{
  "code": "18712MX17",
  "factory_name": "施耐德电气蒙特雷",
  "batch": 12,
  "type": "单一",
  "country": "墨西哥",
  "city": "墨西哥 · 新莱昂州 · 蒙特雷",
  "province": "蒙特雷",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "电气设备 · 输配电及控制设备制造",
  "release_date": "2024年10月",
  "quote": "面对复杂产品需求的持续攀升，施耐德电气蒙特雷工厂用「AI + IIoT + 自动化」重铸北美供应链的韧性与敏捷：三年保持 24% 的年增速，同时把制造成本降 16%、产品缺陷降 20%、客户交付周期压缩 49%。",
  "use_cases": [
    {
      "num": "①",
      "title": "① AI生产调度 核心用例",
      "pain": "⚠️ 痛点：产品复杂度持续上升、需求波动加大，传统排产依赖人工经验，难以同时兼顾交付速度与产能利用率。",
      "idea": "💡 方案：用机器学习做需求预测 + 智能排产，让生产计划随需求动态优化、精准匹配产能。",
      "steps": "Step 1 — 数据接入：打通订单、库存、产能与交付数据 Step 2 — 需求预测：机器学习对客户需求做前瞻预测 Step 3 — 智能排产：算法自动生成最优生产计划与排程 Step 4 — 动态调度：订单变化实时触发重排，快速响应",
      "key_data": "📊 核心成效：客户交付周期 ↓49%——AI 生产调度让复杂订单更快、更准地交付，支撑三年 24% 年增速。",
      "tags": [
        "04.02.03",
        "03.03.03"
      ],
      "tech_descs": [
        "用机器学习对复杂产品的需求做前瞻预测，从「被动响应」转向「主动排产」。",
        "算法自动编排生产计划与顺序，最大化产能利用率、缩短交付周期。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "② IIoT能源管理系统 核心用例",
      "pain": "⚠️ 痛点：工厂能耗与水耗高，缺乏实时可视的能耗数据，节能降耗长期靠经验、难量化。",
      "idea": "💡 方案：基于 EcoStruxure 平台搭建 IIoT 能源管理系统，实时监测并优化楼宇与产线的能耗水耗。",
      "steps": "Step 1 — 传感器部署：在产线与楼宇布设能耗、水耗采集点 Step 2 — IT/OT融合：EcoStruxure 打通设备层与管理系统 Step 3 — 能耗可视化：实时看板呈现分区域能耗画像 Step 4 — 节能优化：数据驱动识别浪费、持续优化用能",
      "key_data": "📊 核心成效：能耗与水耗 ↓约30%——IIoT 能源管理让工厂成为墨西哥首个「零填埋」工厂，向净零目标迈进。",
      "tags": [
        "09.03.01",
        "07.03.01"
      ],
      "tech_descs": [
        "实时监测全厂能耗与水耗，把绿色目标量化到每个区域与工序。",
        "以开放物联网平台连接设备、分析与控制，让能耗数据「采集—分析—决策」闭环。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "③ 数字绩效管理 核心用例",
      "pain": "⚠️ 痛点：多工序绩效数据分散在各自系统，管理决策缺乏实时、统一的数据支撑。",
      "idea": "💡 方案：以标准化 MES + 精益数字化系统统一数据底座，实时呈现全厂绩效。",
      "steps": "Step 1 — 标准化MES：统一配电盘装配等工序的执行系统 Step 2 — 数据打通：精益数字化系统汇聚多源绩效数据 Step 3 — 实时看板：关键指标实时可视化、异常即预警 Step 4 — 精益闭环：数据驱动持续改善，沉淀标准作业",
      "key_data": "📊 核心成效：制造成本 ↓16%——数字绩效管理让运营更透明，持续消除浪费、优化成本。",
      "tags": [
        "02.03.01",
        "05.02.03"
      ],
      "tech_descs": [
        "统一制造执行与数据采集，让每一道工序的绩效都可量化、可追溯。",
        "对绩效数据做实时流式分析，让管理决策从「事后复盘」变成「实时洞察」。"
      ],
      "kpis": []
    },
    {
      "num": "④",
      "title": "④ 预测性维护 核心用例",
      "pain": "⚠️ 痛点：关键设备非计划停机拖累交付，事后维修成本高、影响产能稳定性。",
      "idea": "💡 方案：用 IoT + 机器学习对金属表面处理等关键设备做预测性维护，提前识别故障征兆。",
      "steps": "Step 1 — 传感器采集：IoT 采集设备振动、温度等状态数据 Step 2 — 数据建模：机器学习构建设备健康度与寿命模型 Step 3 — 故障预警：异常征兆实时预警、定位潜在故障 Step 4 — 计划性维护：按需安排维护，避免非计划停机",
      "key_data": "📊 核心成效：停机时间 ↓25%——预测性维护显著减少非计划停机，保障交付与产能稳定。",
      "tags": [
        "05.01.04",
        "05.02.01"
      ],
      "tech_descs": [
        "用机器学习识别设备故障早期征兆，把「坏了再修」变成「提前保养」。",
        "从海量设备运行数据中挖掘关键因子，找到影响设备健康的核心变量。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "⑤ AI质量控制系统 核心用例",
      "pain": "⚠️ 痛点：产品质量检测高度依赖人工目检，效率低、易漏检，难以满足复杂产品的高质量要求。",
      "idea": "💡 方案：用深度学习视觉检测系统自动识别产品缺陷，实现高效、稳定的质量管控。",
      "steps": "Step 1 — 样本采集：采集大量合格/缺陷产品图像样本 Step 2 — 模型训练：深度学习训练视觉检测模型 Step 3 — 在线检测：产线部署视觉检测，实时判缺陷 Step 4 — 持续优化：检测数据回流，模型随产品迭代校准",
      "key_data": "📊 核心成效：产品缺陷 ↓20%——AI 质量控制系统让复杂产品的质量更稳定、更可控。",
      "tags": [
        "01.03.02",
        "05.01.02"
      ],
      "tech_descs": [
        "用深度学习视觉技术自动识别产品缺陷，替代人工目检、提升检出率与一致性。",
        "用机器学习训练质量判定模型，把质检经验沉淀为可复用的 AI 能力。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "客户交付周期",
      "improvement": "↓49%",
      "domain": "—",
      "tech": "AI 生产调度 + 需求预测，复杂订单交付大幅提速"
    },
    {
      "metric": "能耗与水耗",
      "improvement": "↓30%",
      "domain": "—",
      "tech": "IIoT 能源管理系统实现能耗与水耗持续优化"
    },
    {
      "metric": "制造成本",
      "improvement": "↓16%",
      "domain": "—",
      "tech": "数字绩效管理与 MES 驱动运营成本优化"
    },
    {
      "metric": "停机时间",
      "improvement": "↓25%",
      "domain": "—",
      "tech": "预测性维护减少非计划停机"
    },
    {
      "metric": "产品缺陷",
      "improvement": "↓20%",
      "domain": "—",
      "tech": "AI 质量控制系统提升质量一致性"
    }
  ]
}