{
  "code": "23815IN15",
  "factory_name": "联合利华本地治里",
  "batch": 15,
  "type": "生产效率",
  "country": "印度",
  "city": "印度 · 本地治里",
  "province": "本地治里",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "消费品行业（快消品）",
  "release_date": "2026年01月",
  "quote": "联合利华本地治里工厂通过ML工艺控制、AI自主故障排查与人力预测三大核心技术，在现有产能内实现产量提升25%、缺陷率降低23%、产品变体数量增加三倍，成为印度快消品行业首座获得WEF生产力卓越认证的灯塔工厂。",
  "use_cases": [
    {
      "num": "①",
      "title": "① ML工艺控制 核心用例",
      "pain": "⚠️ 痛点：产品复杂度持续攀升、创新周期加速，传统工艺参数控制依赖人工经验，频繁换产导致质量波动大、良率不稳定，多品类切换效率低下。",
      "idea": "💡 方案：部署机器学习驱动的工艺控制系统，实时采集产线传感器数据（温度、压力、流量等），构建多品类工艺模型，自动优化参数设定，实现基于实时数据的闭环工艺控制。",
      "steps": "Step 1 — 传感器网络部署：在关键工艺节点部署IoT传感器，实时采集温度、压力、流速、pH值等多维工艺参数 Step 2 — 数据中台构建：建立统一工艺数据湖，清洗和标注历史工艺数据，构建训练数据集 Step 3 — ML模型训练与验证：基于历史数据训练工艺控制模型，在生产环境中进行A/B测试验证 Step 4 — 实时闭环控制上线：将ML模型嵌入MES系统，实现工艺参数的实时自动调节 Step 5 — 持续学习迭代：建立模型性能监控机制，基于产线反馈数据持续优化模型精度",
      "key_data": "📊 核心成效：产量提升25%，工艺参数调整时间从数小时缩短至数秒，换产质量波动大幅降低",
      "tags": [
        "05.01.02",
        "02.03.01",
        "03.03.04"
      ],
      "tech_descs": [
        "采用监督学习算法，基于海量历史工艺数据训练多品类工艺参数预测模型。模型输入为产品配方、设备状态、环境条件，输出为最优工艺参数组合，实现亚秒级参数推荐。",
        "将ML模型与企业MES系统深度集成，在制造执行层面实现工艺参数的自动下发与闭环控制，无需人工干预即可完成品类切换时的参数调整。",
        "通过数字化的工艺标准化，确保同品类产品在不同批次、不同产线上的一致质量表现，消除人工经验差异导致的波动。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "② AI自主故障排查 核心用例",
      "pain": "⚠️ 痛点：设备非计划停机频繁影响产线效率，传统故障诊断依赖资深技师经验，问题定位耗时长、新人培训周期长，被动维修模式导致产能损失严重。",
      "idea": "💡 方案：构建AI驱动的自主故障排查系统，通过设备传感器数据实时监控运行状态，利用异常检测算法自动识别故障模式，并基于知识图谱推荐修复方案，实现从被动维修到主动预防的转变。",
      "steps": "Step 1 — 设备数据采集：对关键设备（灌装机、包装机、输送系统）加装振动、温度、电流传感器，建立实时数据采集链路 Step 2 — 故障知识库构建：梳理历史故障案例，建立故障特征-根因-修复方案的映射知识库 Step 3 — AI异常检测模型训练：基于设备正常运行数据训练异常检测模型，建立多维度设备健康基线 Step 4 — 自主诊断系统部署：上线AI诊断引擎，实时分析设备数据，当检测到异常时自动匹配知识库并推荐修复方案 Step 5 — 预测性维护升级：从故障诊断向预测性维护演进，在故障发生前提前预警并安排维护窗口",
      "key_data": "📊 核心成效：缺陷率下降23%，设备非计划停机大幅减少，故障平均修复时间缩短60%以上",
      "tags": [
        "05.01.01",
        "05.01.04",
        "08.02.01"
      ],
      "tech_descs": [
        "部署AI异常检测算法（无监督学习+时序分析），实时监控数百个设备参数，在异常出现的数秒内自动发出告警。结合故障知识库，AI系统能给出TOP 3根因假设及推荐的修复步骤。",
        "基于设备退化曲线建模，持续评估关键设备健康度指标（RUL, Remaining Useful Life），在零部件达到寿命阈值前主动安排更换，避免非计划停机。",
        "建立全厂设备可靠性管理体系，将MTBF（平均故障间隔）和MTTR（平均修复时间）纳入数字化看板，通过AI分析找出最影响OEE的设备和故障模式，优先消除瓶颈。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "③ AI人力预测与换产优化 核心用例",
      "pain": "⚠️ 痛点：产品变体激增3倍导致换产频率剧增，多品类柔性生产带来复杂的排班和产线分配挑战，人工排班无法动态匹配需求波动，产线利用率不均衡。",
      "idea": "💡 方案：部署AI人力预测与换产优化系统，基于订单预测和产线能力模型，自动生成最优排班计划和换产序列，同时优化人力分配和物料准备节奏，最大化产线综合利用率。",
      "steps": "Step 1 — 订单需求建模：整合ERP和供应链系统的需求数据，建立按SKU、产线、时段的多维需求预测模型 Step 2 — 产线能力数字化：对每条产线的换产时间、产能、人员技能要求进行数字化建模，构建产线能力矩阵 Step 3 — AI排产引擎构建：开发多目标优化算法（最小化换产时间、最大化产线利用率、平衡人力负荷），生成最优生产序列 Step 4 — 人力智能调度：基于排产计划自动生成各岗位人力需求，匹配员工技能矩阵，实现精准排班 Step 5 — 动态重优化：当订单变更或设备异常时，系统在15分钟内自动重新生成优化方案，保障生产连续性",
      "key_data": "📊 核心成效：产品变体数量增加三倍，换产效率大幅提升，产线综合利用率提升至行业领先水平",
      "tags": [
        "05.01.01",
        "03.03.03",
        "06.01.01"
      ],
      "tech_descs": [
        "采用约束规划+启发式算法的混合优化框架，同时考虑换产时间、产能利用率、人力技能匹配、交货期等10+约束条件，在数分钟内生成全局最优排产方案。",
        "将传统固定排班升级为动态智能排产，系统实时感知订单变化和设备状态，自动调整产线分配和人员安排，实现产线利用率的全局最优化。",
        "支撑3倍产品变体增长的背后是柔性制造能力的系统性提升——从换产流程标准化到人员多技能培养，再到智能调度算法的全局优化，形成了可复制的高变体制造模式。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "产量",
      "improvement": "↑25%",
      "domain": "+25%",
      "tech": "ML工艺控制实现产能最大化，在现有产线设备基础上大幅提升产出"
    },
    {
      "metric": "缺陷率",
      "improvement": "↓23%",
      "domain": "↓23%",
      "tech": "AI自主故障排查保障生产过程的质量一致性，大幅减少不良品"
    },
    {
      "metric": "产品变体数量",
      "improvement": "↑200%",
      "domain": "3倍",
      "tech": "AI排产与换产优化的核心成果，多品类柔性生产能力取得突破性进展"
    }
  ]
}