陶瓷、电瓷与玻璃
可研究窑炉能耗、批次追溯、工艺参数稳定性、质量缺陷分类、设备可靠性和绿色制造。
立足醴陵 · 服务株洲 · 面向湖南
公益知识传播为主,专业品牌影响力自然成长。
在“十五五”时期制造业高质量发展、人工智能与实体经济深度融合、湖南加快建设国家重要先进制造业高地的背景下,中小制造企业面临的关键问题,已不只是设备自动化或软件系统上线,而是如何把生产流程、管理标准、工业数据、软件系统与人工智能应用组织成可持续创造价值的工程体系。本文结合国家及湖南省公开政策文件、醴陵产业基础与制造业工程实践,提出“精益改善先行、数据治理筑基、场景应用牵引、人工智能增效、安全治理护航”的渐进式转型框架,并从陶瓷、电瓷、玻璃、通用设备、轨道交通装备及电子制造等典型场景,梳理可落地的改善方向、技术架构、指标体系和90天试点路径。文章同时提出以开放论文、语音课程、工具模板和脱敏案例为载体的公益知识传播机制,探索让专业知识从个人经验转化为家乡制造业可共享、可复用的学习资源。
2026年是国家“十五五”规划开局之年。制造业发展正从单点设备升级、局部自动化改造,逐步走向研发设计、生产制造、质量控制、供应链协同、运营管理和绿色低碳的系统性升级。人工智能、工业互联网、边缘计算、机器视觉、数字孪生和工业软件不断成熟,推动制造系统从“可视化”向“可分析、可预测、可优化”演进。
但技术进步并不意味着企业只要采购一套MES、部署一台服务器或接入一个大模型,就能自然获得智能制造能力。实际工程中,若工艺路线不稳定、标准工时缺失、设备停机原因编码不统一、BOM与现场用料不一致、质量缺陷定义混乱,系统采集到的可能只是大量不可比较、不可追溯、不可用于决策的数据。此时继续叠加算法,容易把基础管理问题数字化、复杂化。
因此,本文的基本判断是:制造业数智化的起点应当是业务问题和流程价值,而不是技术采购清单。精益生产解决流程浪费和标准化问题,工业工程建立节拍、工时、产能与资源配置的量化基础,数字化系统负责形成可信数据链,人工智能在数据和场景成熟后提供预测、识别、优化与知识辅助能力。
本文采用公开政策文本分析、制造业工程方法归纳和典型场景映射相结合的研究方式,重点讨论中小制造企业可逐步采用的管理与技术路径。本文不是对某一家企业的现场诊断,也不是对政策申报条件的法律解释;文中技术路线属于工程建议,须结合企业工艺、设备、信息基础、投资能力和安全要求验证。
国家层面的“十五五”规划纲要将建设现代化产业体系、推进数字中国、实施“人工智能+”行动、促进实体经济和数字经济深度融合列为重要发展方向。工信部等八部门出台的“人工智能+制造”专项行动,则进一步把方向细化为算力、模型、数据、重点行业场景、智能工厂和安全治理等任务。
| 政策依据 | 时间与文号 | 关键要求 / 目标 | 企业层面的启示 |
|---|---|---|---|
| 国家“十五五”规划纲要 | 2026—2030年 | 现代化产业体系、数智技术赋能、人工智能+、实体经济与数字经济融合 | 把数智化纳入经营与制造系统升级,而不是单一IT项目 |
| “人工智能+制造”专项行动实施意见 | 工信部联科〔2025〕279号;2026年1月公开 | 提出到2027年推动3—5个通用大模型深度应用、1000个工业智能体、100个工业高质量数据集、500个典型场景和1000家标杆企业等目标 | 围绕质量、设备、排产、能耗和运营管理识别高价值场景,先做数据治理与小范围验证 |
| 促进中小企业发展“十五五”规划 | 工信部联规函〔2026〕290号;2026年9月 | 强调中小企业数智化、绿色化发展,推广精益管理、质量数字化、人工智能赋能和产业链协同 | 中小企业可分级改造,优先采用“小快轻准”的场景化工具 |
| 湖南制造强省“十五五”规划 | 湘政发〔2026〕6号;2026年6月2日 | 推进“智赋万企”“人工智能+先进制造”;到2030年重点建设不少于2000家基础级、800家先进级、50家卓越级以上智能工厂 | 结合株洲产业基础开展场景先行,结合醴陵特色产业推进数字化与绿色化改造 |
| 湖南规上工业企业数字化转型通用评估 | 2026年1月22日 | 提出到2026年12月31日完成数字化转型评估的规上工业企业不少于15000家,覆盖率达70% | 数字化基础评估、数据盘点和转型路线梳理具有现实紧迫性 |
| 2026年度智能工厂梯度培育行动 | 工信厅联通装函〔2026〕343号;2026年7月 | 基础级聚焦数字化,先进级聚焦数字化网络化,卓越级聚焦智能化升级,领航级探索未来制造模式 | 企业应根据自身基础和投资能力选择层级,不应盲目追求最高级别 |
需要特别区分“政策目标”和“已实现成果”。上述数量均为政策文件提出的阶段性目标,不代表截至本文发布时已经全部完成;智能工厂梯度培育也有对应申报条件、评审和认定程序,不能简单理解为所有企业都必须申报领航级工厂。
公益知识传播要避免脱离产业实际。醴陵经开区官方于2026年1月披露,园区2025年技工贸收入为1014.42亿元,规模以上工业企业营收为674.97亿元;园区现有企业1282家、规上工业企业457家、高新技术企业231家。上述为经开区公开披露的园区口径数据,并非醴陵全市所有企业的统计口径。
醴陵经开区公开产业定位包括非金属矿物制品业、陶瓷及配套产业、电力电瓷电器、玻璃产业,以及通用设备制造等方向。湖南省制造强省“十五五”规划同时将轨道交通装备产业明确为以株洲集群为核心,推进高端化、智能化、绿色化、融合化和国际化发展。
可研究窑炉能耗、批次追溯、工艺参数稳定性、质量缺陷分类、设备可靠性和绿色制造。
可研究标准工时、换型换模、设备综合效率、刀具寿命、工艺路线、在制品和生产计划。
可研究关键部件全生命周期追溯、供应商质量、工程变更、工序质量门、试验数据和服务型制造。
对于电子制造、汽车零部件和其他离散制造企业,SMT设备状态、物料齐套、SPI/AOI缺陷、首件确认、换线损失、批次追溯和产线平衡也具有较强的通用性。以上是可供研究的典型场景,不代表对某家企业现状或数字化成熟度作出判断。
建议把制造业数智化理解为五个相互依赖的层次:价值目标层定义企业要改善什么;精益流程层明确如何稳定、标准化地创造价值;数据与系统层建立可信的数据链;智能应用层使用算法与模型提升识别、预测和优化能力;治理与安全层确保系统可靠、数据合规、责任清晰。
精益管理的重点是识别客户价值、减少等待与搬运、降低过量生产和返工、缩短换型时间、稳定标准作业。工业工程则将改善转化为可计算的工时、节拍、产能、设备负荷、人员配置和生产线平衡。若企业尚未形成稳定的工艺路线、标准工时和停机分类,应先补齐基础管理,而不是直接以AI替代现场分析。
数据不仅要“采得到”,还要“定义一致、来源明确、时间准确、能够关联”。设备编号、产品编码、BOM版本、工艺路线、工序代码、班次、人员、批次、缺陷代码、停机原因、计量单位和时间戳应建立统一规则。否则,同一个指标可能因分母、统计周期、产品组合或停机口径不同而产生不可比较的结果。
人工智能适合在有足够数据、明确目标和可验证反馈的场景中发挥作用。例如,机器视觉可辅助外观缺陷识别;设备时序数据可用于异常检测和预测性维护;APS可在订单、工艺路线、产能和换型约束较完整时辅助排产;基于经过审核的作业指导书、维修记录、FMEA和质量文件,可建设检索增强的知识助手,帮助工程师检索资料、整理问题和生成初步分析。
模型输出必须经过验证。涉及产品放行、关键工艺参数变更、设备安全联锁和高风险操作的决策,应保留授权人员审核、确定性控制逻辑和可追溯记录。人工智能可以提出异常提示、分析建议和优化候选方案,但不能替代企业法定安全责任、质量责任和现场管理责任。
面向中小制造企业,建议采用“设备层—边缘连接层—数据平台层—业务应用层—智能分析层—安全治理层”的分层架构。并不要求企业一次性建设全部层级,重点是接口边界清晰、数据定义一致、后续能够扩展。
PLC、CNC、机器人、仪器仪表、温度/压力/振动/电流传感器、条码/RFID、工业相机、测试设备。先确认设备信号是否可用、采样周期是否满足场景需要。
可按设备能力选择OPC UA、Modbus TCP、MQTT等协议或厂商接口,使用边缘网关进行协议转换、数据缓存、初步过滤和本地告警,避免将控制网络直接暴露到公网。
建立设备、产品、工艺、工单、批次、质量、停机和能耗数据模型;通过数据字典、质量规则、血缘关系和权限管理保证数据可解释、可追溯。
ERP管理订单、物料和财务;MES/MOM承接制造执行;APS辅助排产;QMS管理质量;WMS管理仓储;EAM/CMMS管理设备资产与维修。系统之间应明确主数据责任和接口边界。
先使用规则、统计分析和过程能力分析,再按需要引入机器学习、机器视觉、时序预测、优化算法、检索增强生成和工业智能体。模型要有版本、评价集和回滚机制。
建立IT/OT网络边界、最小权限、账号管理、日志审计、备份恢复、供应商远程接入审批、模型输出复核和变更控制,确保技术系统可持续运行。
预测性维护需要有足够的设备状态数据和故障记录;机器视觉需要稳定的成像条件、缺陷标签和可复核样本;智能排产需要准确的工艺路线、标准工时、设备能力、交期和换型约束;知识助手需要经过审核的文档、版本管理和权限隔离。若输入数据和业务定义不可靠,模型准确率再高也难以转化为稳定的经营价值。
| 产业 / 场景 | 优先改善问题 | 可用技术与方法 | 建议观察指标 |
|---|---|---|---|
| 陶瓷、电瓷 | 工艺参数稳定性、批次质量、窑炉能耗、设备故障、质量追溯 | 过程参数采集、批次追溯、缺陷分类、能耗分析、设备状态监测、SPC | 一次合格率、批次追溯完整率、单位合格品能耗、非计划停机时间 |
| 玻璃制造 | 关键工艺波动、设备可靠性、能源利用、质量缺陷识别 | 时序数据分析、机器视觉辅助检测、设备预测维护、能源计量与分项分析 | 良品率、单位能耗、设备可动率、缺陷率、计划达成率 |
| 通用设备制造 | 多品种排产、换型换模、工序等待、刀具与设备管理 | 标准工时、SMED、APS辅助排产、刀具寿命管理、工序追溯 | 换型时间、OEE、计划达成率、在制品周转天数、准时交付率 |
| 轨道交通装备 | 长流程追溯、工程变更、供应商质量、关键部件可靠性 | 产品谱系追溯、质量门、工程变更管理、供应商质量协同、试验数据分析 | 追溯完整率、一次交检合格率、问题闭环周期、供应商来料质量 |
| 电子制造 / PCBA | 物料齐套、设备状态、换线损失、工序质量、批次追溯 | SMT设备数据采集、SPI/AOI数据关联、物料条码、线平衡、异常看板 | UPH、FPY、OEE、换线时间、缺料停线时长、返修率 |
| 中小型离散制造 | 现场信息不透明、标准不统一、计划与实际脱节 | 标准作业、条码报工、轻量化MES、可视化看板、异常闭环 | 报工及时率、数据完整率、计划达成率、异常响应时间 |
上述场景是结合区域产业方向和制造工程方法提出的研究建议。不同企业的设备、产品、工艺和客户质量要求存在差异,实施前必须进行现场诊断、风险评估和数据可用性验证。
建议企业不要将数字化转型理解为一次性的大型系统采购。更可控的做法是以经营目标为牵引,选择一个产品族、一条产线或一个关键工序,先完成基线测量和标准化,再开展数据采集、系统连接与智能应用试点。
明确当前最影响交付、质量、成本、设备效率或安全的一个问题,确定责任人和改善边界。
梳理价值流、工艺路线、标准工时、设备能力、质量标准和异常分类,建立可比较的基线。
统一编码、时间戳、数据字典和采集规则,优先利用现有设备接口、条码和轻量化采集方式。
选择一个可测量的场景,例如停机分析、质量缺陷追溯、物料齐套或换型时间,建立前后对比。
按需要打通ERP、MES、QMS、WMS、设备数据和看板,明确主数据与接口责任。
在数据成熟后引入预测、识别或优化模型,经过验证后固化标准,再评估是否向其他产线复制。
| 周期 | 主要工作 | 阶段交付 | 阶段门判断 |
|---|---|---|---|
| 第1—15天 | 项目章程、现场诊断、价值流梳理、指标定义、基线采样 | 问题清单、流程图、基线报告、责任分工 | 问题是否真实、指标是否可测、负责人是否明确 |
| 第16—30天 | 标准作业、工艺与设备编码、停机/缺陷代码、数据字典 | 标准文件、数据字典、采集点清单 | 数据定义是否一致、现场是否能持续执行 |
| 第31—60天 | 单线数据采集、异常看板、系统接口、每日复盘 | 数据看板、异常闭环记录、试点运行报告 | 数据完整性、及时性和现场使用率是否达标 |
| 第61—75天 | 选取一个AI或算法辅助场景,开展离线验证和受控试用 | 模型测试报告、人工复核记录、风险清单 | 是否优于现行方法,误报/漏报风险是否可接受 |
| 第76—90天 | 前后对比、标准固化、收益核算、复制评审 | 试点总结、标准文件、复制建议和下一阶段计划 | 收益是否可核验,是否具备规模化复制条件 |
数智化项目的评价不能只看系统模块数量、设备联网数量或看板数量。应将运营指标、数据质量指标和模型质量指标分开管理,并在试点开始前冻结统计口径。
| 指标 | 建议定义 / 公式 | 管理用途 | 注意事项 |
|---|---|---|---|
| OEE | 时间开动率 × 性能开动率 × 合格品率 | 识别设备可动性、速度损失和质量损失 | 计划生产时间、停机分类和理想节拍必须统一 |
| FPY 一次通过率 | 首次检验合格数量 ÷ 首次投入检验数量 | 识别返工、报废和工序质量损失 | 不得将返修后合格混入首次合格 |
| 计划达成率 | 按统一口径完成的计划数量 ÷ 计划数量 | 评估排产、物料和执行协同 | 明确计划冻结时间、插单和变更规则 |
| 换型时间 | 上一产品最后一个合格品至下一产品首个合格品的时间 | 评价SMED与多品种柔性能力 | 明确换型起止点和首件放行条件 |
| 单位能耗 | 统计期能源消耗 ÷ 同期合格产出 | 评价绿色制造与能源效率 | 按产品、工艺和能源边界合理分摊 |
| 数据完整率 | 有效采集点数量 ÷ 应采集点数量 | 评价数据基础可靠性 | 同时关注准确性、及时性和一致性 |
| 追溯完整率 | 具备规定全链路追溯信息的批次 ÷ 总批次 | 评价产品、工艺、设备和质量数据关联 | 追溯字段应与客户要求和产品风险匹配 |
| AI模型精确率 / 召回率 | 精确率=TP/(TP+FP);召回率=TP/(TP+FN) | 评价识别模型的误报与漏报 | 高风险场景需优先控制漏报,并保留人工复核 |
项目收益核算应区分实际现金节约、避免损失、产能释放和管理效率提升。产能释放不应未经核算就等同于新增利润;估算值、阶段性验证值和财务核定值应分别标注。只有统计边界、数据来源和责任人明确,改善成果才具备可复核性。
制造业知识传播的价值,不在于发布了多少篇文章,而在于知识是否被理解、是否能被正确使用、是否帮助企业形成改善。对于中小企业而言,获得一份清晰的标准工时模板、一堂讲透OEE口径的课程,或一套能用于现场问题分析的检查表,往往比阅读大量抽象概念更有帮助。
基于这一认识,QilyLean|启力精益提出“立足醴陵、服务株洲、面向湖南”的公益知识传播方向。平台定位是公开知识资源的整理、研究和分享入口,不代表政府部门、园区或行业协会,不以企业聘用、商业订单或咨询业务转化为目标。专业品牌影响力应当是持续提供高质量知识后自然形成的结果,而不是传播的前置条件。
把国家、省级公开政策与制造业工程方法联系起来,解释政策方向如何转化为企业可理解的管理任务。
围绕OEE、标准工时、线平衡、SMED、数字化转型和工业AI等主题,采用案例、图示和通俗讲解。
提供检查表、分析表、计算模板和经授权的匿名案例,帮助学习者把知识带到现场。
传播范围按“醴陵先行、株洲同步准备、成熟后扩展湖南”推进。内容建设以中国制造业常见管理问题为基础,同时优先关注醴陵陶瓷、电瓷、玻璃和装备配套等产业场景,以及株洲轨道交通装备等优势产业。公开课程和选定资源尽可能免费开放;涉及企业内部数据、图纸、工艺参数和人员信息的内容,必须取得授权或完成充分脱敏。
“十五五”时期,制造业的竞争将越来越体现为技术创新、流程效率、数据能力、产业链协同和绿色低碳能力的综合竞争。国家与湖南省的政策部署,为传统制造业改造提升、中小企业数智化转型和人工智能场景应用提供了清晰方向;醴陵和株洲也拥有值得持续研究与传播的产业基础。
对于中小制造企业,最现实的路径不是追逐概念,而是从一个真实问题出发:先用精益方法识别浪费、稳定流程,再用工业工程建立标准与量化基线,用数字化工具形成可信数据,最后在适当场景中引入算法和人工智能,并以质量、交付、成本、效率、能耗和安全指标验证结果。
对于知识传播者,真正重要的也不是单纯扩大曝光,而是持续提供准确、可理解、可复用的专业内容。论文、语音课程、视频和实操工具只有进入学习者的思考与企业现场,才可能转化为实际价值。