{
  "code": "17512CN05",
  "factory_name": "阿斯利康制药无锡",
  "batch": 12,
  "type": "单一",
  "country": "中国",
  "city": "中国 · 江苏无锡",
  "province": "江苏无锡",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "医药医疗（医药制剂制造）",
  "release_date": "2024年10月",
  "quote": "面对国内集采降价与需求波动，阿斯利康无锡供应基地部署34项4IR用例，实现质量投诉↓56%、缺货↓84%、库存↓41%、MTBF↑45%、批次放行↓62%——据WEF披露，其产量提升55%、制造周期缩短44%，质量与速度双线突围。",
  "use_cases": [
    {
      "num": "①",
      "title": "① AI视觉缺陷检测 核心用例",
      "pain": "⚠️ 痛点：高速包装线上产品外观缺陷依赖人工抽检，漏检率高、效率低，难以满足药品包装全检的质量要求。",
      "idea": "💡 方案：在高速包装线部署基于机器学习（ML）的计算机视觉模型，对产品包装外观进行100%实时在线检测，把质量缺陷拦截在出厂前。",
      "steps": "Step 1 — 视觉布点：在高速包装线关键工位安装工业相机与光源，采集包装外观图像 Step 2 — 模型训练：用历史缺陷样本训练ML计算机视觉模型，识别标签、批号、封口等缺陷 Step 3 — 实时全检：模型接入产线，对每个包装单元做100%实时判定，异常自动剔除 Step 4 — 闭环优化：检测结果回传质量系统，持续扩充样本库、迭代模型",
      "key_data": "📊 核心成效：包装外观检测覆盖率100%，直接支撑质量投诉↓56%。",
      "tags": [
        "01.03.02",
        "05.01.02"
      ],
      "tech_descs": [
        "用机器视觉覆盖高速包装线的关键检测工位，实现全量、实时的外观质量判定，替代人工抽检。",
        "以ML模型替代人工经验判断，对包装外观缺陷做实时识别与分级，是\"AI进质检\"的典型落地。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "② ML需求预测与库存优化 核心用例",
      "pain": "⚠️ 痛点：国内集采降价叠加需求波动，市场需求难以预判，缺货与库存积压并存，供需错配严重。",
      "idea": "💡 方案：部署ML需求预测引擎与库存控制塔，提前3-36个月预测需求变化，驱动物料补货与库存动态优化。",
      "steps": "Step 1 — 数据汇聚：整合销售、订单、渠道等多源需求数据，构建统一需求数据池 Step 2 — 需求预测：训练ML预测模型，对多品种需求做3-36个月滚动预测 Step 3 — 库存优化：通过库存控制塔联动补货，动态调整安全库存与补货策略 Step 4 — 端到端协同：预测结果下发到生产与采购环节，实现产销协同",
      "key_data": "📊 核心成效：缺货↓84%、库存↓41%，供需匹配能力大幅提升。",
      "tags": [
        "04.02.03",
        "04.01.01"
      ],
      "tech_descs": [
        "用ML模型对多品种、长周期的药品需求做前瞻预测，从\"被动响应\"转向\"主动预判\"。",
        "以库存控制塔统一监控补货与库存水位，动态优化安全库存，平衡缺货与积压两端。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "③ 数字孪生生产调度 核心用例",
      "pain": "⚠️ 痛点：制药生产与质检排程高度依赖人工经验，工序衔接存在等待浪费，制造周期长。",
      "idea": "💡 方案：构建端到端互联的工厂流程信息系统，应用运筹优化算法对生产与质量检验排程做数字孪生仿真优化，实现数据驱动的动态资源调度。",
      "steps": "Step 1 — 系统互联：打通MES、质量、仓储等系统，建立端到端互联的流程信息底座 Step 2 — 数字建模：对生产与质检流程建立数字孪生模型，模拟不同排程方案 Step 3 — 运筹优化：应用运筹优化算法求解最优排程，动态分配设备与人员 Step 4 — 实时调度：根据现场状态实时调整，实现药品制造各环节无缝衔接",
      "key_data": "📊 核心成效：制造周期↓44%（据WEF披露），实现生产流程同步化。",
      "tags": [
        "03.01.01",
        "02.03.01"
      ],
      "tech_descs": [
        "用数字孪生镜像生产与质检流程，在虚拟层模拟、验证排程方案，再下发执行。",
        "以MES为生产执行数据底座，配合运筹优化算法，把人工排程升级为数据驱动的动态调度。"
      ],
      "kpis": []
    },
    {
      "num": "④",
      "title": "④ 预测性维护 核心用例",
      "pain": "⚠️ 痛点：关键设备采用定期维护+故障抢修模式，非计划停机影响交付，设备可靠性难以持续提升。",
      "idea": "💡 方案：部署预测性维护模型，基于设备运行数据预测故障风险，把\"坏了再修\"变成\"提前干预\"。",
      "steps": "Step 1 — 设备感知：关键设备加装IoT传感器，采集振动、温度、运行状态等数据 Step 2 — 特征建模：训练预测性维护模型，识别设备劣化特征与故障前兆 Step 3 — 风险预警：对高风险设备提前报警，自动生成维护工单 Step 4 — 优化维护：按设备健康状态动态安排维护，减少非计划停机",
      "key_data": "📊 核心成效：MTBF（平均故障间隔）↑45%。",
      "tags": [
        "05.01.04",
        "08.02.01"
      ],
      "tech_descs": [
        "用ML模型对设备劣化趋势做前瞻判断，实现从\"定期维护\"到\"按需维护\"的转变。",
        "以设备健康数据驱动可靠性管理，直接拉升平均故障间隔（MTBF），保障交付连续性。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "⑤ AI质量预测分析 核心用例",
      "pain": "⚠️ 痛点：药品批次质量依赖事后检验放行，问题发现滞后，批次放行周期长、非完美批次率高。",
      "idea": "💡 方案：部署AI质量预测分析，基于工艺与过程数据对批次质量做前瞻预测，辅助质量放行决策。",
      "steps": "Step 1 — 质量数据汇聚：整合过程分析、检验、工艺等多源质量数据，建立质量数据底座 Step 2 — 模型训练：训练AI质量预测模型，识别影响批次质量的关键变量 Step 3 — 在线预测：在批次生产过程中实时预测质量风险，提前干预 Step 4 — 辅助放行：预测结果辅助质量放行决策，缩短放行周期",
      "key_data": "📊 核心成效：批次放行↓62%，非完美批次↓80%（据WEF披露）。",
      "tags": [
        "05.01.01",
        "02.03.01"
      ],
      "tech_descs": [
        "用AI模型对批次质量做前瞻性预测，把\"事后放行\"升级为\"事中预测+辅助决策\"。",
        "以MES串联批次过程数据，为质量预测模型提供实时、可信的数据输入。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "质量投诉",
      "improvement": "↓56%",
      "domain": "—",
      "tech": "产品质量显著改善，客户满意度提升"
    },
    {
      "metric": "缺货",
      "improvement": "↓84%",
      "domain": "—",
      "tech": "需求预测与补货协同，供应保障增强"
    },
    {
      "metric": "库存",
      "improvement": "↓41%",
      "domain": "—",
      "tech": "库存水位下降，资金占用减少"
    },
    {
      "metric": "MTBF（平均故障间隔）",
      "improvement": "↑45%",
      "domain": "—",
      "tech": "设备可靠性提升，非计划停机减少"
    },
    {
      "metric": "批次放行",
      "improvement": "↓62%",
      "domain": "—",
      "tech": "质量放行周期缩短，交付提速"
    }
  ]
}