返回文章列表
徐州重工如何用AI实现智能制造案例
📌 摘要
徐州重工，部署AI智能排产系统（遗传算法+强化学习DQN+约束满足），解决换模时间长、产线利用率低的难题，实现换模时间缩短91.7%（从8小时至40分钟）、产线利用率提升至90%。
📖 本案例根据 新浪财经报道整理 · 查看原文 →
企业背景
徐州工程机械集团有限公司（徐工）是中国领先的工程机械制造企业，成立于1989年，总部位于江苏省徐州市。
核心业务：
• 起重机：汽车起重机、全地面起重机，年产5万台
• 挖掘机：年产10万台
• 混凝土机械：泵车、搅拌车，年产2万台
市场地位：
• 中国工程机械市场份额25%（排名第一）
• 2023年营收1500亿元，净利润120亿元
• 员工5万人，全球工程机械制造商排名第3
数字化转型动机：
重型机械行业是离散制造，换产线效率低（换模需要8小时）。企业通过AI技术实现智能排产、快速换模，提高生产效率。
重型机械行业是离散制造，换产线效率低（换模需要8小时）。企业通过AI技术实现智能排产、快速换模，提高生产效率。
面临的问题
1. 换模时间长，产线利用率低
• 传统换模需要8小时（拆卸旧模具→安装新模具→调试）
• 产线利用率只有70%（即30%的时间在换模）
• 订单响应周期长（客户下单后需要30天才能交付）
2. 排产效率低
• 人工排产需要考虑设备状态、订单优先级、物料供应等多个因素
• 排产周期长（需要2-3天）
• 排产方案不是最优（设备空闲与订单不匹配）
3. 质量一致性差
• 不同工人操作的重型机械质量差异大
• 焊接质量检测靠人工，漏检率高
• 产品合格率只有92%
解决方案
1. AI智能排产系统
核心算法：• 遗传算法：优化排产计划（考虑设备状态、订单优先级、物料供应）
• 强化学习（DQN）：根据历史数据学习最优排产策略
• 约束满足问题（CSP）：满足"设备不能超负荷""订单不能延期"等约束
实施效果：
• 排产时间：2-3天 → 2小时（-95%）
• 设备利用率：70% → 88%（+18pp）
• 订单响应周期：30天 → 20天（-33%）
2. 快速换模系统
技术方案：• 模具标准化：设计快速夹紧机构（液压夹紧，3分钟完成）
• AI视觉引导：摄像头识别模具位置，指导机器人自动安装
• 数字孪生：在虚拟环境中预演换模流程，优化动作序列
实施效果：
• 换模时间：8小时 → 40分钟（-91.7%）
• 产线利用率：70% → 90%（+20pp）
• 年产台数提升：39.1%
3. AI焊接质量检测
硬件配置：• 工业相机：拍摄焊接焊缝（分辨率5000万像素）
• X射线检测：检测焊缝内部缺陷
• AI视觉分析：识别裂纹、气孔、未熔合等缺陷
AI模型：
• YOLOv8：检测焊缝表面缺陷
• U-Net：分割缺陷区域（精确测量缺陷大小）
• 分类模型：根据缺陷类型判断"合格/不合格"
成果：
• 焊接缺陷检出率：95%
• 漏检率：5% → 0.5%（-4.5pp）
• 产品合格率：92% → 99%（+7pp）
实施效果
量化数据对比
| 指标 | 实施前 | 实施后 | 提升 |
|---|---|---|---|
| 换模时间 | 8小时 | 40分钟 | -91.7% |
| 产线利用率 | 70% | 90% | +20pp |
| 生产效率 | 100% | 139.1% | +39.1% |
| 排产时间 | 2-3天 | 2小时 | -95% |
| 订单响应周期 | 30天 | 20天 | -33% |
| 产品合格率 | 92% | 99% | +7pp |
典型案例：徐工徐州基地
背景：• 年产起重机5万台，原来换模时间8小时
• 产线利用率70%，订单响应周期30天
实施：
1. 部署AI智能排产系统
2. 改造模具夹紧机构，引入AI视觉引导
3. 安装AI焊接质量检测系统
效果：
• 换模时间缩短至40分钟
• 生产效率提升39.1%
• 年增加产值50亿元
经验启示
1. AI落地要找到"瓶颈工序"
徐工的案例：• 瓶颈：换模时间长是产线利用率低的瓶颈
• 优化：AI快速换模系统针对瓶颈优化，效果显著
• 可复制：其他离散制造企业也有同样痛点（如汽车、家电）
可复制经验：
• 选择"效率低、成本高"的环节作为切入点
• 使用"价值流图（VSM）"识别瓶颈工序
• 与设备厂商（如西门子、ABB）合作
2. 渐进改造，风险可控
徐工的路径：1. 第一阶段：AI智能排产（容易落地，ROI高）
2. 第二阶段：快速换模系统（需要改造硬件，周期长）
3. 第三阶段：AI焊接质量检测（技术成熟，容易推广）
可复制经验：
• 先改造1条示范线，验证效果后再推广
• 与高校合作（如浙江大学机械工程学院）
• 申请政府示范项目，获取资金支持
3. 人才是关键
复合型人才稀缺：• 既懂重型机械工艺又懂AI的工程师很少
• 需要工艺专家与AI专家深度合作
可复制经验：
• 组建"工艺 + IT + AI"跨部门团队
• 与职业院校合作，开设"智能制造"专业
• 建立AI应用创新实验室，鼓励员工提出创意