{
  "code": "25216CN06",
  "factory_name": "青岛中集冷藏箱",
  "batch": 16,
  "type": "生产效率",
  "country": "中国",
  "city": "中国 · 胶州",
  "province": "胶州",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "先进工业",
  "release_date": "2026年06月",
  "quote": "50余项AI与数字化应用落地，交付周期缩短32%、缺陷率腰斩47%、加工成本下降24%——全球集装箱行业首个灯塔工厂，在胶州湾畔用数据驱动重塑了冷藏箱制造的底层逻辑。",
  "use_cases": [
    {
      "num": "①",
      "title": "① AI驱动的生产流程优化 核心用例",
      "pain": "⚠️ 痛点：全球贸易波动下，客户对冷藏箱的隔热性能与交货周期要求不断提升，传统依赖经验排产的模式无法快速响应多品种、变批量订单，产线瓶颈频现，资源利用率偏低。",
      "idea": "💡 方案：基于工业互联网平台打通OT/IT数据壁垒，构建AI辅助的端到端生产调度引擎，将订单特征、设备状态、物料供给和工艺参数实时建模，实现从经验排产到数据驱动排产的范式转变。",
      "steps": "Step 1 — OT/IT数据采集与融合：在关键工位部署IoT传感网络，建立统一的工业数据总线，打通MES、ERP、WMS等系统数据孤岛，实现全生产要素的实时映射。 Step 2 — 产线数字孪生建模：构建产线级别的数字孪生模型，模拟不同订单组合下的排产方案，识别瓶颈工序并预演优化效果。 Step 3 — AI排产引擎上线：开发基于机器学习的智能排产算法，综合考虑设备可用性、模具切换时间、人员技能等约束条件，自动生成最优生产计划。 Step 4 — 实时动态调度：接入生产线实时数据，当出现设备异常或紧急插单时，引擎在分钟内重新计算并推送调整后的排产方案。 Step 5 — 全流程绩效看板：建立从接单到交付的全链路可视化仪表盘，管理者可实时追踪每个工单的进度与偏差。",
      "key_data": "📊 核心成效：制造交付周期缩短32%，订单准时交付率显著提升，产线综合利用率提高至行业领先水平。",
      "tags": [
        "05.01.01",
        "05.04.02",
        "02.03.01"
      ],
      "tech_descs": [
        "基于订单特征与产线状态的深度学习模型，自动匹配最优生产序列，实现排产效率的大幅提升。系统可处理多约束条件（设备、人员、物料）下的组合优化问题。",
        "1:1还原物理产线运行逻辑，支持排产方案的\"What-if\"推演，在虚拟环境中验证调度策略后再下发执行，显著降低试错成本。",
        "新一代MES融合实时数据流，支持毫秒级工单状态更新，与AI排产引擎形成闭环反馈，确保计划与执行的一致性。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "② 智能质量检测系统 核心用例",
      "pain": "⚠️ 痛点：冷藏集装箱的焊接质量、密封性和隔热层均匀度直接影响产品寿命与安全，传统人工目检依赖经验、漏检率高，且无法形成结构化的质量数据用于工艺改进。",
      "idea": "💡 方案：部署基于机器视觉与深度学习融合的智能质量检测系统，覆盖焊接、密封、涂装等关键工序，实现从\"人眼判断\"到\"AI判定\"的质检模式升级，并将检测数据实时反馈到工艺优化闭环。",
      "steps": "Step 1 — 高精度视觉采集部署：在焊接、密封测试、表面涂装等关键工位安装工业相机与多光谱传感器，构建全方位视觉采集网络。 Step 2 — 缺陷样本库建设与模型训练：收集数万张标注过的缺陷图像，涵盖焊缝气孔、密封胶不均匀、涂层瑕疵等典型问题，训练卷积神经网络（CNN）检测模型。 Step 3 — 在线实时检测上线：将训练好的模型部署到边缘计算节点，对生产线上每一件产品进行毫秒级自动检测，异常实时告警并自动标记。 Step 4 — 质量数据回溯与工艺闭环：将检测结果与MES工单、工艺参数关联，建立质量大数据平台，分析缺陷与工艺参数的关联关系，驱动工艺参数的自动调优。",
      "key_data": "📊 核心成效：产品缺陷率下降47%，一次合格率大幅提升，客户质量投诉减少超过60%。",
      "tags": [
        "01.03.02",
        "02.04.03",
        "05.02.03"
      ],
      "tech_descs": [
        "采用CNN+Transformer混合架构的缺陷检测模型，对小尺寸、低对比度缺陷的识别准确率大幅超越人工目检水平。模型支持增量学习，持续优化对新缺陷类型的识别能力。",
        "将AI推理引擎部署在产线边缘节点，实现毫秒级检测响应，避免云端传输延迟。边缘节点同时承担数据预处理与初步筛选，仅将关键数据上传至中心平台。",
        "构建质量数据湖，对全量检测结果进行聚合分析，通过统计过程控制（SPC）自动识别工艺漂移趋势，在缺陷发生前发出预警。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "③ 数字化的资源动态配置 核心用例",
      "pain": "⚠️ 痛点：冷藏箱制造涉及大量原材料（钢材、发泡料、制冷机组等），采购周期长、库存占用高。传统物料管理依赖计划员经验，难以应对订单波动和供应链中断，经常出现\"该到的没到、不该到的堆积\"。",
      "idea": "💡 方案：建立数字化资源动态配置平台，打通供应商、仓储、产线三方数据，以AI算法实现物料需求的精准预测和资源的弹性调配，从\"推式备料\"转向\"拉式供给\"。",
      "steps": "Step 1 — 供应链数据贯通：与核心供应商建立EDI电子数据交换通道，实现原材料库存、在途状态、预计到货时间的实时可见。 Step 2 — 物料需求预测建模：结合历史订单数据、市场趋势和排产计划，构建基于时序预测的物料需求模型，提前3-7天预警物料缺口。 Step 3 — 智能仓储调度：部署WMS升级版和AGV搬运系统，实现物料从入库到线边的自动化流转；产线呼叫系统与仓储系统联动，按需准时配送。 Step 4 — 资源弹性分配引擎：当出现紧急订单或物料短缺时，系统自动计算最优的资源重分配方案，平衡多条产线之间的物料、人力和设备资源。 Step 5 — 全链路成本看板：建立从采购到消耗的全链路成本追踪体系，实时核算每个工单的实际加工成本，识别异常波动并推送改进建议。",
      "key_data": "📊 核心成效：加工成本降低24%，库存周转率显著提高，紧急插单响应时间大幅缩短。",
      "tags": [
        "04.02.03",
        "03.04.01",
        "06.02.03"
      ],
      "tech_descs": [
        "融合Prophet+LSTM的混合预测框架，对多品类原材料建立独立预测模型，捕获季节性波动和趋势变化。预测结果自动驱动采购建议和安全库存动态调整。",
        "AGV自动引导车对接WMS系统，按产线节拍精准配送物料至工位。仓储管理系统支持物料先进先出（FIFO）自动管控和批次追溯。",
        "将供应商、工厂、客户三方数据链路打通，构建统一的协同平台。订单变更信息实时同步至采购和排产系统，实现端到端的敏捷响应。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "制造交付周期",
      "improvement": "↓32%",
      "domain": "显著缩短",
      "tech": "AI排产引擎消除产线瓶颈，订单响应从\"天级\"缩短至\"小时级\""
    },
    {
      "metric": "产品缺陷率",
      "improvement": "↓47%",
      "domain": "大幅下降",
      "tech": "机器视觉AI检测全覆盖，从人工抽检升级为100%在线全检"
    },
    {
      "metric": "加工成本",
      "improvement": "↓24%",
      "domain": "有效降低",
      "tech": "资源动态配置消除等待浪费，物料按需拉动配送到线边"
    }
  ]
}