摘要：很多制造企业说起数智化转型，动辄就是顶层设计、全链路打通，真正落到具体业务场景全乱套。本文结合我在东莞汽配机加工车间主导的数智化改造项目，讲透三个核心业务场景落地的踩坑经验、参数选型逻辑，给正在推进项目的同行参考。
别拿顶层规划当饭吃，先啃下机加工工单排产这块硬骨头
去年跟进东莞那家风冷发动机汽配零部件厂的改造项目，刚进厂就傻了。老板前两年花八百万上了号称行业领先的智能MES系统，大会议室的大屏天天转着各种漂亮的数据，车间调度还是攥着记号笔在白板上划排程。
为什么？供应商做顶层规划的时候，把全工厂数据流、全流程自动化吹得天花乱坠，结果连机加工车间最基础的排产约束都没做全。多品种小批量订单下，不同工件的刀具磨损余量、急单插单后的热处理工位瓶颈、甚至工人对不同型号机床的操作熟练度，全都是活的约束条件，通用系统根本没留接口给这些工厂特有的参数。
之前供应商输出的自动排程，曾经把三把同规格刀具分给四个加工工位，算下来工人一天光换刀就要花三个多小时，换刀时间比加工时间还长。工人骂娘，调度干脆直接把系统排程扔一边，还是用自己干了二十年的老经验排。
说实话，很多工厂转型第一步就走错了。上来就要搞全工厂打通，要做国家级智能工厂示范，却连最痛的那个业务场景都没碰。
我们进场之后，推翻了原来大而全的第一步计划，就盯着排产这一个场景扎进去。按照GB/T 39116-2020《智能制造 能力成熟度评估模型》的要求，先做L2级场景化能力建设，把工厂积累五年的刀具寿命数据、工装换型时间、工人技能系数全部整理成标准化参数，接入机床旁边的边缘计算节点，排产逻辑优先保热处理这个瓶颈工位的稼动。
三个月下来，车间整体设备稼动率直接提了17个百分点，单工单交付周期缩短了12%，老板悬了两年的心终于放下。
质量检测场景的数智化，别迷信AI视觉，适配工艺才是核心
还是这个厂，原来球墨铸铁缸体的表面裂纹检测，养了十二个检验员，天天拿低倍放大镜看，一天干十个小时，眼睛都能看出红血丝，还时不时有漏检的废件流到客户端，最多一次赔了近三十万。
老板听了厂商忽悠，花四十多万上了一套通用AI视觉检测设备，上线一测，准确率不到80%，漏检率比人工还高。什么原因？厂商用的是通用钢材裂纹的训练模型，根本没考虑球墨铸铁本身的铸造特性——我们这个缸体用的QT450-10牌号，浇铸冷却后本来就会有晶界疏松，疏松的灰度差和真实裂纹只差不到5%，通用模型根本分不出来。
那段时间真的头大，钱花了，东西用不了，进退两难。后来我们干脆推倒重来，把工厂过去三年积累的一万两千多份合格件、废件的检测照片和工艺记录拉出来，把铸造浇口位置、冷却速度对应的晶界灰度特征单独做标签，重新做小样本微调训练，还给模型加了一层工艺规则判断：凡是处于浇口热节区的灰度异常，优先判定为铸造疏松，不是裂纹。
调完之后，准确率直接拉到99.7%，现在只留两个工人做抽检，直接省了八个全职检测工位，一年下来人力成本省了小一百万，不到一年就收回了改造投入。
不过话说回来，现在不管什么场景都要蹭AI，好像不用AI就不是数智化，其实哪有那么玄乎？你不把自己制造场景的工艺知识揉进去，再高大上的模型也是空中楼阁。
数据采集不是越多越好，服务业务才是核心目标
我见过太多改造完的车间，每台机床都装了七八个传感器，电流、温度、振动、噪声全采，存在云服务器里，一年到头用不了超过三次，每年还要掏好几万的存储和维护费，纯纯的浪费。
对吧？很多供应商卖方案的时候，都说数据越多越好，大数据能挖出来无穷的价值。问题是你现在做的是排产场景，你挖十年前的振动数据能干嘛？
还是说回这个项目的排产模块，我们一开始也打算给所有机床装全参数采集，算下来十二台机床就要十六万，后来梳理需求发现，排产逻辑其实只需要两个核心数据：当前工位的加工剩余时间、当前刀具的已使用时长。其他数据根本用不上。最后我们只给这两个参数装采集，花了不到两万八，就完全满足了排产场景的需求。
还有人说所有数据必须上云，我看真没必要。车间核心业务场景的应用，比如排产、实时检测，要求延迟在100ms以内，放在本地边缘节点跑就行，真的需要总部调数据做统计分析，再按需同步，既省了带宽成本，又满足了零部件制造企业的保密要求，一举两得。
太多转型项目做了两三年烂尾，就是一开始摊子铺得太大，钱烧完了还没拿出看得见的效果，老板一砍预算，项目直接黄了。其实就盯着一个业务场景，把问题解决，拿出效果，拿到成果，再往下扩展，路才走得稳。
现在行业里喊转型喊得凶，到处都是高大上的概念，落到工厂车间，本质还是要解决具体的问题。你能把排产的效率提上去，把检测的漏检降下来，把不必要的成本省下来，这就是成功的制造业务场景数智化转型。赶潮流拿补贴，最后系统烂在机房里的例子，见得够多了。
