目录
课程简介
AI 正在重塑制造业。这门课程将带您了解 AI 在制造业的应用，从预测性维护到品质控制，从排程优化到供应链管理，让您掌握制造业 AI 转型的关键知识。
学习目标：
- 了解 AI 在制造业的应用全景
- 掌握预测性维护和品质控制
- 学会排程优化和供应链管理
- 了解数位双生和智慧仓储
- 了解制造业 AI 案例
24.1 制造业 AI 应用全景图
为什么学_this？
了解 AI 在制造业的整体应用。
核心教学
制造业 AI 应用领域：
生产优化
- 预测性维护
- 品质控制
- 排程优化
供应链
- 需求预测
- 库存优化
- 物流管理
营运管理
- 能源管理
- 智慧仓储
- 数据平台
产品开发
- 设计优化
- 模拟测试
- 数位双生
制造业 AI 的价值：
- 生产效率提升 20-30%
- 品质缺陷减少 30-50%
- 停机时间减少 20-50%
- 能耗降低 10-20%
商业范例
一家中型零售连锁超市，全台有 42 间门市，长期因生鲜损耗过高与人力排班混乱导致毛利偏低，决定导入 AI 系统改善营运。
- 需求预测：依天气与历史销量动态调整订货量，生鲜报废率由 12% 降至 5%。
- 智慧排班：依来客时段自动配置人力，尖峰结账等待时间缩短 35%。
- 动态定价：即期品自动折扣出清，即期品售出率提升至 88%。
- 库存优化：滞销品自动预警并调整陈列，整体库存周转天数减少 9 天。
小技巧
- 用 ChatGPT 把设备日志贴上，请它列出三种最可能的故障模式。
- 在 Claude 输入“依停机成本排序以下产线痛点”，快速排出导入顺序。
- 把巡检纪录丢进 Notion AI，自动标记异常关键字并生成周报。
- 用 Zapier 串接感测器告警与 Slack，超标实时通知值班人员。
- 下 prompt 时附上机型、吨数与历史维修次数，预测准确度更高。
练习题
本节摘要
- 应用领域：生产、供应链、营运、产品开发
- 价值：效率+25%、缺陷-40%、停机-35%
- 从预测性维护开始
你是 [行业] 的资深顾问，服务过 100+ 间同类型中小企业。
我的业务：[规模/位置/客群 一句描述]。
我最大的痛点：[描述]。
请（1）诊断根因（2）提供 3 个同业已验证的解法，按成本排序
（3）每个解法列出“第一步今天可以做什么”。
| 任务 | 传统做法 | AI 做法 | 效果 |
|---|---|---|---|
| 资料整理 | 人手复制贴上（数小时） | AI 结构化提取（分钟级） | -90% 时间 |
| 客户沟通 | 逐个回复 | AI 草稿+人审发送 | 3 倍产能 |
| 决策分析 | 靠经验直觉 | 数据+AI 多角度分析 | 减少盲点 |
| 知识传承 | 口耳相传 | AI 知识库（随问随答） | 新人上手快 3 倍 |
- 我完成了本行业的“任务×AI”评分表
- 我选择了一个本周就开始的试点任务
- 我设定了输出品质的人工检查点
- 我记录了基准时间（AI 化前后对比用）
一家同规模的中小企业用同样的三步流程（盘点→试点→复制）：第一个月选择“客户查询回复”试点，响应时间由 6 小时变 40 分钟；第二个月将成功流程复制到“报价环节”；第三个月全员培训。三个月后整体产能 +30%，而工具成本是零（全部免费版）。重点从来不是工具，是“每月一个场景”的节奏。
24.2 预测性维护
为什么学_this？
预测性维护能大幅减少停机时间。
核心教学
什么是预测性维护？
用 AI 分析设备数据，提前预测故障，在故障发生前进行维护。
预测性维护的流程：
预测性维护的价值：
- 停机时间减少 30-50%
- 维护成本降低 20-30%
- 设备寿命延长
- 安全性提升
适用设备：
- 生产线设备
- 包装机械
- 工业机器人
- 电机和泵
商业范例
一家拥有 12 条产线的中型电子代工厂，长期因射出成型机突发停机导致交期延误，每月平均损失 60 小时产能，维修团队疲于奔命。
- 做法：在关键机台加装振动与温度感测器，实时回传数据至 AI 平台：提前 10 天预警轴承异常，非计划停机减少 35%。
- 做法：以历史维修纪录训练故障预测模型：准确率达 88%，误报率降至 7% 以下。
- 做法：依 AI 建议排程维护时段，避开出货高峰期：每年节省加班与急修成本约新台币 180 万元。
- 做法：将预测结果整合至 ERP 自动开立工单：维修响应时间缩短 50%，整体设备效率提升 12%。
小技巧
- 用 ChatGPT 输入“依这份振动频谱列出三种轴承故障特征”，快速建立判读清单。
- 在 Notion 建设备履历表，字段含运转时数、保养日期与异常代码。
- 用 Zapier 把感测器超标值自动推送 Slack，触发巡检工单。
- 请 Claude 依历史维修纪录，生成 RUL 预测的 prompt 模板。
- 先用 Canva 画出关键设备拓朴图，标注感测器安装位置。
练习题
本节摘要
- 预测性维护提前预测故障
- 停机时间减少 30-50%
- 从关键设备开始
24.3 AI 品质控制
为什么学_this？
AI 品质控制能大幅提升产品品质。
核心教学
AI 品质控制的应用：
视觉检测
- AI 用摄影机检测产品
- 自动辨识缺陷
- 高准确率
统计品质控制
- AI 分析品质数据
- 早期预警偏差
- 防止大批缺陷
预测性品质
- 预测品质问题
- 提前预防
- 持续改善
瑕疵分类
- 自动分类瑕疵类型
- 分析根因
- 改善制程
品质控制工具：
- 视觉检测系统（Cognex、Keyence）
- 工业摄影机
- AI 分析平台
商业范例
一家年产 800 万件文具的制笔厂，过去靠 12 名品检员以目视检查笔尖与墨水流畅度，漏检率达 6%，客诉每月超过 40 件。
- 导入 AI 视觉检测笔尖成型：漏检率由 6% 降至 0.8%，客诉降至每月 5 件以下。
- 以高速摄影搭配深度学习判定墨水断线：检测速度从每分钟 120 支提升至 1,500 支。
- 将缺陷影像自动回馈至射出成型机参数：不良重工率降低 45%，每年节省约 320 万元。
- 远端仪表盘实时监控三条产线：品检人力由 12 人精简至 4 人，改派至制程改善。
小技巧
- 用 ChatGPT 将检测标准转成 prompt，例如“条列五种包装破损类型与判定特征”。
- 把瑕疵照片丢给 Claude，请它生成对应的训练标注说明与关键字。
- 用 Notion 建立瑕疵案例库，每笔记录类型、判定依据与处理方式。
- 用 Zapier 串接检测系统，发现瑕疵自动开立工单并通知负责人。
练习题
本节摘要
- AI 品质控制：视觉检测、统计控制、预测
- 缺陷率可降低 50%
- 视觉检测最适合包装和标签
24.4 排程优化
为什么学_this？
优化排程能提升生产效率。
核心教学
AI 排程优化的应用：
生产排程
- AI 优化生产顺序
- 考虑多种约束
- 最大化产能
资源分配
- 优化设备使用
- 平衡工作量
- 减少瓶颈
交期管理
- 预测交期
- 优化排程
- 准时交付
排程优化的价值：
- 生产效率提升 20-30%
- 交期准确率提升
- 资源利用率提升
商业范例
一家员工约 120 人的连锁烘焙中央工厂，每天要为 30 间门市生产 80 种常温与冷藏糕点。过去靠人工排程，高峰时段产线常塞车，报废率偏高，门市也常抱怨到货时间不稳。
- 做法：以 AI 依订单交期与产线负载自动排序生产，交期准确率由 82% 提升至 97%。
- 做法：将换线时间纳入排程模型，减少不必要的清洗与切换，整体产能提升 22%。
- 做法：依门市销售预测动态调整批量，每日报废率由 6.5% 降至 2.8%。
- 做法：排程结果自动推送至各门市系统，选货与配送准备时间缩短 35%。
小技巧
想让排程优化真正落地，可从以下实操着手：
- 用 Zapier 将 MES 工单资料自动同步至 Google Sheets，避免人工复制遗漏。
- 在 ChatGPT 输入“依交期与机台产能，排出最小延迟排程”，快速取得初始方案。
- 请 Claude 检查排程资料缺漏字段，prompt 写“列出空值与异常值清单”。
- 用 Notion 建立排程假设与版本纪录，方便回溯每次调整依据。
练习题
本节摘要
- AI 排程优化生产顺序、资源、交期
- 效率提升 20-30%
- 需准确数据
24.5 供应链管理
为什么学_this？
AI 能优化供应链，减少成本和风险。
核心教学
AI 供应链管理：
需求预测
- AI 预测原物料需求
- 避免缺料
- 减少库存
供应商管理
- 评估供应商表现
- 风险预警
- 议价支持
物流优化
- 优化运输路线
- 预测到货时间
- 降低运输成本
库存优化
- 安全库存设定
- 自动补货
- 减少过剩
商业范例
一家年营收约新台币 12 亿元的连锁餐饮集团，旗下有 45 间门市，长期面临生鲜食材损耗高、高峰时段缺货与离峰时段报废的双重压力，采购决策多依赖店长经验，难以因应天气与节庆波动。
- 导入 AI 需求预测：依历史销售、天气与节庆资料预测各店食材需求，预测准确率提升至 93%。
- 动态调整采购与配送排程：依预测结果自动生成叫货建议，食材损耗率降低 22%。
- 建立安全库存警示机制：实时监控各店库存水位，缺货率降低 48%。
- 整合供应商交期资料：提前掌握延迟风险并自动调整配送，紧急调货次数减少 35%。
小技巧
- 用 Zapier 串接 ERP 与供应商 Excel，自动同步库存字段，免手动汇入。
- 在 ChatGPT 输入“依下列交期资料，标出延迟风险前三名供应商”，贴上 CSV 即得排序。
- 把历史缺料纪录丢给 Claude，请它归纳“延迟原因分类表”，输出成 Notion 数据库。
- 用 Notion 建立供应商主档，字段含交期、良率、单价，供 AI 读取比对。
- Prompt 加上“只输出表格，不含说明”，避免 AI 回复夹杂废话，方便直接贴回系统。
练习题
本节摘要
- AI 供应链：预测、供应商、物流、库存
- 库存成本降低 20%
- 需数据连通
24.6 数位双生
为什么学_this？
数位双生是制造业的未来趋势。
核心教学
什么是数位双生？
数位双生是实体设备或工厂的虚拟副本，可以模拟、预测和优化。
数位双生的应用：
- 模拟测试：在虚拟环境测试
- 预测优化：模拟改善方案
- 培训：虚拟训练操作员
- 远程监控：实时同步实体状态
数位双生的价值：
- 降低试错成本
- 提升优化效率
- 加速新产品开发
- 改善安全性
商业范例
一家年营收约新台币 8 亿元的连锁餐饮集团，旗下有 45 间门市，长期面临高峰时段出餐壅塞、备料过剩与人力调度失衡等痛点，过去仅能靠店长经验调整，试错成本高。
- 做法：为每间门市建立厨房产线的数位双生模型，模拟不同来客量下的出餐流程，结果：高峰时段平均等候时间由 12 分钟缩短至 7 分钟。
- 做法：在虚拟环境测试 30 种备料与排班组合，结果：食材报废率降低 18%，每月节省约 42 万元成本。
- 做法：将模拟结果同步至 POS 与排班系统，结果：人力调度误差减少 25%，单店人力成本下降 9%。
- 做法：新门市展店前先以数位双生验证动线与设备配置，结果：展店筹备期由 90 天压缩至 60 天。
小技巧
- 先用 Notion 建立设备清单与感测器对照表，字段含机台编号、讯号名称、取样频率。
- 用 ChatGPT 下 prompt：“依以下字段帮我产生数位双生资料字典草稿”，再人工校对。
- 缺乏实时数据时，用 Zapier 把试算表新资料自动写入数据库，模拟实时串流。
- 用 Claude 检查讯号单位与时间戳格式是否一致，避免建模时对齐错误。
练习题
本节摘要
- 数位双生 = 实体的虚拟副本
- 应用：模拟、预测、培训、监控
- 高阶应用，需数据基础
24.7 能源管理
为什么学_this？
AI 能降低能耗和成本。
核心教学
AI 能源管理的应用：
能耗监控
- 实时监控能耗
- 识别高耗能环节
- 异常预警
能耗优化
- AI 优化设备运行
- 调整生产排程
- 避免尖峰耗电
节能预测
- 预测能耗趋势
- 制定节能方案
- 追踪效果
能源管理的价值：
- 能耗降低 10-20%
- 成本节省
- 符合 ESG 目标
商业范例
一家拥有 12 间门市的连锁健身中心，每月电费高达 180 万元，其中空调与热水系统占整体用电近七成，离峰与高峰时段用电失衡，导致契约容量长期超约受罚。
- 做法：于各场馆导入 AI 用电监测与负载预测，自动调控空调与热水加热时段；结果：尖峰用电量下降 22%，每月超约罚款归零。
- 做法：以 AI 分析各时段进场人数与设备使用率，动态调整照明与空调分区运转；结果：整体用电量降低 18%，年省电费约 390 万元。
- 做法：建置 AI 异常侦测模型，实时揪出冷媒外泄与设备空转；结果：设备故障排除时间缩短 40%，年度维修成本减少 65 万元。
小技巧
- 用 Zapier 串接电表 API，每小时把用电量自动写入 Notion 数据库。
- 对 ChatGPT 下指令：“分析这份尖峰用电 CSV，列出前三高耗能时段与原因”。
- 在 Claude 贴上契约容量与电费单，请它试算调整需量后的月省金额。
- 用 Canva 把每月用电趋势做成看板，贴在产线旁提醒高峰时段。
练习题
本节摘要
- AI 能源管理：监控、优化、预测
- 能耗降低 10-20%
- 符合 ESG 趋势
24.8 智慧仓储
为什么学_this？
智慧仓储能提升仓储效率。
核心教学
AI 智慧仓储的应用：
自动仓储
- AGV 机器人搬运
- 自动上架和选货
- 24/7 运行
库存管理
- 实时库存追踪
- 自动盘点
- 智能补货
路线优化
- 优化选货路线
- 减少移动
- 提升效率
智慧仓储的价值：
- 选货效率提升 2-3x
- 库存准确率提升
- 空间利用率提升
商业范例
一家员工约 120 人的连锁文具批发商，长期因选货错误率高与仓库空间不足，导致每月客诉超过 40 件。
- 导入条码扫描选货系统：选货错误率由 2.5% 降至 0.3%，客诉减少八成。
- 采用移动式货架与动态储位规划：空间利用率提升 35%，等于多出 200 坪储位。
- 串接实时库存看板：选货效率提升 2.8 倍，单日出货量从 1,200 箱增至 3,400 箱。
- 导入自动补货提醒：缺货率下降 60%，滞销库存减少 25%。
小技巧
- 用 ChatGPT 输入“比较 AMR 与 AGV 三年 TCO 表格”快速估算。
- 在 Notion 建 ROI 模板，字段含人力节省、错误率、回收期。
- 请 Claude 依你仓库坪数与 SKU 数，产出 WMS 导入成本清单。
- 用 Zapier 串接 WMS 与 Google Sheets，自动记录选货工时。
- Prompt 范例：“以台湾中型电商仓为例，列出智慧仓储五项隐藏成本”。
练习题
本节摘要
- 智慧仓储：自动仓储、库存管理、路线优化
- 效率提升 2-3x
- 投资较大，评估 ROI
24.9 数据平台
为什么学_this？
AI 需要数据平台支持。
核心教学
制造业数据平台的组件：
数据采集
- 感测器、IoT
- 设备数据
- 生产数据
数据存储
- 数据仓库
- 实时处理
- 历史数据
数据分析
- AI 分析
- 实时监控
- 预测模型
数据视觉化
- 仪表盘
- 实时监控
- 报告
数据平台工具：
- 工业物联网平台
- 数据仓库（Snowflake、AWS）
- BI 工具
商业范例
一家年产 8,000 万支笔的中型文具制造厂，长期靠人工抄录 60 台射出机的温度与压力数据，良率波动时难以追溯原因，每月报废成本高达 45 万元。
- 做法：于 60 台射出机加装感测器并串接云端平台，实时集中管理制程数据；结果：资料汇整时间由每周 12 小时缩短至 15 分钟。
- 做法：以 AI 分析温度与压力参数对良率的影响；结果：笔杆良率由 88% 提升至 95%，每月减少报废损失约 30 万元。
- 做法：建立异常自动告警与决策仪表盘；结果：异常反应时间由 4 小时降至 20 分钟，停机时间减少 35%。
- 做法：将历史数据回馈至排程与备料系统；结果：整体设备效率提升 12%，交期准确率达 96%。
小技巧
- 用 Notion 建数据字典，字段定义与更新时间同步维护。
- 在 ChatGPT 输入“依字段产生 SQL 检查空值与重复”快速验证。
- 用 Zapier 将表单资料自动写入 Google Sheets 减少人工。
- 请 Claude 比对两份字段命名，列出不一致处再统一。
练习题
本节摘要
- 数据平台：采集、存储、分析、视觉化
- 是 AI 应用的基础
- 先打好数据基础
24.10 案例研究
为什么学_this？
参考案例能帮助理解实际应用。
核心教学
案例 1：预测性维护
- 一家宠物食品包装厂
- 感测器侦测异常振动
- 提前 2 周预测故障
- 停机时间减少 40%
案例 2：AI 视觉检测
- 一家宠物零食厂
- AI 检测产品外观
- 缺陷率降低 50%
- 检测速度提升 10x
案例 3：智慧仓储
- 一家宠物用品仓库
- 自动选货机器人
- 效率提升 3x
- 空间利用率提升 30%
商业范例
一家中型零售连锁（约 40 家门市、年营收新台币 12 亿元）长期面临促销档期备货失准，热销品缺货、滞销品堆仓，库存周转率低于同业。
该公司导入 AI 需求预测系统，整合 POS 销售、天气与促销档期资料，重新校准各门市补货模型。
- 做法：以机器学习预测各门市单品周销量，将预测误差从 28% 降至 11%。
- 做法：依预测自动生成补货建议，缺货率由 9% 降至 3.5%。
- 做法：针对滞销品触发降价提醒，库存周转率提升 22%。
- 做法：整体导入三个月内，滞销库存金额减少新台币 1,800 万元。
小技巧
参考案例时，别只抄结论，要拆解它的落地步骤。
- 用 ChatGPT 把案例拆成“资料、模型、流程”三栏清单，比对自家现况。
- 在 Claude 输入“依此案例，列出我这条产线最缺的三项资料”，取得差距清单。
- 把差距丢进 Notion 建追踪表，每项标负责人与期限。
- 用 Zapier 串接表单与通知，资料一更新就提醒负责人。
练习题
本节摘要
- 案例：预测性维护、品质检测、智慧仓储
- 从小而具体的项目开始
- 证明 ROI 后扩展
24.11 课程总结
课程总结
下一步学习
- C-25 零售服务业 AI：零售应用
- C-26 AI 赋能 ERP：系统整合
- C-21 AI Agent 原理与应用：智能自动化
© 2026 Buddylala.ai — Build Your AI Future, Together.