{
  "code": "17212CN02",
  "factory_name": "美的洗衣机合肥",
  "batch": 12,
  "type": "可持续",
  "country": "中国",
  "city": "中国 · 安徽合肥",
  "province": "安徽合肥",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "家用电器（家用洗衣设备制造）",
  "release_date": "2024年10月",
  "quote": "一家年产1600万台、11条产线的全品类洗衣机基地，用24个4IR用例把Scope1+2温室气体砍掉36.4%、让31%的能源来自太阳能——这就是安徽首座「可持续灯塔」美的洗衣机合肥工厂交出的绿色答卷。",
  "use_cases": [
    {
      "num": "①",
      "title": "① 先进分析智能化能源预测消费动态平衡 核心用例",
      "pain": "⚠️ 痛点：11条产线、1600万台年产能是高耗能场景，电、水、蒸汽等多种能源各自为政，用能调度靠经验、缺乏全局视野，导致能源浪费与碳排偏高。",
      "idea": "💡 方案：制造端部署微电算法，对能源的采集、存储、用能实现多用能场景动态平衡优化与智能调度，叠加AI、大数据与行为感知持续降低能耗。",
      "steps": "Step 1 — 能源采集：部署传感网络，实时采集电、水、蒸汽等多能源的消耗数据 Step 2 — 数据建模：用微电算法与先进分析对历史用能数据建模，预测各场景能源需求 Step 3 — 动态平衡：在智控中心实现多用能场景的动态平衡与智能调度 Step 4 — 持续优化：AI+大数据+行为感知，实时监测并优化生产过程效率、降低质量浪费",
      "key_data": "📊 核心成效：每周期电力 ↓24.3%，绿色能源利用率 ↑19%",
      "tags": [
        "05.01.02",
        "09.03.01",
        "01.01.05"
      ],
      "tech_descs": [
        "用先进分析与机器学习算法对能源采集、存储、用能进行预测建模，支撑多用能场景的动态平衡优化。",
        "在智控中心大屏实时显示发电量、绿电占比、用水量、碳排放等数据，实现能源消耗的全景可视与智能调度。",
        "对生产设备与能源设施部署IoT传感，形成能源数据的实时采集底座，替代人工周/月统计。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "② AI碳生命周期足迹分析和数字仿真绿色设计 核心用例",
      "pain": "⚠️ 痛点：碳排放「看不见、摸不着」，环节多、核算周期长、标准众多，缺乏数字化手段，碳数据采集、核算与分析费时费力，绿色设计缺乏依据。",
      "idea": "💡 方案：产品端首创「可持续发展平台」，运用数字化仿真模型、智能技术、碳足迹大数据实现产品低碳绿色设计，并对全生命周期「碳」进行实时衡量。",
      "steps": "Step 1 — 平台建设：首创「可持续发展平台」，让产品、制造、运输过程的碳排节降实时可视 Step 2 — 碳足迹建模：围绕物料选型、可循环包装等，用数字仿真模型+碳足迹大数据做低碳设计 Step 3 — 全周期衡量：对产品全生命周期「碳」进行衡量，给工程师低碳设计参考 Step 4 — 持续改善：从范围2拓展到范围1、范围3，日频实时显示，持续改善全周期碳排放",
      "key_data": "📊 核心成效：Scope1+2 温室气体 ↓36.4%，Scope3 ↓26%",
      "tags": [
        "09.02.01",
        "09.02.02",
        "05.04.01"
      ],
      "tech_descs": [
        "构建端到端的碳足迹核算体系，覆盖产品从原料获取到生产、分销运输、使用、废弃全生命周期的碳排放。",
        "将过去人工周/月统计升级为每日统计与实时显示，实现范围1、2、3碳排放的高频精准核算。",
        "以数字化仿真模型对产品低碳设计进行虚拟验证，在研发阶段就量化并优化碳足迹。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "③ AI物流网络路线优化减少燃料消耗 核心用例",
      "pain": "⚠️ 痛点：从工厂制造到成品发货，物流配送里程长、装载率低、路线不合理，燃料消耗高、碳排放高，供应链运配缺乏全局统筹。",
      "idea": "💡 方案：物流端运用物联网、云计算、区块链、智能算法构建核心全网统配能力，持续优化供应链，节约里程与配送额度、提高装载量，实现全链路新能源升级与绿色低碳配送。",
      "steps": "Step 1 — 网络统筹：以物联网+云计算构建全网统配能力，打通从工厂到成品的配送链条 Step 2 — 路线寻优：用智能算法优化物流网络路线，节约里程数、改善车辆里程 Step 3 — 装载优化：提高装载量与配送额度，降低空驶与冗余运力 Step 4 — 绿色升级：全链路新能源升级，实现配送路径绿色低碳、减少燃料消耗",
      "key_data": "📊 核心成效：燃料消耗 ↓29.2%，物流路径优化 29%",
      "tags": [
        "03.04.03",
        "04.01.01",
        "01.01.05"
      ],
      "tech_descs": [
        "以智能算法对物流网络路线做全局寻优，降低里程与燃料消耗，实现绿色低碳配送。",
        "构建核心全网统配能力，从工厂制造到成品发货统筹供应链资源，提升运力效率。",
        "以物联网技术对车辆、货品、路径进行实时感知，为路线优化提供数据底座。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "绿色能源利用率",
      "improvement": "↑19%",
      "domain": "—",
      "tech": "31%能源来自太阳能，绿电占比提升"
    },
    {
      "metric": "每周期电力",
      "improvement": "↓24.3%",
      "domain": "—",
      "tech": "能源预测与动态平衡降低单耗"
    },
    {
      "metric": "燃料消耗",
      "improvement": "↓29.2%",
      "domain": "—",
      "tech": "物流路线优化减少燃料消耗"
    },
    {
      "metric": "Scope1+2 温室气体",
      "improvement": "↓36.4%",
      "domain": "—",
      "tech": "直接+间接排放大幅削减"
    },
    {
      "metric": "Scope3 温室气体",
      "improvement": "↓26%",
      "domain": "—",
      "tech": "价值链上下游排放同步降低"
    },
    {
      "metric": "水资源循环利用率",
      "improvement": "40%",
      "domain": "—",
      "tech": "40%用水实现循环再利用"
    }
  ]
}