——年软软件制造AI落地案例：让设备“会说话”、让排产“跟得上变化”
精密电子制造企业的车间里，两个问题每天都在打架。一边是设备：一台关键贴片机或回流焊炉的轴承开始磨损、参数开始漂移，等到报警停机再修，产线已经断了，订单交期跟着泡汤。另一边是排产：客户订单三天两头改，急单插进来，计划员手工推演两三个小时才排出个方案，刚发下去又被下一个变更打乱。设备故障和排产僵化，看似两件事，实际上互相拖累——设备不稳定，排产就不敢排紧；排产一变再变，设备频繁启停换产，故障率又往上走。
北京年软软件有限公司为某精密电子制造企业交付的设备预测性维护与智能排产协同项目，切入的正是这对互相拖累的难题。年软没有先建“工业大脑”，而是先跟着设备工程师看了几天振动曲线，又跟着计划员走了几遍插单流程，把“设备什么时候该修”和“订单变了怎么排”这两个判断拆开，再封装成一线人员能用的智能体。上线后，关键设备的非计划停机时间明显下降，急单插单的排产响应从小时级压缩到分钟级，设备维护和排产计划第一次开始“互相通气”。
一、需求：设备靠事后修，排产靠手工推
该企业的情况在精密电子制造中很有代表性。
第一，关键设备故障突发性强，事后维修代价高。 贴片机、回流焊、AOI检测设备是产线的命脉，一旦突发停机，整条线跟着停。过去设备管理以定期维保和事后抢修为住，定期维保的问题是“修早了浪费、修晚了来不及”，事后抢修则意味着产线已经断了。设备工程师凭经验听声音、摸温度能判断个大概，但老师傅就那么几个，夜班和周末根本指望不上。
第二，排产依赖人工经验，响应速度跟不上订单变化。 该企业做的是小批量、多品种的精密电子组件，客户订单频繁调整，急单插单是常态。计划员手工排产，需要考虑设备产能、物料齐套、工艺约束、交期优先级，一次推演两三个小时是常事。更麻烦的是，排产时并不知道哪台设备“快不行了”——计划员按理论产能排，设备实际状态可能已经不允许满负荷跑。
第三，设备数据和排产数据各管各的。 设备管理系统里有振动、温度、电流的历史记录，排产系统里有订单、工单、设备占用计划，但两套数据从不对话。设备工程师不知道排产计划里哪台设备马上要扛急单，计划员不知道哪台设备该安排检修窗口。结果是：设备在急单期间故障，或者检修窗口和订单高峰撞车。
年软在项目启动时做的第一件事，是和设备工程师一起看了过去半年的故障记录和对应的传感器数据，又和计划员一起复盘了几次典型的插单场景，把“什么信号出现意味着该修了”和“插单时先动哪张工单”这两个判断的路径拆出来，作为智能体的起点。
二、方案：两个智能体，让设备和排产开始对话
针对上述需求，年软搭建了以设备运行数据和排产数据为底座、以两个智能体为前端、并让两者协同的应用体系。
1. 设备预测性维护智能体：从“坏了再修”到“该修才修”
智能体接入关键设备的振动、温度、电流等传感器数据，结合历史故障记录和维修工单，学习设备从正常到异常的性能衰减模式。当某项参数开始偏离正常区间、或多种信号组合出现特定模式时，智能体提前发出预警，并给出判断依据：是哪个部件可能出了问题、建议在什么时间窗口内安排检修、如果继续运行风险有多大。设备工程师收到的不再是“设备异常”四个字，而是一条带依据、带建议窗口的提示，可以据此决定是立即停机、还是安排到下一个计划检修窗口。
关键设计在于检修窗口与排产计划的联动。智能体在给出检修建议时，会同时查看排产系统中未来几天的订单负荷：如果未来48小时内有急单必须跑，且设备风险尚在可控范围，建议窗口会自动后移并标注风险等级；如果风险升级到必须立即处理，排产智能体会同步收到信号，提前调整计划，避免“设备停了才发现订单排在这台上”。
2. 智能排产智能体：插单推演从“手工算”到“系统推”
智能体接入订单、工单、设备产能、物料齐套、工艺约束等数据，计划员面对急单时，输入新订单的交期和数量要求，智能体在几分钟内推演出几种排产方案，标注每种方案对现有订单的影响：哪些工单需要后移、哪台设备负荷会增加、物料缺口在哪里。计划员在方案基础上做判断和调整，而不是从零开始手工排。
更重要的是，排产智能体在推演时会读取设备预测性维护智能体给出的设备健康状态。如果某台设备近期有检修预警，排产时会主动降低其负荷或避开高风险时段，而不是等到设备真的停了再临时调整。设备状态第一次成为了排产的一个输入变量。
3. 边界与兜底：建议给人，决定权也给人
年软在设计上明确了边界。设备预警给出的是“建议检修窗口和风险提示”，最终是否停机、何时停机由设备工程师和设备主管确认；排产方案给出的是“推演结果和影响分析”，最终排产计划由计划员确认发布。对于设备预警中风险等级高、或排产方案涉及重大交期调整的情形，系统明确提示升级人工决策，并附上完整的依据链。所有预警记录、排产调整留痕可追溯，便于复盘和规则校准。
三、成效：可核查的变化
项目上线并经过一段时间的实际使用后，该企业在几个环节出现了可核查的变化。
关键设备非计划停机时间下降。 预测性维护智能体在故障发生前给出预警，设备工程师有了安排检修的窗口，突发性停机的次数和时长明显减少。夜班和周末的设备风险有了兜底，不再完全依赖老师傅的经验判断。
急单插单的排产响应从小时级到分钟级。 计划员面对急单时，几分钟内获得推演方案和影响分析，响应速度大幅提升，手工推演的时间被释放出来用于判断和协调。
设备检修和排产计划开始协同。 检修窗口不再和订单高峰“撞车”，排产时也能主动规避高风险设备。设备工程师和计划员第一次有了共同的“对话基础”——不是两套系统各说各话，而是同一个智能体体系在同时考虑两边。
新人上手有了依据。 设备预警附带判断依据和历史案例，排产方案附带推演逻辑，新人不再只能“等师傅教”，而是可以沿着智能体给出的路径去理解和判断。
四、年软的做法：先看现场，再写代码
这个案例的价值，不在于用了多复杂的算法，而在于年软在制造现场坚持的几个做法。
先跟岗，再定方案。 项目启动时，年软团队跟着设备工程师看了几轮巡检和故障处理，又跟着计划员走了几次插单排产。设备工程师判断“这个声音不对”的背后，是对特定振动频率和温度组合的直觉；计划员插单时“先动哪张工单”的背后，是对设备、物料、交期权重的隐性排序。这些才是智能体最该学会的东西。
让两个场景的数据对话，而不是各建一个智能体。 设备预测性维护和智能排产单独做，各自都能跑出效果，但只有让设备健康状态进入排产决策、让排产负荷进入检修窗口判断，两个智能体才真正解决了“互相拖累”的问题。年软在方案设计阶段就把数据接口和协同逻辑画清楚，而不是等两个智能体各自上线后再想办法打通。
边界画在“人敢不敢用”上。 设备停机涉及产线安全，排产调整涉及交期承诺，年软在设计阶段就和设备主管、计划主管一起确定了哪些建议可以给、哪些必须人确认、哪些情形直接升级。边界不清的智能体，一线用两次就不用了。
一个场景跑通，再扩展。 项目没有追求一次性覆盖全部设备和全部产品线，而是从故障频次最高、影响最大的几台关键设备和最典型的插单场景切入，跑通之后再逐步扩展。制造现场的AI落地，快不了，但一个场景真正被用起来，下一个就有了起点。
结语
精密电子制造的AI落地，最怕的是“设备归设备、排产归排产，各建一套大屏，一线还是靠人扛”。年软在这个项目中的体会是：设备预测性维护和智能排产能否落地，关键不在算法多先进，而在判断路径有没有被拆开、两个场景的数据有没有对话、边界有没有画清。当设备预警能告诉计划员“这台设备下周要修”，当排产方案能告诉设备工程师“这台设备下周要扛急单”，AI才真正从“单点演示”走进了车间的日常运转。
北京年软软件有限公司聚焦人工智能应用软件开发、信息系统集成与信息技术咨询，致力于帮制造、政务、金融、零售等行业客户把AI能力落到具体的业务节点上。在制造场景中，年软想做的不是又一个工业互联网平台，而是一座让设备状态与生产计划、老师傅经验与一线操作真正接通的桥梁——让设备少停一次，让排产快一步，让两个原本各管各的事，第一次开始互相照应。