第一章 AI赋能船舶质量管理概论
船舶质量管理的数字化拐点
- 全球船企AI应用图谱解析
- 典型案例：现代重工数字验船师与芬坎蒂尼虚拟质检
AI驱动的质量升维框架
- 演进路径：从检测智能化到预测精准化，再到决策自主化
四阶实施路线图
- 从单点质检到全链协同的演进策略
- 案例参考：外高桥造船厂的数字化实践
AI赋能船舶质量管理
第一章 AI赋能船舶质量管理概论和第二章 数智技术在船舶质管中的应用会先校准做法，再收束到课后的跟进动作
授课讲师：
张忠新 · 人工智能AI与数字化实战专家
适合对象
船舶制造企业质量部门业务骨干（T3及以上级别）、负责质量管理数字化转型的项目负责人与技术代表、生产、工艺及供应链等与质量管控紧密相关的合作部门代表
课程定位与主要问题
传统人工质检效率低、漏检率高，难以应对邮轮、LNG船等高附加值船舶的复杂工艺要求 焊接、涂装等关键工序的质量波动大，缺乏有效的预测手段，导致返工成本高企 质量数据分散在各个环节，形成数据孤岛，难以通过数据分析驱动管理决策 引入新技术时面临数据治理难题，缺乏清晰的技术落地路线图与风险应对策略 既懂船舶工艺又懂AI技术的复合型人才稀缺，阻碍了智能化改造的深入推进
核心收益
- 先确认工具场景、输入要求和输出校验，让训练目标更具体
- 第一章 AI赋能船舶质量管理概论和第二章 数智技术在船舶质管中的应用会被串成一组可练习的AI应用
- 流程复用更容易：提示词、流程嵌入和风险复核检查方法是否适合团队日常任务
查看更多收益 收起更多收益
- 人工复核有抓手：第三章 标杆实践与落地路径相关的试点清单、检查点和下一次复盘安排
课程背景与交付信息
全球船舶制造业正经历从传统制造向智能制造的关键转型期，质量管理作为核心竞争力，面临着从被动检验向主动预测、从局部控制向全生命周期协同的转变需求
随着工业大模型、机器视觉、数字孪生等技术的成熟，头部船企已开始探索AI在复杂工艺场景中的应用，但多数企业仍面临技术选型难、场景落地难、数据治理难等挑战
本课程基于现代重工、中船集团、芬坎蒂尼等标杆企业的实践经验，系统梳理AI赋能船舶质量管理的理论框架与实施路径，旨在为行业提供可复制的数字化升级方案
课程时间
3小时
授课方式
讲师讲授、案例解析、互动提问、行动思考引导
课程内容重点
01第一章 AI赋能船舶质量管理概论
02第二章 数智技术在船舶质管中的应用
03第三章 标杆实践与落地路径
04问答与研讨
课程大纲
第二章 数智技术在船舶质管中的应用
机器视觉突破场景
- 曲面钢板焊接缺陷检测：多光谱成像抗飞溅干扰方案（LNG船储罐案例）
- 船体涂装质量监控：激光诱导击穿光谱(LIBS)实时测厚系统
- 狭小舱室AR质检：HoloLens+AI辅助远程验船流程
工业大数据深度应用
- 质量数据湖架构：焊接参数、探伤报告与环境数据的联邦学习
- 焊缝质量预测模型：基于电流电压、母材温度等输入项的气孔率预测（大宇造船案例，准确率＞98%）
智能决策新范式
- 数字孪生驱动的装配仿真：分段搭载误差链传播模拟（沪东中华精度控制案例）
- 生成式AI在质量预警中的应用：基于历史缺陷数据的虚拟故障模拟
- 区块链质量溯源：从钢板采购到总装的全流程质量存证
第三章 标杆实践与落地路径
成功企业案例解码
- 现代重工：船用曲轴AI视觉检测系统（检测效率提升400%）
- 中船黄埔文冲：船舶管路智能质检机器人（漏检率降至0.5‰）
- 意大利芬坎蒂尼：邮轮内装数字质检平台（返工成本降低35%）
三阶段实施策略
- 试点突破（6个月）：选取焊接、涂装等高价值场景
- 系统集成（12个月）：构建QMS+AI中台
- 生态延伸（24个月）：连接供应商质量数据链
关键风险应对
- 数据壁垒破解：建立船厂与供应商间的质量数据交换协议
- 人才体系建设：船舶工艺专家与AI工程师的协同培养机制
问答与研讨
互动环节
- 学员疑问解答
- 实际工作场景中的难点探讨
讲师介绍
张忠新
人工智能AI与数字化实战专家
人工智能AI与数字化实战专家，曾任徐工汉云首席技术专家。擅长AI+工业互联网应用及数字化工厂规划，主持参与27个大型数字化工厂项目，致力于推动企业数字化转型与一线管理数字化赋能
查看讲师主页课程差异说明
本课程页面围绕《AI赋能船舶质量管理》重点呈现课程定位、适合对象、核心收益和 4 个主要模块，便于快速判断培训匹配度
