# 灯塔案例 | 亨通阿尔法光电苏州

> 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%。
>
> 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 | 15511CN10 |
| 企业名称 | 亨通阿尔法光电苏州 |
| 所在地 | 中国 · 苏州 |
| 行业 |  · 光电线缆（光纤光缆制造） (GBT ) |
| 灯塔类型 | 单一工厂灯塔 |

---

## 5大核心案例

### ① ML产品质量预测 核心用例

**业务痛点：** ⚠️ 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。

**解决思路：** 💡 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。

**实施路径：** 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

**关键数据：** 📊 核心成效：光学参数缺陷率 ↓61%

**技术标签：** 05.01.02 | 05.02.01 | 01.03.02


---

### ② AI视觉预制棒直径优化 核心用例

**业务痛点：** ⚠️ 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。

**解决思路：** 💡 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。

**实施路径：** 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

**关键数据：** 📊 核心成效：加工速度 ↑35%

**技术标签：** 01.03.01 | 01.03.02 | 05.01.01


---

### ③ 超高速拉丝控制模型 核心用例

**业务痛点：** ⚠️ 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。

**解决思路：** 💡 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。

**实施路径：** 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

**关键数据：** 📊 核心成效：每线操作员 ↓67%

**技术标签：** 01.01.02 | 02.04.03 | 03.03.04


---

### ④ ML断纤预测模型 核心用例

**业务痛点：** ⚠️ 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。

**解决思路：** 💡 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。

**实施路径：** 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

**关键数据：** 📊 核心成效：断纤频率 ↓26%

**技术标签：** 05.01.04 | 08.02.01 | 05.01.02


---

### ? AI数据继承优化测试 核心用例

**业务痛点：** ⚠️ 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。

**解决思路：** 💡 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）。

**实施路径：** 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

**关键数据：** 📊 核心成效：UPPH ↑39%

**技术标签：** 05.02.01 | 05.02.02 | 05.01.01


---

## 绩效改善总览

| 指标 | 改善 | 领域 | 技术 |
|------|------|------|------|
| 光学参数缺陷率 | ↓61% | 降低 61% | ML产品质量预测减少光学缺陷 |
| 加工速度 | ↑35% | 提升 35% | AI视觉预制棒直径优化提速 |
| 每线操作员 | ↓67% | 减少 67% | 超高速拉丝控制模型少人化 |
| 断纤频率 | ↓26% | 降低 26% | ML断纤预测模型减少断纤 |
| UPPH（单位工时产出） | ↑39% | 提升 39% | AI数据继承优化测试提效 |