车间 AI 缺陷检测与换型优化：私有 AI 落地五金加工的实战手册

两个没人叫"瓶颈"的瓶颈

走进大多数五金加工车间，你会听到 OEE、准时交付率、单位时间产能。真正在车间待一天就会发现真正的瓶颈——缺陷检测和换产调机。这两个指标很少被干净地命名成 KPI，却悄悄地在每个班次里偷时间。

我们合作过的一家五金加工厂每天有 8-12 次换产，涵盖精密冲压和 CNC 加工件。低产量 SKU 的调机时间甚至比加工时间还长。缺陷靠末段目视检查——有时候是几分钟后才发现，有时候是几小时后。新员工需要六个月才能独立上岗，因为"正确换机方式"全在别人的脑子里。

车间班组并没有偷懒，是流程已经超出人力承载上限了。我们用一套私有 AI 同时重做了这两个瓶颈，结果是这家车间真正能拥有的。

传统方法——在产线末端装一台固定相机检查成品——有结构性的盲区：当缺陷在末端可见时，相同根因的几百件产品都已经加工完了。

我们围绕过程签名重建了缺陷检测。模型接在机床既有的传感器流上——主轴电流、振动幅值、进给速率偏差——学习历史上在缺陷之前的参数组合。当一次加工漂移到那个区间里，就在下五十件出来之前提醒操作员。

落到车间层面：

对正在采购 AI 缺陷检测制造方案的负责人，这是架构上的关键差异：工厂保留数据、模型权重、集成方式。供应商锁定在结构上不可能发生。

调机时间通常靠清单去优化。清单有帮助，但很快到天花板。下一跳来自于看同一类机床上近一千次换产的记录里，到底什么与快的换产相关。

我们用 12 个月的换产日志训练了一个换产推荐模型。输入包括：

每个新换产请求进来，模型返回一组排序好的候选方案和预测调机时间。计划员和操作员根据当前夹具可用性挑一个。实践中，中位调机时间在前 30 天降了 18%，最快与最慢操作员之间的方差减半。

这是大多数团队低估的 AI 换型优化结果：它不只是把平均时间砍下来，它把新员工和晚班所在的长尾压缩下去。

更深层的收益——也是董事会最终最在意的——是隐性知识的沉淀。每个模型输出本身就是很多操作员经验的提炼。当模型再训练管道吃进本周的数据，新员工的正确决策也在喂养未来的模型。

我们用一个简单的同期群指标衡量它：一个新员工多久能达到 5 年老员工 10% 误差以内的水平？上模型前是六个月；上模型后是不到八周——培训周期减少 67%。

对那种"老操作员退休 = 工厂停产"已经是董事会议题的车间，这个指标本身就值回投入。

这家车间的部署走的是我们如今重复使用的标准路径：

第 1-2 周：数据评估。 拉取传感器日志、MES 记录、操作员笔记。分位数方法剔除离群点，加上孤立森林剔除明显坏样本。最终拿到一份站得住的训练集和一份书面基线报告。

第 3-6 周：模型训练与验证。 训练缺陷与换产模型。用最近 90 天的留存数据做验证。出一份运营团队可以争论的校准报告——他们一定会争论，这正是该有的。

第 7-8 周：边缘部署。 在车间一台带 GPU 的小盒子上跑推理。通过单一 FastAPI 接口接入 MES。操作员看板嵌进现有 MES 页面，而不是一个没人打开的独立标签页。

第 9-12 周：持续优化。 每月再训练。漂移告警。每季度复盘哪些模型输出还在被采纳——不再被采纳的就退役，哪怕准确率还很高。

合计大约三个月，车间产线上落地一套生产级的私有 AI。

诚实讲清楚不适用的地方：

单台机床单元。 如果一家工厂只有一台 CNC、每年 50 个 SKU，数据量不够训练可用的换产模型。这个模式要求每类机床至少有 1000 次历史换产记录。
只能靠视觉、无法从过程遥测预测的缺陷。 如果缺陷是只能在显微镜下看到的表面粗糙度问题，你需要在遥测模型之外再加一个视觉模型，而不是用它替代。我们在该上视觉模型时叠视觉模型。
强监管的检验节点。 有些行业要求人工逐件检验，AI 就只能作为操作员的辅助——把高风险件推到前面重点看，永远不替代人眼。

AI 缺陷检测制造和 AI 换型优化不是两个独立问题。它们是同一底层问题的两种表现：流程已经超出了小团队能承载的隐性知识量。私有 AI 部署——在车间自己的硬件上、跑在车间自己的数据上——同时压扁两个瓶颈，用调机时间、培训周期、机构知识不随退休流失的价值，三件事一起回本。