# 灯塔案例 | ACG胶囊皮坦普尔

> 把一粒空心胶囊做到「十亿分之一」——印度皮坦普尔的 ACG 胶囊工厂用 25+ 个 4IR 用例（IIoT/ML/DL/数字孪生/XR/GenAI）再造胶囊制造：关键缺陷 ↓98%、生产周期 ↓39%、总损失 ↓51%、生产率 ↑44%，成为全球首座胶囊制造灯塔工厂。
>
> 第11批 · 2023年12月 · 单一工厂灯塔灯塔

## 企业名片

| 字段 | 值 |
|------|------|
| 灯塔编码 | 14611IN01 |
| 企业名称 | ACG胶囊皮坦普尔 |
| 所在地 | 印度 · 印度 · 中央邦皮坦普尔 |
| 行业 |  · 医药医疗（医药胶囊制造） (GBT ) |
| 灯塔类型 | 单一工厂灯塔 |

---

## 5大核心案例

### ① 实时质量批次洞察 核心用例

**业务痛点：** ⚠️ 痛点：药用空心胶囊是药品质量的第一道关口，胶囊重量、壁厚、崩解等关键参数稍有偏差就会影响患者用药安全，传统批次质量检测依赖事后抽检、反馈滞后，关键缺陷难以及时拦截。

**解决思路：** 💡 方案：依托工业物联网（IIoT）+ 机器学习 + 大数据实时分析，对每一批胶囊的生产过程参数与质量数据进行在线采集与实时洞察，实现关键缺陷的实时发现与批次级质量追溯。

**实施路径：** Step 1 — 物联采集：IIoT 实时采集批次生产与质量检测数据 Step 2 — 实时分析：大数据实时分析质量参数，即时洞察批次质量状态 Step 3 — ML 建模：机器学习模型识别关键缺陷的早期信号 Step 4 — 批次追溯：批次级质量追溯，实现关键缺陷的快速拦截与闭环

**关键数据：** 📊 核心成效：关键缺陷 ↓98%

**技术标签：** 05.02.03 | 05.01.02 | 02.03.01


---

### ② ML一次成功优化 核心用例

**业务痛点：** ⚠️ 痛点：胶囊生产过程对关键工艺参数（温度、湿度、溶胶黏度等）极为敏感，参数波动会导致批次返工、废品与产能损失，"一次做对"难度大。

**解决思路：** 💡 方案：用机器学习对历史工艺与质量数据建模，识别最优工艺窗口与参数组合，实现"一次成功"（first-time-right）的工艺优化，从源头提升一次通过率。

**实施路径：** Step 1 — 数据建模：汇集历史工艺参数与质量结果大数据 Step 2 — 窗口识别：ML 识别最优工艺窗口与关键参数组合 Step 3 — 参数调优：关键工艺参数实时优化，减少返工与废品 Step 4 — 一次成功：提升一次通过率，降低总损失

**关键数据：** 📊 核心成效：一次通过率 ↑35%、总损失 ↓51%

**技术标签：** 05.01.02 | 03.03.04 | 05.02.01


---

### ③ 数字孪生生产排程 核心用例

**业务痛点：** ⚠️ 痛点：面向全球 138 个国家的多品种、多批次胶囊订单，传统人工排产难以兼顾交期、换线与产能，生产周期长、按时交付压力大。

**解决思路：** 💡 方案：构建产线数字孪生，结合高级排产（APS）与智能排产算法，对生产计划与调度进行虚拟仿真与动态优化，缩短批次周期、提升按时交付率。

**实施路径：** Step 1 — 孪生建模：建立产线数字孪生，映射设备、工序与产能 Step 2 — 高级排产：APS 算法兼顾交期、换线与产能约束 Step 3 — 动态调度：智能排产动态响应订单与异常变化 Step 4 — 周期压缩：缩短批次周期，提升 OTIF 按时交付

**关键数据：** 📊 核心成效：批次周期 ↓39%、OTIF ↑13%

**技术标签：** 03.01.01 | 02.03.02 | 03.03.03


---

### ④ VR员工增强与技能管理 核心用例

**业务痛点：** ⚠️ 痛点：胶囊制造工序多、技能要求高，新员工入职培训周期长、上手慢；叠加技术迭代快，员工技能需持续升级，传统"老带新"效率不足。

**解决思路：** 💡 方案：用扩展现实（XR/VR）构建沉浸式培训与虚拟工厂仿真，并引入生成式 AI（GenAI）与标准作业程序（SOP）、政策进行对接，加速员工技能习得与上岗。

**实施路径：** Step 1 — 虚拟工厂：VR 构建沉浸式工艺与作业场景 Step 2 — 技能仿真：员工在虚拟环境反复演练关键操作 Step 3 — GenAI 对接：GenAI 与 SOP、政策对接，即时答疑与纠偏 Step 4 — 加速上岗：缩短入职时间，持续升级员工技能

**关键数据：** 📊 核心成效：入职时间 ↓39%

**技术标签：** 05.01.01 | 03.01.03 | 05.04.02


---

### ? DL安全行为检测 核心用例

**业务痛点：** ⚠️ 痛点：制造现场安全隐患多依赖人工巡检，员工不安全行为（违规操作、未佩戴防护等）难以及时发现，安全事故风险与事故率居高不下。

**解决思路：** 💡 方案：用深度学习（DL）+ 计算机视觉对生产现场进行全天候视频监控，自动识别员工不安全行为并实时预警，构建主动式安全行为管理体系。

**实施路径：** Step 1 — 视频布控：现场部署视觉监控，实时采集作业画面 Step 2 — DL 识别：深度学习模型识别不安全行为（违规操作等） Step 3 — 实时预警：发现隐患即时告警，主动干预纠偏 Step 4 — 安全提升：显著降低事故率，构建安全文化

**关键数据：** 📊 核心成效：事故率 ↓53%

**技术标签：** 01.03.02 | 05.01.02 | 05.01.01


---

## 绩效改善总览

| 指标 | 改善 | 领域 | 技术 |
|------|------|------|------|
| 批次周期 | ↓39% | 缩短 39% | 数字孪生排程与ML一次成功优化压缩生产周期 |
| 一次通过率 | ↑35% | 提升 35% | ML一次成功优化提升首次合格率 |
| OTIF（按时交付率） | ↑13% | 提升 13% | 数字孪生排程提升订单按时交付 |
| 入职时间 | ↓39% | 缩短 39% | VR员工增强与技能管理加速新人上岗 |
| 事故率 | ↓53% | 降低 53% | DL安全行为检测减少安全事故 |