AI 进工厂车间：点检与报表怎么用

早班交接，班长接过一沓点检表，有一栏「异响」打了勾，但没写是哪个部位、什么工况。三个月后那台设备停机四小时，拆开发现轴承已经磨了两个星期。车间用 AI 的价值，多数不在算法多聪明，而在把「打了勾」变成「有字段、能追、能对比」。

断点在纸上，不在设备上

车间的数据链条通常断在三处：点检靠手写，字迹和口径都不统一；报表靠人汇总，班次之间对不上；异常靠口头传，传到维修班已经失真。这三处的共同点是信息在传递中掉精度，和设备先不先进没关系。工具能补的正是这一段：把纸上的勾变成结构化记录，把汇总从人工变成规则。

五道工序，各归各的

把车间的日常拆成五道工序，能交给工具的和必须现场定的，界线比想象中清楚：

中间一列都是重复、有格式、错了能改的活；右边一列都带「安全」或「责任」两个字。这个划分决定投入顺序：先把中间那列做扎实，右边那列再慢慢来。规则能自动触发提醒，靠的是把「什么条件成立时通知谁」写死，智能体按条件调用工具是这个思路的通用版，车间里的版本要简单得多，也更容易失控——条件写松了天天报警，写紧了等于没有。

点检表要按设备长，不按模板长

网上能下载到的点检表，列的是温度、压力、振动、异响、泄漏，看着通用，用起来会失效——不同设备的失效模式差得远，注塑机看模具和料筒，空压机看油气分离和排水，行车看钢丝绳和限位。把通用模板直接发下去，工人会在不适用的项上随手打勾，记录看起来齐全，实际全是噪声。

更靠谱的路子是从故障倒推：把过去一年这台设备的停机记录翻出来，按原因归类，每类原因对应一个能提前观察到的征兆，把征兆写成点检项。这样长出来的表通常只有八到十二项，比通用模板少一半，但每一项都对得上一次真实故障。让工具帮忙归类故障原因时要留个心眼，它会给出听起来合理的因果链，却没有依据支撑，编造的分析往往比空白更像结论，归类结果必须拿维修记录逐条对。

报表的第一道关是口径

两个班的报表加起来对不上总数，是车间最常见的事。原因几乎总是口径：停机时长从发现异常算还是从设备停下算，跨班的停机算给谁，试模和换型算不算停机，良率的分母是投入数还是计划数。这些定义不写下来，每个月都要吵一次。

口径定下来之后要冻结，并且写进报表的页脚。设备老化、工艺调整、原料换批次之后，原来的阈值和基线会慢慢失准，报出来的异常越来越多或者越来越少，这时候要看的是指标分布有没有整体偏移，而不是逐条解释每个异常点。数据分布悄悄变化时，规则和模型会一起失效，定期回看基线比反复调阈值有用。

停机这件事，判断权不外放

工具能按规则提示「振动连续三班高于基线」「温度超上限两次」，但它判断不了这一次该不该停。停机的代价是产量，不停机的代价可能是设备损毁或者人身伤害，这两者的权衡要看订单、备件库存、维修班人手、这台设备在产线上的位置——这些信息不在数据里，在班长脑子里。

涉及人身安全的环节，界线要画得更硬：联锁、挂牌上锁、检修隔离，这些绝不能由软件判断替代，也不能因为「系统显示正常」就跳过流程。工具在这里的位置是记录和提醒，不是决策。写进制度的一句话就够：任何与安全相关的停机判断，由现场负责人签字。

老师傅的经验，怎么变成可传的东西

听声音判断轴承、摸温度判断负载、看铁屑颜色判断切削状态——这些经验没写成文字，也没法直接教给模型。但它可以变成中间产物：把老师傅判断过的异常拍下来、录下来，标注这是什么声音、对应什么故障、后来拆开是什么样，攒成一个异常样本库。新人遇到类似情况可以对照，模型有了样本也能做初步分类。

这件事的价值不在技术，在留人。老师傅退休带走的是判断力，样本库能留下一部分。要注意标注质量：一条标错的样本会误导后面所有人，标注应由两个人交叉确认。给模型的指令里也要写明「只按样本里的类别判断，不确定就说不确定」，把边界写进提示词比事后纠正省事。

从记录到改进，还差一次复盘

记录做得再细，不复盘就只是存档。有效的复盘很短：这次停机，直接原因是什么、根本原因是什么、哪一项点检本该提前发现、点检表要不要改。四个问题，十分钟，每次停机做一次。做完把结论回填到点检表和培训材料里，下一次才可能提前发现。

不复盘的典型症状是同一类故障一年发生五次，每次都当新问题处理。工具能帮的是把历史记录按故障类型归并，让「这是第五次」这件事变得可见——可见本身就是压力。

速查：车间用工具的分界

• 记录结构化：点检项、频次、标准、照片，一样不能少
• 口径先定死：停机怎么算、良率分母是什么，写进报表页脚
• 阈值要回看：设备老化和工艺变化会让基线漂移，定期重设
• 安全不外包：联锁、隔离、停机判断，现场负责人签字
• 经验要留档：异常样本拍下来标注，比口头传帮带可靠