{
  "code": "15511CN10",
  "factory_name": "亨通阿尔法光电苏州",
  "batch": 11,
  "type": "单一工厂灯塔",
  "country": "中国",
  "city": "苏州",
  "province": "苏州",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "光电线缆（光纤光缆制造）",
  "core_products": "单模光纤、多模光纤、低损耗光纤、特种光纤、光纤预制棒（光棒）",
  "application_areas": "5G/F5G通信网络、数据中心、海底光缆、骨干传输网",
  "release_date": "2023年12月",
  "quote": "全球光通信行业首座灯塔工厂——亨通光纤光棒智能制造工厂，加速落地 27 个先进用例（先进分析、机器视觉、AI），单位制造成本↓21%、缺陷↓52%、电耗↓33%。",
  "use_cases": [
    {
      "num": "①",
      "title": "ML产品质量预测 核心用例",
      "pain": "⚠️ 痛点：光纤光学参数（衰减、色散等）直接决定传输质量，传统离线抽检滞后，无法在制程中实时预警质量波动，缺陷难以及时止损。",
      "idea": "💡 方案：用机器学习预测产品光学质量参数，在制程中提前预判质量结果，减少光学参数缺陷。",
      "steps": "Step 1 — 数据采集：全制程设备物联，实时采集拉丝、测试等关键工序的工艺与质量数据 Step 2 — 特征建模：从海量数据中提取影响光学参数的关键特征，建立质量预测模型 Step 3 — 在线预测：模型在制程中实时预测产品光学参数，提前预警质量波动 Step 4 — 闭环调优：根据预测结果自动调整工艺参数，确保产品性能稳定",
      "key_data": "📊 核心成效：光学参数缺陷率 ↓61%",
      "tags": [
        "05.01.02",
        "05.02.01",
        "01.03.02"
      ],
      "tech_descs": [
        "训练 ML 模型学习工艺参数与光学质量之间的映射关系，实现质量在线预测。",
        "对每秒上万条的工艺数据做挖掘与特征提取，支撑质量建模。",
        "微距摄像机采集图像，甄别沉积、拉丝过程中的裂纹等瑕疵。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "AI视觉预制棒直径优化 核心用例",
      "pain": "⚠️ 痛点：光纤预制棒直径一致性决定后续拉丝光纤直径均匀性，传统依赖人工经验调控，偏差大、稳定性差。",
      "idea": "💡 方案：AI + 机器视觉对预制棒沉积过程直径在线检测并智能优化控制，提升加工速度与一致性。",
      "steps": "Step 1 — 视觉在线测量：部署微距摄像机对预制棒沉积过程进行实时图像采集与直径测量 Step 2 — 偏差识别：AI 分析直径偏差与波动趋势，识别异常沉积 Step 3 — 参数自优化：根据测量结果自动调整沉积工艺参数，稳定直径 Step 4 — 提速验证：在保证直径一致性前提下逐步提升加工速度",
      "key_data": "📊 核心成效：加工速度 ↑35%",
      "tags": [
        "01.03.01",
        "01.03.02",
        "05.01.01"
      ],
      "tech_descs": [
        "高温（超1200℃）环境下用微距摄像机采集沉积过程图像。",
        "视觉算法实时测量预制棒直径，识别偏差与裂纹等瑕疵。",
        "AI 学习沉积参数与直径的规律，自动优化控制策略。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "超高速拉丝控制模型 核心用例",
      "pain": "⚠️ 痛点：拉丝速度越快越易断纤、直径波动，高速拉丝与稳定性难以兼顾，单条产线依赖多名操作员值守。",
      "idea": "💡 方案：超高速拉丝控制模型实时调节张力、温度、速度等参数，在保证质量前提下提升拉丝速度、减少人工干预。",
      "steps": "Step 1 — 参数感知：实时采集拉丝张力、炉温、速度等关键工艺参数 Step 2 — 控制建模：建立超高速拉丝的工艺控制模型，刻画参数间耦合关系 Step 3 — 实时调控：模型根据在线数据实时调节拉丝参数，稳定直径与张力 Step 4 — 少人值守：集中控制代替多点人工操作，实现单线少人化",
      "key_data": "📊 核心成效：每线操作员 ↓67%",
      "tags": [
        "01.01.02",
        "02.04.03",
        "03.03.04"
      ],
      "tech_descs": [
        "智能控制装备实时调节拉丝张力、温度、速度等参数。",
        "边缘侧就近完成实时控制与数据回传，降低控制时延。",
        "工艺优化算法在速度与质量间寻优，提升拉丝稳定性。"
      ],
      "kpis": []
    },
    {
      "num": "④",
      "title": "ML断纤预测模型 核心用例",
      "pain": "⚠️ 痛点：拉丝过程断纤导致整根报废、停机损失大，被动停机造成良率与产能损失。",
      "idea": "💡 方案：机器学习断纤预测模型提前预警断纤风险，实现预测性干预，降低断纤频率。",
      "steps": "Step 1 — 断纤标注：回溯历史断纤事件，标注断纤前后的工艺与设备状态 Step 2 — 模型训练：训练 ML 模型识别断纤前兆特征 Step 3 — 实时预警：在线监测并提前预警断纤风险，触发干预 Step 4 — 干预闭环：自动调整工艺或通知人员处置，减少断纤发生",
      "key_data": "📊 核心成效：断纤频率 ↓26%",
      "tags": [
        "05.01.04",
        "08.02.01",
        "05.01.02"
      ],
      "tech_descs": [
        "基于数据预测断纤风险，实现预测性干预。",
        "通过健康监测与风险预测提升拉丝设备可靠性。",
        "ML 学习断纤前兆模式，提升预警准确率。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "AI数据继承优化测试 核心用例",
      "pain": "⚠️ 痛点：光纤测试环节多、耗时长，测试数据与工艺数据割裂，重复测试拉低单位工时产出。",
      "idea": "💡 方案：AI 数据继承打通工艺与测试数据，用历史数据继承优化测试流程、减少重复测试，提升单位工时产出（UPPH）。",
      "steps": "Step 1 — 数据打通：打通工艺与测试数据，建立统一的数据底座 Step 2 — 数据继承：用历史测试数据继承分析，识别可省略的重复测试项 Step 3 — 流程优化：AI 优化测试顺序与抽检策略，缩短测试时间 Step 4 — 提效评估：以 UPPH 为指标持续评估测试效率",
      "key_data": "📊 核心成效：UPPH ↑39%",
      "tags": [
        "05.02.01",
        "05.02.02",
        "05.01.01"
      ],
      "tech_descs": [
        "对海量测试数据挖掘分析，支撑测试流程优化。",
        "统一管理工艺与测试数据，支撑跨环节数据继承。",
        "AI 基于数据继承优化测试策略，减少重复测试。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "光学参数缺陷率",
      "improvement": "↓61%",
      "domain": "降低 61%",
      "tech": "ML产品质量预测减少光学缺陷"
    },
    {
      "metric": "加工速度",
      "improvement": "↑35%",
      "domain": "提升 35%",
      "tech": "AI视觉预制棒直径优化提速"
    },
    {
      "metric": "每线操作员",
      "improvement": "↓67%",
      "domain": "减少 67%",
      "tech": "超高速拉丝控制模型少人化"
    },
    {
      "metric": "断纤频率",
      "improvement": "↓26%",
      "domain": "降低 26%",
      "tech": "ML断纤预测模型减少断纤"
    },
    {
      "metric": "UPPH（单位工时产出）",
      "improvement": "↑39%",
      "domain": "提升 39%",
      "tech": "AI数据继承优化测试提效"
    }
  ]
}