DeepSeek在工业制造领域的应用场景实战

推荐语

深度解析AI在工业制造领域的应用，风叔带你领略DeepSeek的实战案例。

核心内容：
1. AI助力设计研发：元器件选型与质量标准查询
2. 采购仓储优化：AI大模型在采购寻源中的核心应用
3. 实战落地：风叔与世界500强企业共创应用场景的成果分享

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

前言

最近两个月，由于大客户项目交付到了关键阶段，以及忙于各种路演和融资，风叔实在是分身乏术，让大家久等了。

在过去半年时间里，我们一直在和多家世界500强企业共创和打磨应用场景，其中就包括了一些全球领先的能源与工业自动化企业。通过深入学习和了解工业制造的业务流程，风叔越来越看好AI智能体在该领域的应用场景，工业制造也将是风叔未来重点深挖的行业。

从整体上来讲，工业制造主要包括设计研发、采购、生产制造和销售/售后等环节。今天我们就来聊聊，以DeepSeek为代表的AI大模型，在这些环节都有哪些核心应用场景。其中风叔有实战落地的，也会重点标注。

1. 设计研发

1.1 元器件选型

在研发设计环节，都会涉及到元器件选型。比如研发一款继电器，根据设计的额定电压、电流、触点容量、工作温度等参数，该如何选择合适的元器件。在过去，工程师们往往需要花费大量的时间查找和阅读产品手册，或者根据多种参数从内部元件库中进行筛选，非常低效。

通过AI Agent，将相关元器件的产品手册解析为向量知识库或知识图谱，根据工程师的参数要求，自动检索到合适的元器件，并快速解答工程师关于元器件使用方法、设计说明、参数性能等问题，大幅提升工程师工作效率。

我们已在某世界500强企业落地该场景。

场景价值：⭐️⭐️⭐️

场景可行性：⭐️⭐️⭐️⭐️⭐️

1.2 质量标准查询

工业制造领域的质量标准非常严格，工业产品的研发设计必须严格遵守质量标准，比如安全认证、电磁兼容性、环境适应性等要求。同时不同国家不同区域，也存在不同的质量标准。

面对如此多的质量要求，工程师们不可能对每个标准都烂熟于心。因此，质量标准的查询，也占据了工程师很大一部分工作时间。

通过AI Agent，将相关质量标准文件解析为向量知识库，方便工程师随时查询各区域、各行业的标准规范，并给出引用来源，成为工程师设计产品时的得力助手。

场景可行性：⭐️⭐️⭐️⭐️

2. 采购仓储

2.1 采购寻源

在采购环节，采购经理需要寻找潜在供应商。传统的做法是，采购经理根据所需要采购的原材料，在相关网站上进行搜索；然后电话联系潜在供应商，了解相关产品的信息，比如参数、报价、供货周期等等；在这个过程中，筛除不符合要求的供应商，对初步满足条件的供应商做进一步的沟通，包括参数对比、砍价、配量等等。整个过程重复工作多、效率低、完全依赖人工。

可以利用AI大模型构建采购寻源Agent，主要工作包括：

• 根据采购要求，自动爬取相关网站上的潜在供应商信息；

• 通过邮件、短信或外呼，自动联系供应商，多轮对话获取相关产品信息；

• 自动排除不符合要求的供应商；

• 对符合条件的供应商，自主规划和沟通，例如提出更高的质量要求、更低的采购价格、更稳定的供货周期；

• 通过多个维度的参数对比，自动对潜在供应商打分，将结果反馈给采购经理

场景可行性：⭐️⭐️⭐️⭐️⭐️

3. 生产制造

3.1 设备智能运维

在生产制造环节，产线时常会因为各种各样的原因停机，比如产线故障、产品切换、设备维护等等。产线停机给工厂造成的损失是非常直接的，比如产线开动率100%时，产线可生产10000件/天，如果停机时间占比达到10%，产线每天将少生产1000件商品。

在过去，当产线发生故障时，往往依靠老师傅的经验，或者工厂打电话让原厂派工程师过来检修。但是老师傅的经验也是有局限的，而且经验也面临着严重的传承问题；而让原厂再派人过来，先不论原厂工程师要花多久修复问题，光是过来的路程上浪费的时间，都会导致工厂产线因长时间停机造成的损失。

通过AI大模型，我们可以实现设备智能运维，利用AI大模型进行故障归因，这里有两方面关键技术。第一方面是构建故障运维知识图谱，能够根据故障现象，AI快速推理出潜在的原因；第二方面是对接产线实时传感器数据，结合故障图谱进行定量分析，从而将原因范围快速聚拢到少数几种可能性。

这样，借助AI能快速找出故障原因并给出解决方案，大幅缩短停机时间。

场景可行性：⭐️⭐️⭐️⭐️⭐️

3.2 预测性维护

预测性维护，也是降低停机时间的重要手段，在潜在故障发生前就进行预测和预警。

AI大模型可以学习产线历史数据和故障的关系，比如电压、电流、转速、震动等因子，模型可根据当前数据，自动预测未来24h内产线发生故障的概率。当故障概率大于一定阈值时，提前进行潜在故障原因分析，减少停机风险。

场景可行性：⭐️⭐️⭐️⭐️⭐️

3.3 生产工艺优化

在生产制造环节，生产工艺和产量、良品率息息相关。在过去，一条产线在投产前，需要进行大量的生产工艺测试，该用什么温度、湿度、压力、电流、原材料等等，测试完成后就基本定型了。在实际投产后，理论上产线应该能达到额定的生产效率和良品率，比如每天生产10000件，良品率99%。

但实际情况下，因为各种原因，即使抛开停机因素，产品也可能达不到额定生产效率和良品率。可以考虑利用AI大模型进行生产工艺的优化。

工艺优化的核心思想是强化学习，如何调整生产参数，从而让生产效率和良品率最大化。将当前参数值作为状态，将参数的增减作为行动，将生产效率/良品率提升作为奖励，降低作为惩罚，通过强化学习逐渐逼近最优参数组合。强化学习可结合数字孪生开展，在数字孪生系统中计算最优参数组合后，再到产线中进行实际测试。

场景可行性：⭐️⭐️⭐️⭐️

4. 销售/售后

4.1 竞品分析

在销售环节，客户往往非常关注同类型产品的参数对比。在过去，产品参数对比表通常由市场部或销售部输出，通过浏览竞品的产品说明书，从而提炼各个竞品的参数和参数值。销售再拿着竞品对比表，去和客户交流。

现在，随着各类型产品更新换代速度越来越快，也给竞品分析表的编撰带来了更大的压力。可以通过AI Agent自动分析竞品说明手册，提取产品参数，生成产品对比表。

场景可行性：⭐️⭐️⭐️⭐️⭐️

4.2 自动报价

在能源和电力行业，销售人员往往需要根据项目图纸计算项目报价。过去的做法是，销售人员拿着项目图纸，人工逐图来核对相关设备的型号和数量，再查找每个设备的价格，最后人工整理成项目报价表。整个过程非常耗时耗力，而且充斥着重复工作。

我们可以利用AI Agent，自动解析项目图纸，自动从图纸中提取相关设备的型号和数量，再自动查找每个设备的价格，自动生成项目报价表，从而大幅节省销售时间。

场景可行性：⭐️⭐️⭐️⭐️⭐️

4.3 销售线索分析

在工业领域，销售会从市场部或者自己拿到一些客户线索。在过去，销售需要自己根据客户线索，在互联网上查找更多的客户信息，比如客户的经营范围、营收情况、产品类别等等，从而判断该客户是否是目标客户，以及该客户应该放在什么样的优先级。

借助AI Agent的帮助，在销售获取客户线索后，AI可以通过自动联网搜索补全客户画像，并根据客户信息自动匹配最为合适的产品，甚至帮助销售判定客户优先级，从而答复提升销售效率。

场景可行性：⭐️⭐️⭐️⭐️⭐️

4.4 售后客服

在工业自动化领域，企业将电气自动化设备售卖给下游的OEM厂商或者终端工厂。由于设备的复杂性，OEM厂商或工厂经常会遇到设备或软件不会操作的情况，或者设备出现故障，然后打电话给企业的售后客服。

但是工业企业的售后工程师往往数量不会太多，我们所接触的一家世界头部企业，客户和业务遍布全国各地，但整个企业售后工程师团队只有小几十人，因此难以即时响应客户的问题。

通过AI Agent，将相关的设备手册、软件操作手册解析成向量知识库，客户可直接通过小程序发起咨询，AI Agent自动识别客户需求，并路由到匹配的知识库进行信息检索召回，大幅提升售后效率。

已在多家头部企业落地

场景可行性：⭐️⭐️⭐️⭐️⭐️

总结

本篇文章围绕工业制造的主要业务环节，介绍了AI大模型的核心应用场景。风叔不是工业制造领域的专家，算是抛砖引玉，和读者一起探讨更多有价值的应用场景。