去年有一天，质检员老张扛着一个纸箱走进办公室。

纸箱里，是过去三年所有的纸质质检记录——手写的、带污渍的、边角卷起的，按月份捆成一沓一沓。

"还有六箱，在仓库。"他说。

这就是我们（漯河舒尔莱，2006年成立，做高分子吸水纸）做数字化改造时的真实起点。

不是什么高大上的"智能制造"，而是一箱一箱的纸质记录、几十个打不开的老Excel文件、还有几个不同厂家设备自带的系统——各自存着自己的数据，谁也不理谁。

这篇说说我们这一路是怎么走过来的：真实的经历、踩过的坑、实用的经验。没有高大上的方案，只有中小制造企业自己的"笨办法"。

一、改造之前的"原始状态"

先说说我们之前的状况，可能很多同行会觉得眼熟。

纸质记录：三大类，占了整整一面档案柜

• 生产记录
  ：每班次一张纸，操作工手写——温度、压力、速度、SAP添加量。字迹各异，有人写得很潦草，有人漏填，有人填了模糊的一笔（"35左右"——到底是35还是35.5？）。
• 质检记录
  ：每批次一张表——吸收倍率、保水率、厚度、外观判定。不同时期的检测标准换过几次，有些旧表上填的是老标准编号，和现在的对不上。
• 设备维护记录
  ：一本本子，修了什么、换了什么零件、谁修的、什么时候修的。有的故障没记，有的记了但没写原因，有的写着"异常——已处理"——处理了什么？不知道。

Excel数据：版本混乱，格式五花八门

后来用过几年Excel来记数据——每家工厂都经历过这个阶段。

• 不同人建了不同的模板，字段名不统一（有人写"吸水倍率"，有人写"倍率"，有人写"吸收倍数"）。
• 日期格式不统一（有人写"2023-01-15"，有人写"2023/1/15"，有人写"1.15"）。
• 文件散落在不同电脑上，没有统一存储。
• 换了几次人之后，有些文件不知道密码，打不开。

设备系统孤岛：各自为政

不同设备自带的监控系统，各有各的数据格式和导出方式。有的能导Excel，有的只能看不能导。生产线的数据（温度、压力、速度）和质检数据（性能指标），在两个完全不相干的世界里。

💡 这就是很多中小制造企业的现状：数据不是没有，而是"有数据，但没法用"。七零八落、格式混乱、没有关联。想查某个数据，得翻纸张、找Excel、回忆谁经手的。

二、第一步：把"死数据"变成"活数据"

我们决定动手的时候，定了两条原则：

• 不追求一步到位
  ——先做数据整理，不做系统改造
• 先解决有没有，再解决好不好
  ——先把数据收集起来，格式以后再统一

纸质记录数字化：OCR识别+人工校对

我们花了大约两个月，把能找到的所有纸质记录，逐一处理。

一开始想的是"人工录入"——找实习生一个字一个字敲。后来发现，量太大，而且容易出错。

我们改用了OCR识别 → AI校对 → 人工确认 → 录入Excel的方式：

• 每张纸质记录先拍照（用手机或扫描仪，保证清晰度）
• 用OCR工具（手机拍照识别、或者电脑端OCR软件）把图片中的文字识别出来
• 识别结果交给AI校对——用AI先过一遍，把明显错误（比如乱码、数字异常、格式错误）标出来
• 人工只对AI标记的可疑处做确认——不是逐字核对，只看AI认为有问题的部分
• 确认无误后，录入到统一的Excel模板里

这个方式，比纯人工录入快了大约3倍，比纯OCR录入准确率高很多。OCR负责"把字读出来"，AI负责"把明显错误挑出来"，人工只做最后确认。

当然，手写体识别准确率有限——特别是有些老师傅的字迹，OCR识别出来是"天书"。这种情况，只能人工录入。

两个月下来，处理了大约3000多个批次的记录。

✅ 关于OCR的实用建议：

• 拍照要清晰——光线要好，纸张要平整，字要拍清楚
• 表格类记录，OCR识别效果较好；自由文本，效果较差
• AI校对后再人工确认——AI负责把明显错误标出来，人工只确认可疑处，效率比逐字核对高很多
• 手写体识别是难点——如果记录都是手写的，OCR只能作为辅助，主要还得靠人工

Excel数据整理：统一格式，合并去重

把散落在各处的Excel文件：

• 统一做到一个总表里
• 字段名对齐（"吸水倍率"→"absorption_rate"）
• 日期统一格式
• 筛除完全重复的记录
• 标记可疑数据（比如异常值加黄色标注，但不删除）

这一步花了三周。最难的不是技术，而是"统一标准"——每个人都觉得自己记的格式没问题，但合在一起就出问题。

设备系统数据导出

这个最简单——能导出的导出，不能导出的就截屏或者手工记录。我们选择了"先有数据，再考虑自动化采集"。

✅ 关键做法：我们做数据整理时，有一个基本原则——"宁可粗糙，不可缺失"。质量不高的数据，先收进来，打上标记，以后慢慢清洗。但缺失的数据，永远补不回来。

三、第二步：建立数据库，让数据"能查"

数据整理完，面临一个选择：继续用Excel，还是上数据库？

Excel的表到了几万行之后，打开卡、筛选慢、多人同时用不方便、版本容易混乱。

我们选择了上数据库——不是用昂贵的商业数据库，而是用了开源的MySQL，部署在一台普通的办公电脑上。数据库安装和基础配置，由我们自己学、自己搞（网上教程很多）。

数据库设计：能简则简

我们没有设计复杂的数据模型。只建了三个核心表：

• production_records
  （生产记录）：批次号、日期、时间、产品型号、各工艺参数
• quality_records
  （质检记录）：批次号、各性能指标、判定结果
• material_records
  （来料记录）：SAP批次号、供应商、检测数据

核心关联字段就是"批次号"——通过批次号，可以查到这批产品用了什么原料、什么工艺参数、最终检测结果如何。

💡 懂数据库的人可能觉得这太简单了。但对我们来说，够用就行。好的数据库设计，不是最复杂的，而是最符合自己业务需要的。

数据录入方式：保留Excel，自动导入

我们没有重新开发前端录入界面——操作工们已经习惯用Excel写记录。

我们的做法是：

• 操作工仍然用Excel填日报、记录生产数据
• 每天下班前，把Excel文件放到一个指定文件夹
• 用写好的自动导入脚本，把Excel数据读到数据库里

这样，前端保持操作工的习惯不变，后端数据自动集中到数据库。

四、第三步：让数据"能用"——搭一个简单的查询系统

数据进了数据库，但问题是：怎么看？

不是所有人都懂SQL（数据库查询语言）。

我们搭了一个最简单的Web查询界面：

• 用PHP+MySQL（或者Python Flask都可以），一个非常轻量级的组合
• 界面上就几个输入框：批次号查询、日期范围查询、产品型号查询
• 输入条件，表格显示结果
• 可以导出Excel

整个开发，没有外包，没有买系统。因为功能简单，也不需要什么高性能。

这个查询系统上线后，最大的变化是：

• 质检再也不用翻纸质记录了——输入批次号，数据全出来
• 技术分析有了基础——可以对比不同参数下的质量表现
• 应对客户审核时，快速调出记录，客户也满意

但说实话，刚开始用的人并不多——老员工更习惯"翻本子"，不习惯打开网页查数据。这个事情急不来，慢慢培养习惯。

⚠️ 踩坑记录：我们犯过的一个错误——太早追求自动化。一开始想搞自动化数据采集（从设备直接读取数据到数据库），结果发现设备太老，接口不统一，折腾了一个月没搞定。后来回到"人工录入+自动导入"这条路，反而更快。对于传统制造企业，先解决有没有数据，再解决数据怎么来的，顺序很重要。

五、我们现在的状态和下一步

回顾一下我们这几步：

1. 纸质记录数字化
   （2个月）——OCR识别+人工校对，最苦最累，但最有价值
2. Excel数据统一
   （3周）——统一格式，集中存储
3. 数据库搭建
   （1周部署+学习）——简单够用即可
4. 查询系统
   （2周开发）——让数据能查
5. 自动导入脚本
   （1周开发）——日常数据持续积累

——从开始到能用，大约4-5个月，投入就是一个人（实习生+我们自己学做数据库）和一台普通电脑。

现在，我们在这个基础上：

• 数据已经持续积累了一年多
• 生产工艺参数的记录从十几个字段增加到三十几个
• 开始尝试做AI Skill模型——因为数据基础打好了，AI才能"读"懂

实际应用：移动端为主，PC用于AI工程建设

这里要特别说一点——我们一开始犯过一个错误：以为"数字化"就是让大家用电脑。

实际用下来发现：

• 一线操作工、质检员
  ——他们的工作场景在车间，不方便用电脑。移动端（手机/平板）才是他们真正用的。查批次、填记录、看数据，用手机最方便。
• 办公室人员
  ——做数据分析、写报告、管理数据，用PC更方便。
• AI工程建设
  ——数据库搭建、模型训练、系统开发，这些"重活"必须在PC上做。

所以我们的思路是：移动端做应用，PC做工程。

下一步的计划：

• 移动端
  ：操作工用手机扫码填数据、查批次；质检员用手机上传检测结果；管理者用手机看生产报表
• PC端
  ：数据库管理、AI模型训练、复杂数据分析——这些"后台工程"，在PC上做
• 设备数据自动采集（先把关键设备的传感器补上）
• 数据分析和可视化（不用人工做图表，系统自动生成）

但这都是下一步的事。能把前面这几步走完，已经是很多中小制造企业可以借鉴的成果了。

🏭 漯河舒尔莱纸品有限公司

成立于2006年，位于河南漯河高新区民营工业园，专注高分子复合吸水材料19年。

我们不做卫生巾，我们做卫生巾的"芯"——高分子复合吸水材料、复合吸水纸、SAP原料供应。

SAP来源：日本住友精化（Sumitomo Seika），由伊藤忠商事（ITOCHU）供货，每批次附检测报告。

数字化实践：我们从纸质记录起步，用OCR识别+人工校对完成数字化，一步一步走到数据库和AI Skill模型。没有花大价钱买系统，靠的是耐心和"笨办法"。实际应用中，移动端是主力（操作工、质检员用手机），PC用于AI工程建设。如果你也在考虑数字化转型，欢迎交流——我们可以分享踩过的坑和实用的经验。

服务客户：卫生巾生产厂家、母婴护理品牌、新消费品牌

聊聊数字化改造的那些事？

给同行：5条实在的建议

最后，给同样在做制造业、也想做数字化的同行几条实在的建议：

1. 别被"智能制造"吓住
   ——数字化的第一步，不是买系统，而是把数据整理好。一个实习生+一台电脑，就能开始。
2. 先整理历史数据
   ——很多企业做了十几年，积累了大量的生产数据。这些数据是宝藏，但如果不整理，就永远是躺在纸箱里的废纸。
3. 数据标准越早统一越好
   ——字段名、格式、单位、日期格式，这些东西一开始定好了，后面省很多事。越往后统一代价越大。
4. 别追求完美
   ——数据质量不好的，先收进来，打上标记，以后清洗。缺失的数据永远补不回来。粗糙的数据好过没有数据。
5. 小步快跑，别想一口吃成胖子
   ——先做查询，再做分析，再做AI。每一步都能看到阶段性成果，才能持续做下去。

📌 写在最后：

数字化改造这件事，说难也不难。

不难在技术门槛不高——开源数据库、OCR工具、简单的查询界面，自己学几个月就会。

难在坚持和耐心——把一箱箱纸质记录拍照、OCR识别、人工校对，这种枯燥的活，需要的是定力。

但回头看看：那些曾经认为"没什么用"的数据，现在成了我们最宝贵的资产之一。

——因为它们，让后续的AI Skill模型成为可能。

📚 参考资料

1. 工信部·《中小企业数字化转型指南》——中小企业数字化转型应遵循"由点到面、由浅入深"原则
2. 中国信息通信研究院·《中小企业数字化转型分析报告》——超过60%的中小企业仍处于"单点应用"阶段