工厂AI需求分析框架的核心,是把“要不要上AI”这种模糊讨论,拆成可逐项打分的判断表:先看工序是否具备数据基础,再看问题是否适合用AI解法,最后算清投入产出与落地边界。没有这套框架,工厂很容易被供应商牵着走,买了一堆用不起来的算法模型。下面按概念、原理、场景、落地要点、适配边界五个部分讲清楚。
一、工厂AI需求分析框架到底解决什么问题
它解决的是“需求失真”问题。工厂里常见的场景是:产线说想上AI质检,设备科说想上预测性维护,老板说想降本,三方说的其实不是同一件事。需求分析框架的作用,是把这些口头诉求翻译成统一维度的评估项,比如数据完备度、节拍匹配度、缺陷样本数量、误判容忍率、与MES/SCADA的对接方式等,让不同部门用同一张表说话。
和传统的自动化改造需求分析相比,AI需求分析多了一层“不确定性评估”。传统产线改造,输入输出是确定的;AI模型的表现依赖数据分布,来料一变、光照一变,效果就可能漂移。所以框架里必须包含数据治理现状和模型迭代机制这两项,否则需求书写得再漂亮也落不了地。
二、这个框架包含哪些关键评估维度
通常可以拆成五个维度,每个维度给出可核实的判断标准,而不是打勾了事。
1. 数据基础维度。看三件事:数据是否已被采集(PLC、传感器、相机、MES日志)、采样频率是否够(视觉检测一般要求与产线节拍同步,比如3秒一拍)、标签质量如何。制造业常见的IPC-A-610电子组装外观标准,可以作为缺陷标注的参照系,但标注一致性仍需人工抽检校准。
2. 问题类型维度。把需求归到分类、检测、预测、优化四类。分类和检测适合有明确标注样本的场景,比如SMT贴片后的焊点缺陷识别;预测适合有历史时序数据的设备,比如主轴振动信号做刀具磨损预测;优化适合排产、能耗这类多约束问题。归错类,后面选型全错。
3. 集成对接维度。明确AI系统与现有系统的接口方式。产线层常用OPC-UA协议与PLC通信,车间层对接MES拿工单和物料批次,质量层对接QMS。如果工厂还用着十几年前的老设备,先确认是否支持Modbus或加装网关,这一步经常被忽略。
4. 节拍与实时性维度。AI推理延迟必须小于工序节拍余量。假设某电子厂AOI工位节拍是8秒,模型推理加图像传输要控制在2秒内,否则就得改产线逻辑。边缘部署还是云端部署,也由这个维度决定。
5. 投入产出维度。成本构成包括硬件(相机、光源、工控机、GPU)、软件授权、标注人力、集成实施、后期运维。不要只算第一年,模型 drift 后的再标注和再训练成本要预留。
三、制造业里哪些场景适合先用这个框架筛一遍
假设一家汽配企业做机加工,想上AI做刀具寿命预测。用框架一筛:数据基础项,机床已有振动传感器和主轴电流采集,采样频率足够;问题类型项,属于预测类,历史换刀记录完整;集成项,通过OPC-UA能拿到机床状态;节拍项,预测是分钟级更新,实时性压力小;投入产出项,刀具非计划更换造成的停机损失可估算。五项里四项过线,值得做试点。
再假设某电子厂想做SMT炉后AOI的AI复判。框架筛下来:数据基础项,AOI设备本身产出图像,但缺陷样本少、误报样本多;问题类型项,属于检测类,需要先做样本清洗;集成项,AOI厂商是否开放图像接口是关键卡点;节拍项,复判要在产线节拍内完成,对边缘算力有要求。这个场景不是不能做,而是要先解决样本和接口两个前置条件。
还有一类是仓储环节的AI视觉盘点,属于分类加计数问题,数据基础通常较好,但货品堆叠遮挡严重时,精度会明显下降,框架里要在问题类型维度标注“边界条件”。
四、落地时最容易踩的坑有哪些
第一个坑是把POC当成交付。POC阶段用干净样本跑出高准确率不难,难的是量产环境下来料波动、光照变化、设备震动。需求分析框架里要写明验收条件:不是在测试集上的指标,而是在连续生产条件下的误判率和漏判率。
第二个坑是忽视标注体系的建设。AI质检的瓶颈往往不在算法,而在缺陷定义不统一。同一个划痕,甲班判合格乙班判报废,模型就学乱了。建议在需求阶段就拉质量部门把缺陷分类标准定下来,参照ISO 9001的质量记录要求做标注规范。
第三个坑是集成低估。很多工厂以为买个AI软件装上就行,实际要打通PLC、MES、QMS三套系统,工期和人力常常超预期。框架里的集成维度要给出明确的接口清单和责任人。
第四个坑是运维缺位。模型上线不是终点,产线换型、物料换批都可能让效果下降。需求书里要写清谁负责监控、多久评估一次、再训练的数据从哪来。
五、这个框架适合什么场景、不适合什么场景
适合的场景:工序节拍稳定、来料一致性较好、已有一定数据采集基础、缺陷或异常有明确判定标准的制造环节,比如电子组装的焊点检测、机加工的表面缺陷识别、注塑件的尺寸分类。这类场景用框架筛一遍,能较快判断可行性。
需要谨慎评估的场景:强反光、高变形、多品种小批量的工序,AI视觉的稳定性会打折扣;设备老旧、没有数据接口的产线,集成成本可能超过AI本身的价值;缺陷样本极少且难以模拟的场景,比如某些安全件的失效模式,数据积累周期会很长。
不适合直接套用的场景:把AI当万能药、需求本身没想清楚的;或者问题用传统规则和统计过程控制就能解决的,比如简单的尺寸超差报警,上AI反而是过度设计。
这套框架的价值不在于给出yes或no,而在于让工厂在需求阶段就把数据、集成、节拍、成本四笔账算明白。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行业积累也说明一件事:制造现场的数字化底子越厚,AI需求分析的准确度才越高。框架是尺子,量的是自家产线的真实条件。