# 灯塔案例 | 联合利华索尼帕特工厂

> 一家快消品工厂，如何在严重缺水的印度腹地，把碳排放砍掉 99%、地下水回补百倍，还让产量增长 35%？联合利华索尼帕特用 AI 三步走给出了答案。
>
> 第16批 · 2026年06月 · 可持续灯塔

## 企业名片

| 字段 | 值 |
|------|------|
| 灯塔编码 | 25916IN13 |
| 企业名称 | 联合利华索尼帕特工厂 |
| 所在地 | 印度 · 印度 · 索尼帕特 |
| 行业 |  · 消费品行业 · 日用化学产品制造 (GBT ) |
| 灯塔类型 | 可持续 |

---

## 3大核心案例

### ① ① AI赋能可再生原料采购 核心用例

**业务痛点：** ⚠️ 痛点：快消品上游原料供应链碳排放不透明，传统采购模式下供应商环境绩效难以量化追踪，范围3排放核算依赖人工填报，数据滞后且精度不足。索尼帕特地区农业生产粗放，原料碳足迹偏高。

**解决思路：** 💡 方案：构建AI驱动的供应商环境绩效评估平台，将可持续采购标准嵌入数字化采购流程。通过大数据分析追踪原料全生命周期碳足迹，利用机器学习模型预测不同采购方案的环境影响，自动推荐低碳原料供应商组合。

**实施路径：** Step 1 — 数据采集与基线建立：接入上游农场和供应商的生产数据，建立原料碳排放基线数据库，覆盖棕榈油、化学品等关键原料的全生命周期排放因子。 Step 2 — AI碳足迹建模：利用机器学习模型对原料碳足迹进行动态建模，结合产地、运输方式、加工工艺等多维度参数实时计算每批次原料的环境成本。 Step 3 — 智能采购决策引擎：开发AI采购推荐系统，在满足质量、成本、交期的前提下，自动筛选最低碳排的供应商组合，嵌入ERP采购审批流程。 Step 4 — 供应商能力建设：建立供应商可持续评分卡，通过AI驱动的绩效预警机制，主动识别高碳排供应商并推送改善建议和培训资源。 Step 5 — 端到端追溯闭环：部署区块链+IoT溯源系统，实现从农场到工厂的全程碳排放可视，确保每个可持续声称可验证、可审计。

**关键数据：** 📊 核心成效：范围3排放降低37%（覆盖Hindustan Unilever Foods整体产品组合），原料废弃物减少58%，低碳原料采购占比提升至80%以上。

**技术标签：** 05.01.01 | 04.02.03 | 04.03.01


---

### ② ② 智能水资源管控系统 核心用例

**业务痛点：** ⚠️ 痛点：索尼帕特地处印度哈里亚纳邦，属半干旱气候区，地下水超采严重，水位年均下降1-2米。工厂日用水量巨大，传统人工抄表+月度汇总模式无法实现精细化水管理，跑冒滴漏难以及时发现。

**解决思路：** 💡 方案：部署IoT智能水表网络与AI水资源管理平台，实现全厂用水实时监测、异常预警、智能调度。结合雨水收集与废水回用系统，构建厂区水循环闭环，并通过地下水回灌工程实现水资源正向回补。

**实施路径：** Step 1 — IoT水表部署与数据采集：在工厂各用水点（产线、冷却塔、锅炉、卫生设施）部署智能水表和流量传感器，采集秒级用水数据并通过工业Wi-Fi上传至云平台。 Step 2 — AI用水画像建模：利用时序分析算法为每个用水单元建立"正常用水画像"，涵盖生产节拍、季节性波动、设备启停等工况特征，识别异常用水模式。 Step 3 — 智能泄漏检测与预警：部署基于LSTM（长短期记忆网络）的异常检测模型，通过用水曲线突变识别微泄漏（0.5L/min级别），自动推送工单至维修团队，平均响应时间从4小时压缩至15分钟。 Step 4 — 废水回用智能调度：建立厂区水平衡数字孪生模型，AI自动调配RO反渗透产水、雨水收集、中水回用的比例，最大化废水循环利用率。 Step 5 — 地下水回灌工程：在厂区周边建设回灌井+渗滤池系统，AI平台根据地下水位监测数据自动控制回灌速率，确保回补量持续大于取用量。

**关键数据：** 📊 核心成效：地下水回补量提升百倍（100× recharge），用水效率大幅提升，厂区实现"正水"运行——回补量持续大于取用量。

**技术标签：** 05.02.03 | 01.01.05 | 03.01.01


---

### ③ ③ 清洁能源优化体系 核心用例

**业务痛点：** ⚠️ 痛点：工厂原以化石能源为主（天然气锅炉+电网购电），碳排放强度高。生产线能源消耗波动大，传统固定参数运行模式下，空压机、制冷机组等公用设备常年"大马拉小车"，无效能耗占比超25%。

**解决思路：** 💡 方案：实施AI能源管理系统（EMS），结合屋顶光伏、生物质锅炉等可再生能源替代。利用机器学习动态优化公用设备运行参数，通过IoT-enabled清洁系统降低清洗环节能耗，实现Scope 1&2碳排放趋近于零。

**实施路径：** Step 1 — 能源数据基础设施：在变压器、配电柜、主要耗能设备安装智能电表和功率传感器，构建分钟级能源数据采集体系，覆盖全厂95%以上能耗点。 Step 2 — AI能源预测与调度：训练Seq2Seq时序预测模型，融合生产计划、天气预报、电价曲线等输入，提前24小时预测逐时负荷，动态调度光伏、储能、生物质能的出力比例。 Step 3 — 设备能效AI优化：对空压机、冷水机组、冷却塔等核心公用设备部署强化学习控制器，根据实时负荷需求自动调节变频器频率、导叶开度等参数，实现"按需供能"。 Step 4 — IoT智能清洗系统：将传统CIP（就地清洗）升级为IoT联动的智能清洗系统，通过电导率/浊度传感器在线判断清洗终点，避免过度冲洗造成的能耗和水耗浪费。 Step 5 — 可再生能源扩容：在厂区及周边部署屋顶光伏+储能系统，引入生物质锅炉替代天然气，实现全厂100%可再生电力覆盖。

**关键数据：** 📊 核心成效：范围1和2碳排放降低99%（Sc1+2 emissions ↓99%），能源效率提升29%，产量增长35%的同时实现绝对能耗下降。

**技术标签：** 09.03.01 | 09.02.01 | 05.02.01


---

## 绩效改善总览

| 指标 | 改善 | 领域 | 技术 |
|------|------|------|------|
| 范围1+2碳排放 | ↓99% | 接近零排放 | AI能源管理+100%可再生能源替代，实现近乎完全脱碳 |
| 能源效率 | ↑29% | 行业领先 | 强化学习动态优化公用设备运行参数，按需供能 |
| 地下水回补 | ×100 | 回补 = 取用×100 | IoT泄漏检测+废水回用+回灌工程，实现"正水"运行 |
| 范围3排放 | ↓37% | 显著下降 | AI供应商碳排筛选+低碳采购推荐，上游脱碳 |
| 原料废弃物 | ↓58% | 大幅减少 | AI需求预测+精准采购减少呆滞原料 |
| 产量 | ↑35% | — | 在实现环保目标的同时支持业务持续增长 |