很多工厂一提数智化就想着砸钱上整套MES、买一堆传感器，最后变成放在那落灰的面子工程。本文基于实际参与的汽配冲压车间改造项目，拆解制造业务场景数智化落地的核心逻辑，给中级工程师分享可复用的踩坑经验。
从冲压线痛点说起：数智化不是缺数据，是数据不会用
前两年给华东一家做汽车底盘冲压件的工厂做改造。那条线开了快十年，废件率一直卡在3.2%降不下来，换模等待时间平均每次要40分钟，赶上赶订单的时候，老班长请假，新工人调参数，废件率能冲到8%！
老板一开始听了厂商忽悠，花了八十万先上了数据采集系统，全车间布了二十多个传感器，屏幕上全是跳动的曲线，好看是好看。有用吗？
没用。
换模的时候该怎么调参数还是靠嘴传，老师傅记在小本子上的参数，不愿意输进系统不说，同一套模具换不同批次的板材，板厚差个0.1mm，原来的参数就不对，系统里存的固定参数完全跟不上变化。
说实话，那时候我去现场看了一周，天天蹲在压机旁边吃机油味的盒饭，才摸出问题在哪。他们做的不是数智化，是把原来的纸质记录搬到了屏幕上，根本没碰业务的核心痛点。
制造业务场景数智化的核心：适配场景的轻量化模型，不是通用平台
我们后来推翻了原来的方案，没换整套系统，就盯着「冲压换模参数自动匹配」这一个场景做。
第一步，先把现有数据理清楚。我们从设备PLC里拉出了过去两年一千二百多次换模的历史记录，再拉上做了三十年冲压的王班长，花了两周时间标注，把每次废件产生的原因标出来：板材公差、环境温度、模具磨损程度……原来大家觉得废件就是参数调错了，没想到车间夏天温度高，冲压油粘度降三个厘斯，就得把压装力调高0.5MPa，这个细节，没人写在工艺文件里。
这里说个选型的权衡。一开始厂商给我们推云端的通用工业大模型，调用一次五毛钱，一条换模流程下来就得好几块，一天几十次换模，一年下来流量费都十几万。而且通用模型对我们这个细分场景的准确率才70%出头，根本用不了。
最后我们选了什么？边缘计算网关加轻量化决策树模型，所有计算都在车间本地做，模型参数我们可以自己改，成本不到原来方案的三分之一。按照GB/T 39116-2020《智能制造能力成熟度模型》的评估，我们这个单点场景已经达到了三级能力要求，能够实现过程的动态调整，足够用。
改完之后效果是什么样？换模平均等待时间降到22分钟，废件率稳定在1.1%，一年省出来的原材料和工时，不到一年就收回了所有改造成本。老板一开始皱着的眉头，终于舒开了！
给中级工程师的几个落地提醒，都是踩坑踩出来的
第一，别贪大，先切单点瓶颈场景。很多工厂领导一上来就要全车间全链路数智化，预算花了一大半，哪个场景都没做好，最后项目就黄了。先找那个最疼的点，比如冲压线就是换模，焊接线就是焊缝缺陷检测，做好一个出了效果，后续的预算和支持自然就有了。
第二，传感器别贪多，够用就好。我们一开始差点听厂商的，每个模具都装振动和温度传感器，一条线十个模具，光传感器就得二十多万。后来我们发现，只需要在压机滑块、进料辊两个位置装传感器，就能拿到足够判断工况的数据，成本直接砍到六万多，数据噪声还少了一大半。冲压车间的强电磁干扰，你装再多精度高的传感器，数据全是噪声，有什么用？
第三，数据标注一定要拉一线工人一起干。我们一开始自己躲在办公室标数据，把工人眼里允许放行的微小毛边标成了废件，模型训练出来准确率不到65%，完全没法用。后来拉王班长每周抽两个下午，跟着跑生产线标，两周就标完了，准确率直接冲到92%。一线工人对产品合格不合格的判断，就是最值钱的标注规则，别自己瞎拍板。
不过话说回来，也不是说所有的数智化都得省钱做小项目，要是企业本身就是大规模多品种生产，那上整套平台也没问题。核心是，你得先搞清楚，你要解决的到底是什么业务问题，不是为了数智化而数智化。
制造业务场景数智化，本质上就是用数字工具把工人脑子里的经验挖出来，把工艺里的不确定变量变成可控的参数，解决真问题。少听厂商画饼，多蹲车间三天，什么思路都有了。
