ARTICLE · 1277755
AI 也是一个靠谱的工程师:算周期、看模具、查故障
上一篇讲了我接手一家美国汽车零部件工厂之后，怎么用 AI 梳理管理：把数据摆清楚、把行动管起来、给 AI 立规矩。
很多朋友看完问我：AI 在工厂里，是不是也就做做表、写写报告？
其实不止。注塑周期该是多少、模具哪里出了问题、设备为什么坏，这些技术活 AI 同样能帮上大忙，前提是把图纸、3D 模型、设备手册、维修记录、现场照片都交给它。
这一篇就讲几个真实案例。
一、从 3D 模型算出“理论注塑周期”
一个注塑件到底能跑多快？过去大多靠经验，或者沿用当年的报价数字。
我让 AI 换了个算法：直接读零件的 3D 模型，算出每一处的壁厚（找零件里能放下的最大内切球），再用冷却的物理公式算出冷却时间，加上充填、保压、开合模、顶出、机械手动作，得到一个理论周期，也就是物理上的下限。
然后把最近两个月生产过的所有产品都过了一遍，每个件摆出三个数：理论最佳、目标、实际。
结果很有意思：
有的件，实际周期已经贴着物理下限了，再怎么压也压不出产能，不值得在它身上花力气；
有的件，实际比理论慢了一倍多。一拆才发现，冷却时间设得那么长，不是零件需要，而是流道料头容易粘模。卡住周期的是模具结构，不是工艺；
还有的件，翻出当年客户签字认可的试生产记录，那时的周期比现在快得多，这就是有据可依的改善目标。
图 1：从 3D 模型算壁厚和冷却时间，再把理论、目标、实际三个数摆在一起（示意数据）
这样一来，改善的力气就知道该往哪里使了：哪些件不用碰，哪些件要动模具，哪些件只要把工艺调回当年的水平。
这里也有个教训：AI 一开始假设机械手动作要 6 秒，现场用秒表一测只有 3 秒多，它的初步判断就被推翻了。所以我的规矩是：AI 的理论值只是起点，上机前一定要秒表实测。
二、修模建议，还能出 3D 图
一副热流道模具，针阀漏气、保不住压，有几个穴射不满胶。
AI 打开了一百多兆的整副模具 3D 模型，把每个针阀气缸里的 7 道密封圈的位置、尺寸一道道标了出来，做成密封图。它还把模板切开，画出了气路。
图 2：针阀气缸剖面，红色是 3 道动密封，蓝色是 4 道静密封（根据 3D 模型重绘的示意图）
现场的老师傅看了以后指出：“模具内部的气路是相通的。” AI 回头复查模型，证实了这一点：6 个气缸共用同一条开针气路和同一条关针气路。这样一来，只要任何一个缸的密封串气，整个气路的压力都会下降，离进气口最远的那几个针阀最先打不开。这正好解释了为什么总是那几个穴不出胶。
图 3：6 个针阀共用一张气路网，离进气口最远的针阀最先打不开（示意图）
所以修模建议不是“哪个坏了换哪个”，而是按气路成组检查、成套更换密封。3D 图和标注好的截面图直接发给模具房，大家看图说话，沟通效率高了很多。
另一类模具问题，AI 会对照模具图纸、冷却水路图和历年维修卡，给出结构上的改进方向。比如上面那个“流道粘模拖慢周期”的件，它建议把流道板的温控单独分出来，再按“冷却时间阶梯式下调、每 50 模记录一次掉料情况”的方式去试。
三、设备和产线的故障分析
一台注塑机漏油，运行时还有异响。
AI 先去翻历史：三年前的设备状态报告里，这台机就已经写着“注射油缸杆封漏油”，一直没修。再看全厂，同类机器里有四成都有类似记录。备件看板里这些年的订单，一张密封件都没有，因为密封件根本不在备件的安全库存体系里，只能“坏了再说”。
接着，它从设备手册里把注射单元的结构和油路找出来，画成剖面示意图，再做了一张故障树：
按油的颜色和量判断：漏的是透明的液压油，量也大，那么齿轮箱轴封这一支可以先排除；
按异响的类型分：持续啸叫多半是油泵吸空，射胶瞬间的敲击多半是蓄能器氮气压力不足，塑化时的轰鸣要查电机轴承；
现场开盖后发现一根油管坏了。AI 的判断是：油管坏是症状，不是根因。这根管已经用了十几年，远超建议的更换周期；再加上蓄能器压力不足，射胶时的压力冲击会一次次去打它。
图 4：漏油 + 异响故障树，红色当天先查，黄色本周查，灰色低优先或已排除（简化重绘）
最后的输出是一份 5 页的“解决问题思路”：证据、结构图、油路、故障树，外加 8 步检查计划，每一步都有责任人和停机规则。
这件事更大的收获不在这一台机器，而在体系：密封件要进备件的安全库存，同类机器的密封件要批量谈价、按计划更换，而不是一台一台等它漏。
四、更多的技术活
激光打标速度上不去。 AI 把现场试打件上手写的参数一条条算了一遍，单位长度的能量和出光时间都算清楚了，最后判断一次强一点的打标就可以替代两次打标，出光时间能省三成多。
客户质量投诉的 8D 报告。 它能对照生产数据、报废记录和现场证据起草，人来核对和补充。
设备手册和图纸检索。 几百页的外文手册、十几年前的模具图纸，过去要翻半天，现在问一句，它就能把对应的页码和结构图找出来。
五、技术问题交给 AI，我的几条做法
给原始资料，不给二手结论。 3D 模型、图纸、手册、维修卡、现场照片，越原始越好。
让它区分“实测”和“假设”。 每个数字要标清楚是量出来的还是假设的，假设的要写明依据。
理论值只是起点。 物理计算给的是下限和方向，上机前一定要实测验证。
输出要能落地。 不要只给一个“可能的原因”，要给检查顺序、责任人、停机规则。
用图说话。 3D 截图、剖面图、故障树，比一段文字更容易让现场的人看懂、提出不同意见。
现场有最终发言权。 AI 和现场的判断不一致时，先去现场看。
写在最后
AI 在技术上的价值，不是比老师傅懂得多，而是能把散落各处的图纸、3D 模型、手册、维修卡和现场照片快速连起来，算得快，也不会漏。
但它看到的是“记录”，不是“现场”。好几次都是现场一句话、一张照片、一次秒表实测，纠正了它的判断。这正是“现地现物”的意义：AI 加上现场，才是完整的答案。
对很多中小工厂来说，最缺的往往不是设备，而是能把问题一层层拆清楚的工程师。AI 可以补上一部分这样的能力。
我想帮助更多的人、更多的工厂。如果你在注塑、模具、设备维护或者生产管理上遇到难题，或者想知道 AI 怎样真正用到车间里，欢迎留言或者私信我，一起交流。
下一篇预告： 如果公司里所有的工作，都在一个懂这家企业的智能体之上进行，会是什么样子？第三篇展望篇，讲我心中的企业智能体，也讲我正在找的伙伴。
作者：Jack｜近二十年跨国制造业管理经验，历任财务、质量、持续改进、项目、市场、采购负责人及总经理；熟悉注塑、机加工、冲压、磁材、电子等工艺。
