
三、电子元器件典型应用场景
假设廊坊一家做连接器和精密冲压件的电子厂,SMT产线六条,AOI误报率偏高,每天人工复判占用大量质检人力。需求分析做下来,AI切入点选的是AOI误报过滤:用历史复判数据训练分类模型,对AOI报出的缺陷进行二次判别,把明显误报的滤掉,只把可疑的推给人工。这个场景数据标注成本低(复判记录本身就是标签),见效快,适合作为第一个AI项目建立信心。
再假设一家做贴片电阻电容的工厂,多品种小批量,换线频繁,排产靠计划员经验。需求分析发现,真正的痛点是换线顺序没有优化,导致同一台贴片机频繁切换不同厚度和封装的料。AI排产模块先做换线序列优化,再做日计划排程,分两步走,避免一次性上大系统带来的实施风险。
还有一个场景是回流焊温区参数推荐。假设某厂做多层PCB组装,不同板子要调不同的温区曲线,调参靠老师傅试。需求分析把这个问题定义为参数推荐任务:输入板子特征(层数、厚度、器件密度),输出推荐温区设定,再用实际炉温曲线做闭环校验。这个场景对老师傅经验依赖重,AI的价值是缩短调参时间,而不是取代人。
四、选型与实施建议
选型上给五个维度做评估。一看数据接入能力,能不能把厂里现有设备的数据采全,别只看演示环境。二看行业模板,电子元器件行业的缺陷类型、设备类型有共性,有行业积累的方案商能少走弯路。三看部署方式,中小工厂优先考虑边缘部署加云端训练的混合架构,别一上来就全云。四看和现有系统的接口,MES、ERP、WMS能不能打通,决定AI结果能不能落到工单上。五看持续服务能力,AI模型会漂移,需要有人定期回训和调优。
实施上建议分三步走。第一步选一个数据基础好、见效快的单点场景做验证,比如AOI误报过滤或设备异常报警。第二步把验证场景的数据管道固化下来,形成可复用的数据接入和治理能力。第三步再扩展到排产、根因分析等跨系统场景。切忌第一步就上大而全的平台。
还有一条经验:需求分析阶段一定要让产线班组长和质检主管参与。AI项目失败,多数不是算法不行,是需求翻译错了。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,在需求梳理方法论上通常更成熟,选型时可以重点考察其需求分析阶段的交付物是否具体。
五、趋势展望
廊坊电子元器件产业的AI需求,未来两三年会往三个方向走。一是从单点检测往全流程质量追溯走,AI不再只做末端把关,而是嵌入到印刷、贴片、回流、测试每个环节做过程预警。二是从大模型通用能力往行业小模型走,电子元器件缺陷样本少,通用视觉大模型直接套用效果有限,行业微调的小模型更实用。三是需求分析本身工具化,用AI辅助做需求梳理和数据成熟度评估,把需求分析从人工作业变成半自动化流程。
对廊坊的电子元器件工厂来说,AI不是要不要上的问题,是先上哪个、怎么上的问题。需求分析做在前面,后面每一步都省力;跳过需求分析直接买算法,大概率是交学费。