{
  "code": "20113IN09",
  "factory_name": "西亚特斯里佩鲁姆布杜尔",
  "batch": 13,
  "type": "单一工厂灯塔",
  "country": "印度",
  "city": "斯里佩鲁姆布杜尔",
  "province": "斯里佩鲁姆布杜尔",
  "wef_industry": "",
  "gbt_code": "3611",
  "gbt_industry": "汽车整车制造 (GB/T 3611)",
  "release_date": "2025年01月",
  "quote": "部署30+项数字方案，劳动生产率提升29%、缺陷率下降19.6%、排放减少53%——印度汽车制造以ML+视觉AI+高级算法组合拳实现全流程数字化跃迁。",
  "use_cases": [
    {
      "num": "①",
      "title": "① 多任务ML智能铸造 核心用例",
      "pain": "⚠️ 痛点：铸造工艺参数多、人工调优耗时且质量波动大，产品一致性难以保证。",
      "idea": "💡 方案：部署多任务机器学习模型，同时优化温度、压力、冷却速率等多维铸造参数，实现智能铸造工艺闭环控制。",
      "steps": "Step 1 — 数据采集与特征工程：在铸造设备上部署IoT传感器，采集温度、压力、流速、冷却曲线等关键工艺参数，构建铸造过程数据集。 Step 2 — 多任务ML模型训练：基于历史生产数据训练多任务学习模型，同时预测质量指标（缺陷率）和能耗指标，识别最优参数组合。 Step 3 — 实时工艺推荐系统：将训练好的ML模型嵌入MES系统，在每次铸造批次启动前自动推荐最优工艺参数，实时监控并动态调整。 Step 4 — 闭环优化迭代：利用生产反馈数据持续更新模型，逐步逼近全局最优工艺窗口，实现缺陷率持续下降。",
      "key_data": "📊 核心成效：缺陷率下降19.6%，OEE提升17%，铸造批次一次合格率显著提高。",
      "tags": [
        "05.01.02",
        "01.01.03"
      ],
      "tech_descs": [
        "多任务学习（Multi-Task Learning）通过共享底层特征表征，在铸造场景中同时优化多个质量指标（如气孔率、密度均匀性、表面粗糙度），避免单任务模型过拟合。CEAT将此技术嵌入铸造工艺参数推荐引擎，实现从「老师傅经验调参」到「数据驱动最优解」的转变。",
        "在铸造产线关键节点部署温度、压力、振动传感器，通过工业网关汇聚到数据平台，为ML模型提供高质量实时训练数据。边缘计算节点负责毫秒级数据预处理和异常检测。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "② 先进传感器工艺控制天然气质量波动 核心用例",
      "pain": "⚠️ 痛点：天然气质量（热值、组分）波动导致硫化/热处理工艺不稳定，直接影响轮胎性能一致性。",
      "idea": "💡 方案：部署先进传感器实时监测天然气热值与组分，结合前馈-反馈控制算法动态调整工艺参数以补偿燃料质量波动。",
      "steps": "Step 1 — 高精度传感器部署：在天然气入口和关键燃烧工位安装热值仪和组分分析传感器，实现秒级在线监测。 Step 2 — 前馈控制模型开发：基于热值和组分数据建立前馈控制模型，预测对硫化温度曲线的影响并提前调整燃气/空气比例。 Step 3 — 闭环反馈控制集成：将前馈模型与炉温PID反馈控制器级联，形成「前馈补偿 + 反馈校正」的双层控制架构。 Step 4 — 边缘计算实时执行：在产线边缘部署控制节点，毫秒级响应天然气质量变化，确保工艺参数始终处于最优区间。",
      "key_data": "📊 核心成效：Scope 1+2排放下降53%，产品一致性显著提升，天然气利用效率优化。",
      "tags": [
        "02.04.03",
        "01.01.03"
      ],
      "tech_descs": [
        "边缘控制（Edge Control）在靠近生产设备的网络边缘执行实时工艺控制逻辑，避免云端延迟。CEAT在硫化产线部署边缘控制器，当天然气热值波动超过阈值时，在200ms内完成燃料/空气比例调整，保证硫化品质不受原料波动影响。",
        "采用在线气相色谱和热值分析传感器，每2秒输出一组天然气质量数据，为前馈控制模型提供输入。相比传统日检/批次检，响应速度提升4个数量级。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "③ 数字绩效提升方案 核心用例",
      "pain": "⚠️ 痛点：产线绩效数据靠人工记录，滞后且不透明，管理决策缺乏实时数据支撑。",
      "idea": "💡 方案：构建覆盖全厂的数字绩效管理平台，实时采集设备/产线/人员数据，通过大数据分析和可视化驱动持续改善。",
      "steps": "Step 1 — 数据基础设施搭建：统一全厂设备协议（OPC UA），部署IoT网关实现OT数据上云，打通MES、ERP、SCADA数据孤岛。 Step 2 — 实时绩效看板开发：基于大数据平台构建产线级/班组级实时绩效看板，覆盖OEE、产量、质量、能耗等核心指标。 Step 3 — 异常预警与根因分析：利用统计分析设置动态基线，自动检测绩效偏离并触发预警，辅助班组长快速定位根因。 Step 4 — 绩效与培训联动：将绩效数据与VR培训系统关联，针对薄弱环节自动生成个性化培训方案，形成「测量→改善→验证」闭环。 Step 5 — 持续迭代：月度绩效回顾驱动管理决策，季度迭代看板指标和预警规则。",
      "key_data": "📊 核心成效：劳动生产率提升29%，OEE提升17%，管理决策从「事后追溯」转变为「实时洞察」。",
      "tags": [
        "05.02.01",
        "02.03.01"
      ],
      "tech_descs": [
        "基于流式计算平台实时处理来自300+台设备的OT数据，每日处理TB级数据量。绩效看板支持秒级刷新，班组长可在移动端查看产线实时状态。CEAT将绩效数据与操作员VR培训系统打通，实现数据驱动的精准赋能。",
        "MES系统作为绩效管理的数据中枢，从计划排产、物料追踪、质量检验到设备状态，全链路数据汇聚一处，消除信息盲区。配合低代码平台，业务人员可自助搭建新的绩效分析视图。"
      ],
      "kpis": []
    },
    {
      "num": "④",
      "title": "④ 视觉系统零接触自动化调度 核心用例",
      "pain": "⚠️ 痛点：卡车进出厂人工调度效率低、排队时间长，影响物流周转和客户满意度。",
      "idea": "💡 方案：部署AI视觉车牌识别+运筹优化调度算法，实现卡车进出厂全流程自动化，零人工接触。",
      "steps": "Step 1 — AI视觉系统部署：在厂区出入口和装卸区安装高清摄像头+AI边缘计算盒，实现车牌自动识别、车型分类和装载状态判断。 Step 2 — 运筹优化调度引擎：基于运筹学排队论和整数规划算法，根据实时装卸位占用、预约时间、优先级自动生成最优调度序列。 Step 3 — 司机自助终端：在厂区入口部署自助签到终端和LED引导屏，司机扫码签到后自动获取装卸位号和预计等待时间。 Step 4 — 全链路打通：调度系统与ERP/WMS对接，装货信息自动下发，出厂自动放行，实现「进场→装货→出场」全流程无纸化。",
      "key_data": "📊 核心成效：卡车周转时间下降57%，装卸位利用率显著提升，人工调度工作量归零。",
      "tags": [
        "01.03.02",
        "03.04.03"
      ],
      "tech_descs": [
        "采用深度学习OCR模型（如PaddleOCR优化版）实现复杂光照和角度下的高精度车牌识别，准确率>99%。结合目标检测模型判断卡车装载状态（空载/满载/违规装载），替代人工核查。",
        "基于OR-Tools等运筹优化框架，将卡车调度建模为多目标优化问题（最小化等待时间 + 最大化装卸位利用率），实时求解最优序列。系统上线后卡车周转时间下降57%，厂区拥堵现象基本消除。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "⑤ 高级算法机加工优化 核心用例",
      "pain": "⚠️ 痛点：机加工排产依赖人工经验，换型频繁导致设备闲置，交期准确率低。",
      "idea": "💡 方案：部署高级排程算法（遗传算法+约束规划），自动生成多约束条件下的最优机加工排产计划，实现柔性混流生产。",
      "steps": "Step 1 — 排产约束建模：梳理机加工产线的全部约束条件（模具可用性、换型时间、交期优先级、设备产能、人员技能），建立约束满足问题（CSP）数学模型。 Step 2 — 遗传算法求解器开发：采用遗传算法（GA）框架，将排产计划编码为染色体，以最小化换型损失和最大化准时交付率为适应度函数。 Step 3 — 滚动排产系统集成：将算法求解器嵌入MES/APS系统，支持每日滚动排产，订单变更后5分钟内重新生成最优计划。 Step 4 — 人机协同机制：保留计划员手动调整接口，算法输出推荐方案后允许人工微调，系统记录每次调整用于后续模型优化。",
      "key_data": "📊 核心成效：劳动生产率提升29%，OEE提升17%，交货准时率显著改善，换型损失大幅降低。",
      "tags": [
        "05.01.01",
        "03.03.03"
      ],
      "tech_descs": [
        "遗传算法（Genetic Algorithm）模拟自然选择和进化机制，在浩大的解空间中高效搜索近似最优排产方案。相比人工排产，算法可同时考虑50+约束条件，在分钟级生成可行且优化的生产计划。",
        "智能排产系统将不同型号轮胎的模具切换、硫化时间差异、交期优先级等约束统一建模，实现「小批量+多品种」混流生产。配合数字绩效看板，排产执行率从人工排产的~70%提升至95%以上。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "劳动生产率",
      "improvement": "↑29%",
      "domain": "129%",
      "tech": "数字绩效+智能排产+自动化调度综合驱动，操作员效率显著提升"
    },
    {
      "metric": "缺陷率",
      "improvement": "↓19.6%",
      "domain": "80.4%",
      "tech": "ML智能铸造+先进传感器工艺控制，铸造批次一致性大幅改善"
    },
    {
      "metric": "Scope 1+2 碳排放",
      "improvement": "↓53%",
      "domain": "47%",
      "tech": "天然气质量精准控制+能效优化，碳排强度行业领先"
    },
    {
      "metric": "卡车周转时间",
      "improvement": "↓57%",
      "domain": "43%",
      "tech": "AI视觉零接触调度，厂区物流瓶颈彻底消除"
    },
    {
      "metric": "OEE（整体设备效率）",
      "improvement": "↑17%",
      "domain": "117%",
      "tech": "智能排产减少换型损失，数字绩效驱动持续改善"
    }
  ]
}