壹号国际制造业与全球智能工厂AI

壹号国际制造业：同一个产品在三座全球工厂生产以后，为什么总部最难统一的可能不是设备，而是"同一个指标到底怎么定义"？

一家制造企业在三个不同国家和地区各有一座工厂，生产同一款产品。总部希望横向比较三座工厂的运营水平，把各厂上报的OEE、良率、停机时长拉到同一张表里对比，结果却发现数字差异大到难以解释——某座工厂的OEE比另外两座高出十几个百分点，良率也明显领先，看起来像是运营水平的巨大差距。

深入核对以后，问题的根源往往不在设备，也不在人员能力，而在于三座工厂对同一个指标的定义并不一致。有的工厂把计划外的换线时间计入停机，有的工厂不计入；有的工厂把返工后合格的产品算作良品，有的工厂不算；采集OEE数据的时间窗口，有的按自然日统计，有的按班次统计。表面上是同一个指标，实际统计口径完全不同，横向比较自然失真。

先对齐定义，再谈平台

这里最容易被忽略的是：很多全球工厂数据项目一开始就直奔"建一个统一数据平台"去了，把大量精力投入在接口打通和数据搬运上，却没有先花时间对齐几个最基础的问题——什么算停机、什么算良品、统计窗口从什么时候到什么时候、设备状态的编码规则是否一致。如果这些定义没有对齐，接口再通畅，搬过来的也只是一堆表面相似、实际不可比的数字。

比较务实的做法，是把"全球工厂数据模型"当成一份需要多方共同签字确认的文档来对待：先由总部工艺和质量团队牵头，和各工厂代表逐条核对关键指标的定义、口径和采集规则，形成一份各厂都认可的标准，再把这份标准落地到MES和数据平台的具体字段里。这个过程通常比搭建技术平台本身花的时间更长，但跳过这一步，后续所有基于跨厂数据做的比较和决策，都建立在一个并不可靠的基础上。

工厂数据最麻烦的问题经常不是没有，而是不同系统说的不是同一种语言——同一句"OEE是85%"，在总部和不同工厂听起来，很可能完全不是同一件事。

设备AI已经预测可能故障以后，怎样把维护时间真正放进生产计划而不是让两个系统互相打架？

预测性维护模型判断某台关键设备存在较高的故障风险，建议尽快安排检修。与此同时，生产排程系统已经把这台设备接下来两天的产能全部排满，用于赶一批交期紧张的订单。两套系统各自给出了"正确"的建议，但落到现场执行上，就变成了维护窗口和生产计划的正面冲突。

这种冲突背后的原因很直接：预测性维护和生产排程通常是两套独立建设的系统，各自读取不同的数据源，服务不同的目标，彼此之间没有共享约束条件的机制。维护模型不知道这台设备接下来的订单有多紧张，排程系统也看不到设备的健康趋势数据，两边都在自己的信息范围内做出局部最优的判断。

把维护窗口当成排程的一类约束

比较现实的做法，不是让某一方无条件让步，而是把设备的维护风险信息，作为一类约束条件直接输入到排程系统里，和物料、产能、交期这些约束放在一起权衡。具体到这个场景，排程系统可以看到"这台设备未来72小时内故障概率上升"这样的信息，结合当前订单的交付紧急程度，判断是把维护安排提前插入到当天的计划性停机窗口，还是把这批订单临时调整到另一台有富余产能的同类设备上生产，又或者是在充分评估风险后，选择先完成最紧急的一批订单，把维护推迟到下一个班次交接的自然窗口。

这几种选择没有绝对的对错，取决于故障风险的置信度有多高、一旦真正发生故障的代价有多大、以及订单延误的代价有多大——这本身是一个需要工程师和生产计划人员共同判断的权衡，AI能做的是把这几项信息放在同一张表上，而不是替代这个判断本身。预测本身不是维护决策，企业还要计算停机成本和故障风险，把维护窗口从一个孤立的建议，变成排程系统里可以被识别、可以被协调的一类约束，往往比强行要求两套系统"对齐"更容易落地。