制造业 AI 落地怎么做？从废料全检到智能配料的实践路径

撰文：于涛 · 交付中心

制造业的 AI 落地，第一步通常不是买大模型，而是找出生产现场「看得见的浪费」。可行的顺序是：先定位能算得出钱的问题，再用视觉检测类场景切入，然后把算法与工艺参数结合起来，最后接进 MES／ERP 形成数据闭环。广西一家再生金属加工企业的实践路径，基本就是按这四步走的。

制造业 AI 落地的常见误区

落地路径

第一步：先找「看得见的浪费」

再生金属行业普遍有四个共性难题：废料来源复杂（工厂边角料、市场回收料、进口料），成分差异大，人工抽检覆盖率有限，分拣靠经验；多钢种叠加废料、合金、辅料、返回料等二十余种原料，成分容忍度窄，一次配料失误可能整炉报废；关键转动设备依赖人工巡检，非计划停机影响连续生产；铸件外观质检靠人眼，漏检与人工成本都高。

这些问题的共同点是：损失能算出来，判定标准能说清楚，改善前后能对比。选切入点，就该选这一类，而不是先挑最难、最说不清的场景。

第二步：从视觉检测类场景切入

这类场景判断标准明确、结果可量化，是 AI 落地见效较快的一类。

废料在线全检。 以 X 射线荧光（XRF）在线检测为核心，配备多通道高精度检测阵列，单次检测 0.5 秒；每一块废料都经过成分检测，检测覆盖率从人工抽检的个位数水平向接近 100% 提升；检测完成后自动按牌号分选入仓（316／304／201／430 等），不再靠人眼；每块废料的检测数据以结构化形式入库，可追溯至具体供应商与炉次。

压铸件 AI 视觉质检。 在抛丸／喷砂后、机加工前这一检测窗口部署 AI 视觉工位，覆盖铸件外表面多类缺陷，缺陷类型按优先级分期实施，模型持续训练迭代，漏检率与人工成本同步下降，质量数据全程沉淀。

第三步：算法与工艺参数结合

AI 只有嵌进工艺参数与操作规程里，工人才敢用、才会用。

智能配料。 把「老师傅的配方」变成「算法的优化」：以多目标约束优化引擎，在成本最低、成分合规、波动容忍之间全局寻优；覆盖 AOD 精炼、VOD 真空精炼、电炉初炼、连铸中间包四类工艺场景；建立 Cr-Ni-Mo-Mn-C-Si-N 等元素交互效应模型与分钢种专属模型；用「四阶段渐进提取法」把经验显式化、量化、可复用。配料方案自动推荐并给出置信度，人工确认后即可执行。

设备故障预测。 以振动、声纹、温度多源传感实时监测，在边缘侧完成信号处理与特征提取（原始波形经边缘压缩后仅上传特征值，压缩率超 99%）；为每台设备建立专属「活体指纹」模型，异常检测、退化趋势预测、剩余寿命估算三位一体；预警分级并自动生成维护工单，设备维护从「事后救火」转向「事前计划」。

第四步：与 MES／ERP 数据闭环

单点算法解决单点问题，闭环才能让价值叠加：检测数据进入库存成分台账并直接驱动配料；配料方案下发生产工单并回写实际投料；设备预警自动生成维护工单并回写停机记录；质检结果进入质量档案与批次追溯。同一套数据的上下游关系理顺了，AI 才从「看得见」走到「管得住」。

该类项目通常可见的变化

以尚贤交付的再生金属类项目为例，通常可见的变化包括：来料检测覆盖范围显著扩大，混料、错料从源头减少；配料失误与贵合金过配减少，废料价值利用更充分；非计划停机减少，维护由被动响应转为计划安排；质检漏检与人工投入下降；废料成分、配料方案、设备状态与质检数据全程沉淀，为持续优化积累数据基础。具体数值因企业规模与实施范围而异，此处不列单一客户数据。

常见问题

问：企业自己没有 AI 团队，这类项目能做吗？

通常由服务商承担模型开发与现场调优，企业侧需要工艺人员参与经验梳理与结果确认。项目成败的关键，在于能否把老师傅的判断标准讲清楚、量化下来。

问：上 AI 之前必须先把 ERP 用起来吗？

不必等所有系统就绪。配料优化与视觉检测类场景可以先跑，但检测与配料结果需要能回流到库存、工单与质量记录，否则价值会停在单点，难以持续。

问：这类项目一般多久能看到效果？

视觉检测与配料优化类场景，通常在数据准备与模型调优完成后即可看到变化；设备故障预测类需要先积累一段运行数据。具体周期因现场条件与实施范围而异。

参考资料

1. 《关于开展 2026 年广西智能制造标杆企业、智能工厂（先进级智能工厂）和数字化车间（基础级智能工厂）认定的通知》（桂工信两化〔2026〕50 号），广西壮族自治区工业和信息化厅。
2. 《中小企业数字化转型指南》（工信厅信发〔2022〕33 号），工业和信息化部办公厅。
3. 《中小企业数字化赋能专项行动方案（2025—2027 年）》（工信部联企业〔2024〕239 号），工业和信息化部、财政部、中国人民银行、金融监管总局。