AI+生产、智能制造实战训练营—数据驱动改善，AI赋能提效，打造未来车间

课程大纲

课程总览

内容重点

课程导入：数字难民还是数字管家？—车间管理者的新挑战
您在日常管理中最头疼的数据困惑是什么？
每天花多少时间处理报表？这些报表对您的决策有多大帮助？
请列举本部门最关键的3个数据痛点，并说明数据收集工作耗时占比现状

生产核心报表解读——看清数据背后的业务逻辑

一、制造业数据化现状诊断

典型问题扫描
数据孤岛现象：某汽配企业5套独立系统数据冲突案例
指标失真乱象：注塑车间人为调整设备参数达成考核案例
管理滞后困境：五金企业日报表延迟48小时失效
2：数据化管理核心理念
基本定义：数据化管理 = 标准化 × 可视化 × 智能化
价值金字塔
基础层：消除假数据（某电子厂传感器替代手工记录案例）
应用层：发现真问题（OEE分析锁定瓶颈设备案例）

二、核心指标深度解析

工时利用率——效率的照妖镜
不仅仅是出勤率，关键是有效工时
工时分类标准：加工时间、准备时间、等待时间、异常时间四类定义
案例分析：某装配车间通过工时分类分析，发现等待时间占比高达25%，根源是物料配送不及时
实战技巧：如何制定《工时分类记录表》，让一线员工正确填报
2. 直通率——质量的晴雨表
计算公式：直通率 = 良品数 ÷ 总投入数 × 100%（各工序连乘）
直通率与工序合格率的区别：直通率更能反映工序间质量协同
案例分析：某电子厂直通率仅75%，但各工序合格率均＞95%，问题出在哪里？（数据分析发现：工序间检验标准不一致）
实战技巧：如何用直通率定位隐形瓶颈工序

三、数据背后的业务逻辑挖掘

三维分析法（时间/对象/指标）
时间维度：同比、环比、趋势分析
对象维度：设备、产线、班组、产品型号
指标维度：效率、质量、成本、交付
案例：某注塑车间不良率分析（按班次/设备/产品型号交叉对比）
案例分析研讨
小组
讨论：您认为可能的原因有哪些？需要补充哪些数据来验证您的假设？如果发现OEE数据有水分，您会如何处理？
课堂
演练：分组解读一份真实的生产日报

数据驱动改善实践——构建分析-定位-改善-量化闭环

一、数据分析与问题定位

数据分析四步法
第一步：数据透视——三维分析法（时间/对象/指标）
第二步：根因定位——5Why分析法深度解析
第三步：改善对策——ECRS原则应用
第四步：效果验证——改善前后数据对比
案例分析：某电子厂SMT贴片车间直通率从98%降至92%，客户投诉增加，但报表显示各工序合格率均达标——问题出在哪里？

二、改善落地与效果量化

改善对策制定
对策分类：短期措施（3天内）、中期措施（1个月内）、长期措施（3个月内）
对策可行性评估：技术可行性、成本效益、实施周期、潜在风险
2. 效果量化验证
如何设定量化指标（SMART原则）
改善前后数据对比方法
时间序列对比（改善前1个月 vs 改善后1个月）
对照组对比（改善设备 vs 未改善设备）
案例分析：某机加工企业通过瓶颈优化，日产出提升25%，数据对比全过程展示
（3）持续改善机制建设

三、实战

演练：某电子厂SMT贴片车间问题诊断与改善

AI与数字化工具场景化应用—实用场景与案例启发

一、AI在制造业的核心应用场景

视觉识别类应用
产品外观质检：裂纹、划伤、色差、尺寸超差、装配完整性
字符识别与追溯：OCR自动读取批次号、生产日期、规格型号
安全行为识别：人员是否佩戴安全帽、是否进入危险区域
案例分析：某包装厂通过摄像头自动计数，替代人工点数，效率提升80%
2. 预测分析类应用
设备故障预测：基于振动、温度、电流等传感器数据，预测设备健康状态
质量根因分析：挖掘工艺参数与产品质量的关联关系
案例分析：某汽车零部件企业通过预测性维护，非计划停机时间减少50%
3. 智能优化类应用

二、深度案例拆解一：生产异常预警

传统异常管理的痛点
发现滞后：问题发生后才知道
反应被动：救火式管理
数据缺失：缺乏预警指标
AI解决方案
传感器数据采集（振动、温度、电流、压力）
设备健康度评估模型
异常阈值设定与自动预警
案例分析：某机加工企业为关键设备加装振动传感器，提前3天预警轴承故障，避免了一次重大停机
课堂

三、深度案例拆解二：需求波动下的智能排程

排产基础原则——科学计算替代经验猜测
动态排产与异常响应
案例分析：某电子厂因缺料停线，后发现替代料可用但未登记

四、深度案例拆解三：能耗智能监控

AI解决方案
实时能耗监控（分设备、分时段）
异常能耗识别（空转、高耗能时段）
节能优化建议（错峰生产、工艺优化）
案例分析：某注塑企业通过能耗数据分析，发现某设备夜班能耗比白班高15%，原因竟是操作工忘记关加热系统

五、优秀数据化车间建设案例分享

案例一：某电子厂数据化看板+AI预警系统
案例二：某机加工企业预测性维护试点
案例三：某汽车零部件企业AI视觉质检应用
启发式
讨论：这些案例对您有什么启发？您的车间有哪些场景可以借鉴这些案例？您认为哪个案例最可能在自己的车间落地？

微试点落地引导—迈出数字化转型第一步

一、什么是微试点？

微试点的核心理念
小处着手：选择一个具体的、可管理的小场景
快速验证：在较短时间内（1-3个月）验证可行性
最小成本：用最小的投入（人员、资金、时间）获取最大信心
2. 可复制性：成功后可快速推广到其他场景
微试点 vs. 大项目

二、微试点设计六步法

步骤1：选定场景
步骤2：明确目标
步骤3：定义数据
步骤4：选择工具
步骤5：执行与跟踪
步骤6：效果评估

三、实战

演练：各小组以本车间为背景，选择一个微试点场景，运用六步法设计一个简单的试点方案
方案内容包括
选定场景（为什么选这个场景？）
明确目标（量化目标是什么？）
定义数据（需要采集哪些数据？从哪里来？）
选择工具（用什么工具？）
执行计划（谁来执行？周期多长？如何跟踪？）
效果评估（如何验证？）
2. 方案发表与交叉点评
每组派代表用5分钟阐述本组的微试点方案

适合对象

业务负责人、项目骨干、内训师和正在试点AI工具的团队可以带着当前业务任务参加，便于课后沿用同一套判断和跟进方式

课程定位与主要问题

任务场景、提示词设计、输出校验和风险边界进入具体案例后，团队能同时确认方向和下一步做法

核心收益

场景边界更清楚：本课程的学习与实战演练，学员将掌握以下核心能力
建立数据化思维，告别只看报表不抓核心：掌握解读生产一线核心报表（工时利用率、直通率、设备故障数据、生产计划…
流程复用更容易：改善方法论，形成闭环管理能力：学会运用数据分析—问题定位—改善落地—效果量…

查看更多收益收起更多收益

拓宽AI应用视野，识别应用机会：了解AI及数字化工具在车间管理中的实用场景（生产异常预警、需求波动下的排程优化、能耗智能监控等），消除对AI的高技术壁垒畏惧感，能从业务视角识别自身…
激发试点落地思路，迈出转型第一步：通过学习优秀数据化车间建设案例，启发思考，并在讲师引导下，针对自身车间（如单一设备、某条产线）设计出微试点方案，为后续的数字化转型落地打下坚实基础…
获得可量化成果，实现能力转化：带着本车间的具体问题来，在课后形成一份微改善/微课题计划，通过改善前后的数据差异量化成果，真正做到学以致用

课程背景与交付信息

在工业4.0时代，制造业正经历着从经验驱动向数据驱动的深刻变革。对于生产一线的管理者而言，面临着前所未有的挑战：产品质量标准日益提升、生产成本持续高压、熟练技工短缺、客户订单波动频繁。传统的生产管理模式，尤其是在计划排程、设备维护、质量控制和效率优化方面，已逐渐触及天花板。与此同时，车间管理者每天面对海量报表（工时利用率、直通率、设备故障记录等），却常常陷入数据太多、信息太少的困境，难以抓住核心问题

本课程应运而生，旨在回应这一时代命题。它将不再是泛泛而谈的概念普及，而是深度聚焦于生产一线管理者最需要掌握的两大核心能力：数据驱动改善与AI工具场景化应用。课程将帮助车间主任建立数据化、智能化管理意识，掌握从报表解读、问题定位、改善落地到效果量化的完整方法论，了解AI在异常预警、智能排程、能耗监控等场景的实用价值，最终带领学员设计出可落地的微试点方案，避免成为数字难民，真正提升生产运营的稳定性与效率

课程时间

2天，12小时

授课方式

课程讲授50%，实践演练、案例分析及小组研讨50%

课程内容重点

01课程总览：提炼可落地的方法、工具和跟进要点

02生产核心报表解读——看清数据背后的业务逻辑：提炼可落地的方法、工具和跟进要点

03数据驱动改善实践——构建分析-定位-改善-量化闭环：提炼可落地的方法、工具和跟进要点

04AI与数字化工具场景化应用—实用场景与案例启发：提炼可落地的方法、工具和跟进要点

讲师介绍

李希

智能制造与精益数字化转型专家

李希，资深高级咨询师，智能制造与精益数字化转型专家。拥有近20年实战经验，擅长智能工厂规划、精益运营及AI赋能质量管理。累计服务800+企业，开展1000多场培训，致力于通过数智化手段推动制造企业降本增效与转型升级

制造业新能源汽车行业医药医疗电子制造有色化工

查看讲师主页

课程差异说明

本课程页面围绕《AI+生产、智能制造实战训练营—数据驱动改善，AI赋能提效，打造未来车间》重点呈现课程定位、适合对象、核心收益和 5 个主要模块，便于快速判断培训匹配度

课程常见问题

这门课适合哪些学员参加？

更适合业务负责人、项目骨干、内训师和正在试点AI工具的团队，尤其适用于已经有具体业务任务、需要统一做法的团队。

学习这门课可以获得什么收益？

通过本课程的学习与实战演练，学员将掌握以下核心能力；建立数据化思维，告别只看报表不抓核心：掌握解读生产一线核心报表（工时利用率、直通率、设备故障数据、生产计划排程表等）的方法，能透过数据表象看透业务本质，精准定位管理痛点。

课程通常安排多长时间？

课程通常可按2天，12小时安排，具体节奏会结合企业培训目标、学员基础和现场安排确认

课程采用什么授课方式？

课程主要采用课程讲授50%，实践演练、案例分析及小组研讨50%，强调理解、讨论、工具练习和业务场景应用

企业可以基于这门课做定制吗？

可以。正式交付时可结合企业行业、岗位对象、当前问题和培训时长，对案例、练习和重点模块做适配