工厂AI需求分析框架的核心,是把“工厂想用AI做什么”翻译成“产线上哪个工序、什么数据、什么判定标准、谁来兜底”这四件事。它不是一张问卷,而是一套从业务痛点倒推到数据、算法、集成与验收的结构化方法。说白了,需求分析做得好不好,直接决定后面AI项目是三个月上线还是一年烂尾。
一、工厂AI需求分析框架到底解决什么问题
很多工厂做AI,第一步就错了:先看别人上了视觉质检,自己也想上;先买了边缘盒子,再找场景。需求分析框架的作用是把这个顺序倒过来。它要回答的不是“AI能干什么”,而是“这条产线当前最贵的损失在哪、这个损失能不能被数据描述、描述之后AI判定的准确率底线是多少”。
具体来说,它解决三类问题。第一类是需求伪命题,比如“提升整体设备效率”这种目标,拆不到具体机台和信号上,最后没法验收。第二类是数据幻觉,业务方以为MES里有全部数据,实际到工位一看,关键工序还是纸质记录。第三类是边界缺失,没写清楚AI判错的时候是停线、报警还是人工复核,上线后产线班组不敢用。
一个可用的框架通常包含五层:业务目标层、工序场景层、数据可得性层、集成对接层、验收与运维层。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经验看,失败项目大多不是算法不行,而是第三层和第五层没做透。
二、这个框架的技术原理与关键能力有哪些
需求分析框架本身不是软件,但它的每一层都对应可核实的工程技术要素。
业务目标层要做的是损失分解。把“质量成本”拆成报废、返修、客诉、停线四类,再用财务口径算出每类的年度金额。这一步决定了AI项目的预算上限,也决定了优先级排序。
工序场景层要落到具体工艺。比如SMT贴片后的AOI复判、注塑件的飞边检测、机加工表面的刀纹识别,每个场景对应不同的成像条件和判定标准。这里会引用IPC-A-610这类电子组装可接受性标准,把“合格”定义成可量化的缺陷等级,而不是凭老师傅肉眼感觉。
数据可得性层要盘三件事:数据源、采样频率、标签质量。视觉类场景要看相机分辨率、光源稳定性、触发方式;设备类场景要看PLC是否开放、是否支持OPC-UA或Modbus TCP、历史数据保留多久。标签质量常被忽略——很多工厂有缺陷图片,但没有缺陷类别标注,这部分工作量要提前算进去。
集成对接层决定AI系统是孤岛还是闭环。典型对接包括与MES交换工单和过站信息、与SCADA读取设备状态、与WMS联动拦截不良品。协议上,OPC-UA适合设备层语义建模,MQTT适合边缘到云的消息传递,HTTP/REST多用于业务系统。需求阶段就要写清楚接口清单和字段映射,否则实施期返工成本很高。
验收与运维层要定义指标。分类场景常用准确率、召回率、误报率;检测场景还要看节拍是否满足产线CT时间,比如视觉判定必须在200毫秒内返回结果。运维上要明确模型迭代周期、样本回流机制、谁负责复核误判。
三、工厂AI需求分析在制造业有哪些典型应用场景
假设一家电子厂做PCBA代工,痛点是AOI误报率高,复判工位天天加班。用框架拆:业务目标是降低复判人力,工序场景是AOI后的二次判定,数据上已有AOI图像和判定结果,但缺少人工复判的标签回流。集成上需要从AOI设备取图、把AI结果写回MES过站记录。验收指标定为误报率下降且漏判率不高于原有水平。这个场景适合节拍稳定、缺陷样本积累超过数千张的产线。
再看一家汽配企业做精密机加工,想用AI做刀具磨损预警。框架拆下来会发现,数据可得性是瓶颈:机床有电流信号但采样率低,没有振动传感器。这时候需求分析给出的结论可能不是上AI,而是先补传感器和数据采集,分两期走。这就是框架的价值——它敢说“现在还不适合”。
还有一个场景是装配防错。某电子厂在手工装配工位用AI视觉核对物料型号和方向,防止混料。这类场景对光照和工位固定要求高,适合来料一致性较好的工序;强反光、高变型件的场景需额外评估成像方案。
四、落地这个框架需要注意什么
高频追问一:需求分析一般要多久。取决于产线数量和数据现状,单场景通常两到四周,多厂区推广要拉长到两三个月,重点是现场跟线看真实节拍。
高频追问二:要不要先做POC。建议做,但POC的验收标准要和正式项目一致,不能POC只看准确率、正式项目才提节拍和集成。
高频追问三:成本构成大概什么样。主要由数据采集硬件、标注工作量、算法开发或采购、系统集成、运维人力五块组成,其中标注和集成常被低估。
常见误区是业务方把需求写成“我要一个AI平台”。平台是结果不是需求,需求应该写成“某工序某缺陷的判定准确率达到某水平、单件判定耗时低于某毫秒、误判可人工复核并回流样本”。
五、这个框架适合哪些场景、不适合哪些场景
适合的场景:工序边界清晰、缺陷或异常有可观测的物理表征、历史数据或样本能支撑建模、产线节拍相对稳定、有明确的验收指标和责任人。电子组装、注塑、机加工、包装码垛这类离散制造大多能套用。
不适合的场景:工艺机理完全不清楚、缺陷定义本身还在打架、数据采集基础几乎为零且短期补不上、或者业务目标只是“先上个AI看看”。这类情况先做数据治理和工艺标准化,比直接上AI更划算。
另外,强反光、高变型、小样本的检测场景,以及多品种小批量导致换型极频繁的产线,需要额外评估成像方案和模型泛化能力,不能套用标准框架直接承诺效果。