课程大纲

认知筑基：智能制造架构与工业AI全景通识

工业4.0与智能制造的本质

从工业1.0到4.0的演进脉络
智能制造五自定义：自感知、自学习、自决策、自执行、自适应
智能工厂核心构成：自动化 + 数字化 + 网络化 + 智能化
标杆案例解析：HW大模型赋能制造、TSL数字化仿真测试、HR工厂AI优化（OEE提升）

人工智能（AI）概述与技术形态

AI定义与发展简史
四大AI形态详解：判别式AI、生成式AI、智能体（Agentic AI）、具身智能（Physical AI）
AI在工业中的成熟度与应用阶段划分
成熟度高（已规模化）：视觉检测、预测性维护、语音识别
快速上升期（2-3年）：智能排程（APS）、知识问答、智能客服
探索期（3-5年）：生成式设计、AI Agent自主决策、具身智能
工具分享：四类AI工业应用速查表

制造业AI发展趋势与底层逻辑

趋势一：从小模型到大模型+小模型协同
趋势二：从单点应用到智能体协同
互动探讨：本企业哪些场景最适合引入AI？
企业数智化转型的三层底层逻辑：基础层（数据+算力）、支撑层（技术+平台）、应用层（业务+场景）

AI智造赋能：研产全流程AI降本增效场景拆解

研发设计环节：缩短周期与降低试错

传统痛点：周期长、试错成本高、过度依赖经验
AI应用场景：生成式设计、AI辅助仿真、图纸智能评审
案例解析：丰田研究所AI草图生成、华为PCB设计AI辅助

生产制造环节：优化排产与提升效率

传统痛点：排产靠经验、换型时间长、OEE仅60-65%
AI应用场景：智能排产（APS）、工艺参数优化、生产节拍平衡
案例解析：宝马、华为+赛意智能排产实践

质量管控环节：精准检测与根因分析

传统痛点：人工检测低效、漏检误检、质量损失占营收5%-15%
AI应用场景：视觉缺陷检测、根因分析、首件/巡检要点AI生成
案例解析：某汽车零部件厂AI检测（准确率99%+）、宁德时代电池缺陷检测

设备运维环节：预测维护与减少停机

传统痛点：事后维修损失大、定期维修浪费、OEE六大损失
AI应用场景：状态实时监测、预测性维护、维修辅助诊断
案例解析：英特尔晶圆检测、劳斯莱斯发动机实时监控

从快赢切入：生产现场5个低门槛高价值场景

场景一：设备数据采集与OEE监控
场景二：AI视觉质检（单工序试点）
场景三：智能排产（APS试点）
场景四：预测性维护（单类设备）
场景五：AI辅助质量异常分析

破局攻坚：企业AI转型落地策略与四步走路线

AI落地实施的六大核心难点应对

挑战一：数据基础薄弱——对策：数据治理四步走 + 华为数据治理实践
挑战二：技术与业务两张皮——对策：团队组建策略 + 华为铁三角模式
挑战三：投入产出难量化——对策：成本显性化与收益隐性化评估体系
挑战四：人才短缺——对策：西门子Π型能力模型及培养体系
挑战五：老旧设备改造难——对策：解析与对策 + 英飞凌ECA高级设备互联产品
挑战六：安全与合规风险——对策：四大风险重点及核心解决策略

AI落地四步走路线图

第一步：单点突破——选择高价值场景快速验证
第二步：线体贯通——实现生产线层面的数据互通与协同
第三步：车间集成——构建车间级智能管理与决策中心
第四步：工厂全面智能——达成全厂范围的智能化运营

适合对象

工艺工程师与质量工程师、企业质量负责人与生产负责人、质量主管与工艺主管、致力于推动智能制造转型的技术与管理骨干

课程定位与主要问题

研制周期紧且工艺验证繁琐，质量归零成本高，传统经验依赖导致试错成本高。工业数据大量沉淀但未有效利用，无法反哺工艺优化，数据价值挖掘不足。生产排产依赖人工经验，换型时间长，设备综合效率（OEE）普遍偏低。人工质量检测效率低，存在漏检误检风险，质量损失占营收比例较高。设备维护多为事后维修或定期维修，非计划停机损失大，缺乏预测性维护手段。企业面临数据基础薄弱、技术与业务脱节、投入产出难量化、人才短缺及老旧设备改造难等六大落地挑战

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
智能制造架构与工业AI全景通识和研产全流程AI降本增效场景拆解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：企业AI转型落地策略与四步走路线相关的试点清单、检查点和下一次复盘安排

课程背景与交付信息

航天航空制造业正面临型号研制周期紧、工艺验证环节多、质量归零成本高的严峻挑战，同时需在高质量保成功与高效率降成本之间寻求平衡。尽管工业数据大量沉淀，但未能有效反哺工艺优化，导致数据价值未被充分释放

当前，AI工业应用已进入规模化落地阶段，华为、宁德时代、宝马、西门子、劳斯莱斯等标杆企业在质量检测、预测性维护、智能排产等环节已实现可量化成效。然而，航空航天制造企业因数据敏感性强、设备改造成本高、工艺可靠性要求极严等因素，AI落地面临更高门槛

本课程立足研发设计、生产制造、质量管控、设备运维四大核心环节，结合四类AI技术适用边界与成熟阶段，提供实战工具与落地策略，旨在帮助航空制造企业厘清转型路径，规避误区，将AI能力转化为实际生产力

课程时间

3小时

授课方式

理论精讲、名企案例、落地工具、互动研讨

课程内容重点

01第一讲认知筑基：智能制造架构与工业AI全景通识

02第二讲 AI智造赋能：研产全流程AI降本增效场景拆解

03第三讲破局攻坚：企业AI转型落地策略与四步走路线

讲师介绍

杨向东

精益生产与智能制造管理实战专家

前海尔制造运营总监、鲁丽集团运营中心总经理，20余年精益生产与智能制造实战经验。主导30+个精益/智造项目，单项目最高降本90%，擅长AI赋能、降本增效及智能工厂搭建，助力企业实现数字化转型与效能跃升

制造业家居产业新能源汽车航空航天电力能源

查看讲师主页

课程差异说明

本课程针对航空航天制造业高质量保成功与高效率降成本的双重挑战，聚焦研发、生产、质量、设备四大核心环节。通过解析华为、宁德时代等标杆案例，系统讲解判别式与生成式AI等技术的应用边界。提供数据治理四步走及AI成熟度自评模型，让参训团队识别低门槛快赢场景，掌握AI+精益改善方法，制定切实可行的转型落地路线图，实现可量化的降本增效

AI智造赋能：航空制造四大核心环节降本增效实战落地