{
  "code": "23515CN12",
  "factory_name": "米其林沈阳轮胎",
  "batch": 15,
  "type": "单一工厂",
  "country": "中国",
  "city": "中国 · 沈阳",
  "province": "沈阳",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "流程工业 · 轮胎制造",
  "release_date": "2026年01月",
  "quote": "中国首家乘用车轮胎领域灯塔工厂——米其林沈阳以30+数字化方案攻克250种规格下的柔性制造难题，最小订单量↓71%、试制周期↓51%、缺陷率↓36%，在新能源汽车轮胎需求大爆发中跑出\"最快换模速度\"。",
  "use_cases": [
    {
      "num": "?",
      "title": "1 AI+机器视觉质量检测 核心",
      "pain": "⚠️ 痛点：轮胎X光和外观检测涉及大量人工，250+种规格切换频繁导致漏检风险高，人工目检一致性难以保证，质量成本居高不下。",
      "idea": "💡 方案：基于深度学习的AI视觉系统替代人工目检，实现全规格全流程自动检测",
      "steps": "Step 1 — 图像采集系统部署：在成型、硫化、X光检验、外观终检等工位部署高分辨率工业相机，对每条轮胎采集多角度高清图像和X光断层影像。 Step 2 — 缺陷库构建与模型训练：积累数万条标注好的轮胎缺陷样本（气泡、杂质、帘线偏移、胎面不平、侧壁缺陷等），训练深度卷积神经网络检测模型。 Step 3 — 在线实时检测上线：AI视觉系统嵌入产线PLC和MES，实时分析每件产品，自动判定合格/不合格并分级处理，实现\"秒级检出、零漏放\"。 Step 4 — 检测闭环与工艺追溯：检测数据实时回传MES和工艺控制系统，异常批次触发工艺参数自动纠偏，形成\"检测→分析→调参→复检\"闭环。 Step 5 — 全规格覆盖：从首批高水平规格逐步推广到全部250+种规格，模型持续学习新规格特征。",
      "key_data": "📊 核心成效：缺陷率下降36%，全规格全流程100%自动化检测，漏检率趋近于零",
      "tags": [
        "01.03.02",
        "05.01.01"
      ],
      "tech_descs": [
        "采用深度卷积神经网络（CNN）对X光影像和高清外观图像进行缺陷识别，覆盖气泡、帘线偏移、胎面不平、侧壁气泡等20余类轮胎特有缺陷。模型在产线边缘端直接推理，单件检测时间<2秒。技术栈：深度学习、计算机视觉、边缘计算。",
        "基于历史检测数据构建轮胎质量知识图谱，将缺陷类型、工艺参数、原材料批次三者关联，AI自动推理缺陷根因并推荐最优工艺参数组合。打个比方：就像给每条轮胎配了一张\"数字体检单\"，从成型到终检全程可追溯。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "2 大数据分析试制优化 核心",
      "pain": "⚠️ 痛点：250+种规格下频繁试制新配方和模具，传统试制依赖物理打样和反复测试，从设计到量产平均需数周，严重影响新能源汽车轮胎新品上市速度。",
      "idea": "💡 方案：大数据分析驱动虚拟试制，将物理试制转变为数据驱动的模拟验证",
      "steps": "Step 1 — 全域数据整合：打通PLM、ERP、MES、LIMS四大系统，汇聚配方数据、工艺参数、测试记录、原材料批次等全生命周期数据，构建轮胎试制大数据湖。 Step 2 — 工艺仿真模型构建：基于历史试制数据训练机器学习模型，建立配方参数与轮胎性能（耐磨、湿地抓地力、滚动阻力等）之间的映射关系。 Step 3 — 虚拟试制平台上线：新规格配方输入模型后，系统自动预测成品性能并推荐最优配方，减少80%以上的物理打样次数。 Step 4 — 配方知识库构建：将成功配方和失败原因结构化存储，形成可搜索、可复用的轮胎配方知识库，支持新规格快速迭代。 Step 5 — 数字线程贯通：从配方设计→虚拟试制→产线验证→量产切换全链路数字化，实现\"一次做对\"。",
      "key_data": "📊 核心成效：试制周期缩短51%，新品从设计到量产时间大幅压缩，支持月度新品上线节奏",
      "tags": [
        "05.02.01",
        "05.01.02"
      ],
      "tech_descs": [
        "基于数万组历史配方和对应的性能测试数据，训练回归和分类模型，实现输入配方参数→预测成品性能的虚拟试制。模型覆盖耐磨、湿地抓地、滚动阻力、噪音等轮胎六大性能维度。技术栈：XGBoost、随机森林、多元回归。",
        "基于协同过滤和知识图谱的推荐系统，当新规格需求输入后，自动匹配历史最相似规格的配方和工艺路线，生成3-5个可行方案并按可信度排序，供工程师选择确认。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "3 数字化柔性排产 核心",
      "pain": "⚠️ 痛点：产品规格从数十种激增至250+种后，传统固定批量排产模式导致换模频繁、最小起订量居高不下，新能源汽车轮胎\"多品种、小批量\"需求无法满足。",
      "idea": "💡 方案：AI驱动的数字化柔性排产系统，实现\"同线多规格、经济批量\"的动态调度",
      "steps": "Step 1 — 产能数字建模：对每条产线的换模时间、节拍、良率、设备状态进行数字化建模，建立\"产线-模具-规格\"三维产能矩阵。 Step 2 — 订单需求预测：基于历史订单数据和汽车主机厂预测，训练需求预测模型，提前预判各规格的未来订单量。 Step 3 — 动态排产引擎上线：AI排产算法实时优化\"订单优先级×换模成本×交期约束\"，自动生成最优排产计划，最小化换模次数。 Step 4 — 快速换模（SMED）升级：数字化排产与SMED（单分钟换模）结合，将换模操作标准化为数字流程，MES自动下发换模SOP，缩短换模时间。 Step 5 — 全链协同：排产计划自动同步到供应链（原材料供应）和物流（成品发货），实现\"订单→排产→交付\"端到端数字化协同。",
      "key_data": "📊 核心成效：最小订单量降低71%，同线支持250+规格柔性切换，订单交期达成率大幅提升",
      "tags": [
        "03.03.03",
        "07.01.01"
      ],
      "tech_descs": [
        "基于约束满足问题（CSP）和启发式算法的排产引擎，以\"最小化换模损失+最大化交期达成率\"为多目标优化函数，在250+种规格的复杂约束空间中秒级求解最优排产计划。技术栈：OR-Tools、混合整数规划、遗传算法。",
        "基于5G专网的设备互联，实现产线PLC、传感器、AGV、MES的毫秒级数据同步。排产引擎实时获取设备状态、在制品位置、模具可用性等动态数据，确保排产计划始终与实际状态一致。该工厂已获\"国家级5G工厂\"认证。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "最小订单量",
      "improvement": "↓71%",
      "domain": "极小批量可接单",
      "tech": "AI柔性排产打破固定批量约束，小单获利闭环"
    },
    {
      "metric": "试制交付周期",
      "improvement": "↓51%",
      "domain": "大幅缩短",
      "tech": "大数据虚拟试制替代物理打样，新品快反能力跃升"
    },
    {
      "metric": "产品不良率",
      "improvement": "↓36%",
      "domain": "不良率显著降低",
      "tech": "AI视觉全检替代人工目检，漏检率趋零"
    },
    {
      "metric": "产品规格数量",
      "improvement": "↑340%",
      "domain": "250+种",
      "tech": "新能源汽车轮胎需求驱动，数字化支撑多规格并线"
    },
    {
      "metric": "数字化方案",
      "improvement": "30+项",
      "domain": "覆盖全流程",
      "tech": "AI+机器视觉+大数据技术深度融合全流程制造"
    },
    {
      "metric": "智能工厂认证",
      "improvement": "3项",
      "domain": "灯塔+双国家级",
      "tech": "WEF灯塔+国家卓越级智能工厂+国家级5G工厂"
    }
  ]
}