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、可验证、可排优先级的结构化评估表。它通常从工序痛点、数据可得性、节拍与精度要求、集成条件、投入产出五个维度入手,输出一份能直接支撑立项决策的需求清单,而不是一堆技术名词堆砌的方案书。很多工厂AI项目烂尾,问题往往不在算法,而在需求阶段就没把边界问清楚。
一、工厂AI需求分析框架到底解决什么问题
不少企业上AI的起点是“别人都在用”,终点是“验收不了”。需求分析框架要解决的就是这个断层:把车间里的模糊抱怨,翻译成AI能承接、工程能交付、财务能算账的需求条目。
具体来说,它要回答四件事:这条产线哪个工序最值得先做AI;这个工序的数据够不够、标不标得出来;AI判定的结果怎么和现有MES、PLC、SCADA对接;上线后用什么指标判断它有没有用。这四个问题不落纸面,后面的选型和实施基本靠猜。
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,制造业数字化的坑高度相似——需求不清导致的返工,远多于技术本身不成熟。
二、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,而是一套评估方法,但它的每个维度都对应可核查的技术参数。
痛点维度看的是工序的判定方式。比如外观检测,人工目检的漏检率、判定一致性、单件耗时,这三个数决定了AI视觉有没有介入价值。精度要求通常要落到具体指标:缺陷最小尺寸多少毫米、颜色差异允许多大色差、检测节拍是几秒一件。
数据维度看的是可得性。工业相机分辨率、光源稳定性、历史图像是否留存、标注人力从哪来,这些直接决定项目周期。业内常见的情况是产线有相机但只存了压缩图,或者缺陷样本不足百张,这类需求就要先补数据基础,而不是先买算法。
集成维度看协议。OPC-UA、Modbus TCP、Profinet这些是车间设备联网的通用语言,AI系统能不能把判定结果写回PLC触发剔除,能不能把缺陷图像和工单号关联上传MES,是需求阶段必须写死的对接条款。
节拍维度看算力匹配。一条SMT线节拍可能是零点几秒一个点位,AI推理必须在产线节拍内完成,否则再准也没法在线用。这时候需求里就要明确推理延迟上限和边缘硬件的部署位置。
三、制造业里这套框架怎么用
假设一家汽配企业做机加工件表面缺陷检测。按框架走,先锁定工序:人工目检工位每天检两千件,漏检集中在反光面和深孔边缘。数据盘点发现历史图像只有合格品,缺陷样本靠产线实时采集,标注需要质检组抽人。节拍要求单件检测不超过三秒。集成上,判定结果要经OPC-UA写入PLC驱动气动剔除,同时把缺陷图上传MES关联批次号。这套需求写清楚,选型时就不会被“通用视觉平台”这类模糊说法带偏。
再看某电子厂的SMT炉后AOI环节。框架会先问:现有AOI已经能报缺陷,AI要补的是什么?答案往往是降低误报率。那需求就变成:在保持漏报率不升的前提下,把误报率压到可接受区间,且推理延迟必须匹配产线节拍。数据上要调取历史误报图像做复核标注,集成上要和现有AOI设备或MES的SPC模块对接。场景不同,框架输出的需求清单完全不同。
四、选型与落地要追问的几个问题
AI系统和现有MES怎么对接?主流方式是AI侧提供标准接口,通过OPC-UA或RESTful API与MES交换工单、批次、判定结果,图像大文件走独立存储、只传索引。需求阶段要明确接口方向和字段,别等到实施再谈。
部署需要什么硬件?视觉类需求通常涉及工业相机、光源、边缘推理盒子或工控机,算力按模型大小和节拍倒推。需求分析时要写清现场机柜空间、供电、网络带宽条件,这些在老旧车间经常是隐性瓶颈。
实施周期怎么估?取决于数据准备。有历史图像且缺陷样本充足,周期主要花在标注和联调;样本要从零采集,周期就要把产线试跑时间算进去。框架里把数据状态标清楚,周期估算才不会拍脑袋。
成本构成看什么?不是只看软件授权。相机光源、边缘硬件、标注人力、集成开发、后期模型维护,这几块要分开列。需求分析框架的价值之一,就是让预算表按条目说话,而不是一个总包价。
常见误区是拿AI当万能滤镜。强反光、高变形、缺陷定义本身模糊的工序,需求阶段就该标红,先做可行性验证再立项。
五、这套框架适合什么、不适合什么
适合的场景:工序有明确判定标准、数据可采集、节拍和精度要求能写成数字、且已有或可建MES/SCADA数据链路。这类需求用框架走一遍,输出直接能进立项评审。
不适合的场景:缺陷定义还在扯皮、产线节拍极快且不允许任何额外工位、现场网络和供电条件不具备、或者需求本质是工艺问题而非判定问题。这些情况先解决工艺和基础自动化,AI需求分析框架帮不上忙,硬套只会产出漂亮但落不了地的文档。
一句话收口:工厂AI需求分析框架是把“想上AI”变成“知道先上哪个、怎么验收”的那张表,表填不实,后面都是赌。