《数智化工厂建设与运营》高级研修班

模块一：战略引领篇——为什么转？转什么？（Why & What） 目标：建立战略高度，统一转型认知，明确价值导向。 制造业数智化转型的必要性与紧迫性 宏观环境分析：全球竞争格局、产业政策与技术变革（工业4.0、新基建） 企业内在驱动力：从“降本增效”到“价值创造”的跃迁 案例分析：传统制造企业面临的“增长、效率、成本、质量”四大挑战 互动研讨：我们企业当前面临的最紧迫的挑战是什么？ 数智化工厂典范：灯塔工厂的规划与建设战略 “灯塔工厂”的定义、评选标准及核心价值主张 案例深度剖析：灯塔工厂——海尔合肥空调制造厂，解读其端到端的价值链创新（端到端连接、敏捷供应链、客户中心化等） 灯塔工厂给我们的启示：从“单点应用”到“系统性集成”的思维转变 确立我们自己的数智化工厂愿景与动机 愿景定义：数智化转型要解决的核心业务问题是什么？（例如：成为行业质量标杆、实现大规模个性化定制、交付周期缩短50%等） 动机分析：区分“技术驱动”与“业务价值驱动”的转型模式 高管工作坊：绘制我们企业的数智化转型愿景图。 模块二：规划设计篇——如何系统规划？（How to Plan） 目标： 掌握从现状评估到路径规划的系统方法论。 数智化工厂的战略规划（顶层设计） 业务战略与数智化战略的对齐方法 构建“价值-能力-项目”的战略分解框架 制定可衡量的业务目标与KPI体系（例如：OEE提升、库存周转率、一次性通过率等） 工厂数智化现状评估（As-Is Assessment） 数字化成熟度评估模型介绍：GB/T45341-2025 评估维度：战略与组织、流程与管理、数据与技术、人员与文化 评估方法：问卷调研、现场访谈、流程穿越、数据分析 实战演练：使用简版成熟度评估工具，对本企业的某一业务领域进行快速评估。 数智化工厂建设的路径规划（Roadmap Planning） “总体规划、分步实施、小步快跑、持续迭代”的原则 确定优先领域：基于“业务价值”和“实施难度”的四象限分析法 制定3-5年滚动式路标规划：明确各阶段的关键里程碑、项目集和预期收益 投资回报（ROI）分析与预算制定 模块三：核心引擎篇——数据与技术平台（The Core Engine） 目标：理解数据作为核心资产的理念，掌握技术平台的构建逻辑。 数智化工厂的业务模式与运营模式创新 业务模式创新：从“卖产品”到“卖服务”（如预测性维护、设备即服务）、大规模个性化定制（C2M） 运营模式创新：数据驱动的决策、跨部门协同、敏捷响应机制 案例分享：联想电脑如何通过数据实现供应链协同与柔性生产 数智化工厂的大数据平台建设与数据治理 数据是新石油：为何数据治理是转型成功的基石？ AI时代重新定义数据的价值和管理模式 大数据平台架构：数据采集、存储、计算、分析与可视化 数据治理体系：数据标准、数据质量、数据安全、主数据管理 讨论：我们企业的数据“痛点”在哪里？（数据孤岛、数据不准、数据不清等） 数智化技术平台建设 云架构（公有云、私有云、混合云）与边缘计算的协同 工业PaaS平台的核心能力：低代码/无代码开发、微服务架构、工业机理模型库 AI中台能力建设 技术平民化与低成本技术创新：如何利用低代码平台赋能业务人员，实现快速、低成本的应用开发与创新。 模块四：应用架构篇——数字化骨干软件体系（The Application Backbone） 目标：系统掌握支撑工厂运营的各大软件系统及其集成关系。 智能硬件技术体系与工业物联网（IIoT） 智能硬件：智能传感器、AGV、工业机器人、机器视觉等 工业物联网（IIoT）平台：设备连接、协议转换、数据边缘处理 实现物理世界与数字世界的映射：数字孪生（Digital Twin）概念与应用 数字化骨干应用软件体系（端到端视角） 客户与市场端：CRM- 实现客户360度视图与卓越体验管理 研发与设计端：PLM- 作为产品创新的主线，实现数据与知识的协同管理 供应链端：SRM- 构建透明、协同、敏捷的供应链管理平台 生产运营核心：MOM（制造运营管理） APS（高级计划与排程）： 智慧“大脑”，实现最优生产排程 MES（制造执行系统）： 透明“车间”，实现过程管控与追溯 WMS（仓库管理系统）： 高效“仓库”，实现精准库存与物流 QMS（质量管理系统）： 全面“品控”，实现全流程质量管理 LES（物流执行系统）： 联动“厂内物流” 售后与服务端：MRO- 实现备品备件管理与设备智能运维服务 经营管理核心：ERP- 作为智慧经营管理平台，打通业财一体化 架构整合：如何实现以上系统之间的数据流、业务流的无缝集成。 模块五：智能赋能篇——人工智能在数智化工厂的应用与部署 (The AI Empowerment) 目标： 帮助学员理解AI在制造业的真正价值，识别高价值应用场景，并掌握AI项目的基本实施路径和管理方法。 人工智能：数智化工厂的“智慧大脑” 从自动化、信息化到智能化：AI的核心价值定位 AI与传统统计分析、专家系统的区别与联系 工业AI的核心技术概览：机器学习、深度学习、计算机视觉、自然语言处理等 高价值AI应用场景深度剖析（场景驱动） 智能质量检测：基于AI的机器视觉（AOI），实现微小缺陷的精准识别，超越人眼极限。 预测性维护（PdM）：基于设备运行数据，预测潜在故障，变“被动维修”为“主动维护”。 生产工艺优化：利用AI分析海量过程参数，找到最优工艺参数组合（如能耗、良率优化）。 智能排程与调度：AI驱动的APS，应对复杂约束和动态插单，实现全局最优。 供应链优化：AI赋能的需求预测、智能补货与物流路径规划。 研发创新：AI辅助的生成式设计（Generative Design）与仿真优化。 案例分享：比亚迪如何通过部署AI视觉质检，将漏检率降低90%。 工业AI项目的落地路径与方法论（MLOps） AI项目与传统IT项目的核心差异 实施五步法： 定义商业问题：从业务痛点出发，而非技术。 数据准备与探索：数据采集、清洗、标注的重要性（“Garbage in, Garbage out”）。 模型训练与验证：选择合适的算法，训练并评估模型效果。 模型部署与集成：如何将AI模型无缝嵌入到MES、QMS等现有系统中。 持续监控与迭代：建立MLOps（机器学习运维）机制，确保持续创造价值。 成功部署AI的关键要素与挑战 挑战与规避：数据孤岛与数据质量问题、算法“黑盒”的可解释性（XAI）、高素质人才短缺、投入产出比（ROI）难以衡量。 成功策略：从小处着手（POC验证），选择高价值且数据基础好的场景；组建业务、IT、算法人员协同的跨职能团队；建立信任，让AI成为员工的“增强工具”而非“替代者”。 互动研讨：结合企业实际，识别出1-2个最有潜力的AI应用切入点。 模块六：运营与组织篇——人与文化（People & Culture） 目标：认识到“人”是转型成败的关键，掌握组织与文化变革的方法。 基于数据的智能经营管理中心（IOC） 从“管理驾驶舱”到“智能运营中心”的演进 IOC的功能：实时监控、智能预警、模拟仿真、辅助决策 场景演示：如何通过IOC实现生产异常的快速响应和跨部门协同处理。 数字化人才团队建设 未来工厂需要的人才画像：既懂业务又懂技术的复合型人才 人才策略：“内培外引”相结合，建立数字化人才发展通道 构建“卓越中心（CoE）”或“数字化转型办公室（DTO）”等虚拟组织 数字化文化和创新管理 培育“数据说话、拥抱变化、鼓励试错、持续学习”的文化氛围 建立敏捷工作机制和创新孵化机制 领导力变革： 数字化时代对管理者的能力新要求 培训总结与行动计划 核心要点回顾与总结 Q&A 互动答疑 行动学习（Action Learning）： 分组讨论：结合课程所学，初步构思本企业的数智化转型“破局点”项目。 制定个人/团队的“下一步行动计划”（Next Step Action Plan）。