让数据用科学的方式进入制造决策
在常州基地最初推进智能化时，一个最直观的问题是：数据很多，但真正做决定的时候，很难一起用。售后看到的是质量结果，制造关注的是现场参数，供应链掌握的是来料信息，研发更多依赖试验数据——每个环节都有数据，却各自为战，工程师仍然主要靠经验在做判断。
连山在常州的第一步，并不是急着上模型，而是先解决“怎么一起做决定”的问题。通过数据科学协作平台，连山将分散在不同系统中的数据拉到同一视角下，同时把工程经验、算法分析和业务目标放进同一个工作流程中，让不同角色围绕同一份数据结果协同判断，而不是各自解读。
通过对冲压、焊装、涂装、总装及物流全流程的全域数据采集与感知网络的构建，连山覆盖 26 个关键工艺场景，监测 1500 余台设备，对 5 万余个工艺点进行实时采集。实现了关键工艺参数的 100% 在线监控、随车存档与全生命周期可追溯，并通过 AI 持续分析潜在风险，最大程度避免问题外溢。
随后，连山从制造产线的过程质量检验逐步覆盖至工艺参数优化和备件采购决策，使数据不再只是被看见，而是能够持续参与到实际决策中，推动现场从经验驱动，转向数据驱动的协同决策方式。
通过在常州基地近三年的 AI 实践探索，在2025 汽车行业数智创新大会上，连山数据科学协作平台荣获“产业链协同 AI 技术创新奖”。
从事后排查，到 AI 提前预警预测
01 从“发现问题” 到“定位根因”
传统质量管理更多停留在问题发生后的排查阶段，而真正的挑战在于：如何快速、系统地找到根因。
连山在常州构建了多层级质量故障树分析体系，将售后、制造、供应链与研发中的问题经验沉淀为结构化知识网络，把复杂排查过程拆解为可追溯的决策路径，并通过 AI 自动评估不同成因的可能性。
以拧紧异常为例，系统基于历史数据与知识规则，自动识别并排序 11 类潜在原因，工程师可逐层回溯，快速判断问题来源。目前已沉淀 200 余个故障树模型，预警识别正确率与命中率均保持在 90% 以上，使质量管理从“靠经验排查”转向“有路径、有概率的科学判断”。
02 当AI直接完成备件决策
在制造现场，备件管理长期是一件“看起来重要，但很难算清楚”的事情。为了避免设备维修时因缺件停机，工程师往往选择多备一些关键备件，而库存水位的判断更多依赖经验和历史习惯。连山将历史库存、消耗节奏和供货周期等数据集中建模，由系统先给出库存调整建议，再由工程师快速确认。随着这一能力融入采购流程，备件决策从人工的反复核算转变为AI直接参与采购，采购时间从 84 分钟缩短到 2 分钟，同时在保障设备运行的前提下，累计释放约 3000 万元库存资金。
这意味着，AI 不再只是“辅助分析”，而是开始直接参与制造经营层面的资源配置决策。
03 当设备维护不再只靠记忆和经验
在设备维护现场，工程师往往并不缺方法，而是相关经验和信息分散在文档、个人记忆和不同系统中，出现设备异常时，处理效率受到很大影响。针对设备运维中信息分散的问题，理想连山在常州基地通过知识图谱整合流程、经验和故障数据，并结合设备运行数据，打造了一个用于设备维护的预测性维护智能体，帮助工程师快速判断问题和设备状态。
随着智能体在设备维护中的持续使用，工程师在现场处理问题时不再完全依赖个人经验，系统给出的建议也逐渐成为日常参考。到目前为止，该能力已覆盖 90% 的关键设备，并沉淀出 30 余种常见维护方案，让设备维护变得更有依据。
AI 开始真正创造可核算的经营价值
理想连山在常州基地的价值不仅体现在技术先进性，其核心意义不只是“解决问题”，而是把原本不可控、不可算的制造波动，转化为可预测、可管理的经营变量。
在常州基地的实际运行过程中，连山围绕设备预测性维护、制造节拍优化以及质量与效率预警等核心场景，持续释放可量化的制造收益。在产线高负荷运行与爬坡阶段，通过预测性维护提前识别设备健康风险，并结合节拍优化精准定位生产瓶颈，累计触发 9 次有效预警，避免 2700 余次潜在停线事件，合计释放约 3000 万元级产能与效率收益。
在非满产运行阶段，连山通过质量与效率智能能力，持续降低质量波动与隐性制造损失。一方面，通过提前预警减少返工、报废与质量索赔，优化质量成本结构；另一方面，通过对工艺与节拍可优化空间的持续分析，提升单位产能产出效率。目前平台已累计释放约亿元级规模的制造经营收益，本质上是在不新增资产投入的情况下，持续放大既有产线的经营产出能力。
更重要的是，这些并非一次性项目效果的收益，而是来源于 AI 持续参与生产决策后的长期经营能力提升。理想常州基地已经从依赖经验调度的工厂，转向以数据驱动产能配置、质量控制与资源投入的科技型制造体系，使经营管理从事后纠偏，演进为过程可控与前置预测。
