省去找资料的时间
过去要在多个系统间往返收集的资料，AI 一次取回。
主要优势
凭预测而非直觉做判断
基于累积的生产 · 设备数据，提前告知下一步结果。
获得系统所没有的分析
AI 汇总并核查分散在多个系统中的数据，提供现有系统无法提供的分析。
结果依据，一查到底
每一步读取了哪些资料、执行了什么，全程留痕。
功能
交办、预测、管控
01
用自然语言交办
用平常的话提出请求，AI 即可理解要做什么，并记住之前的对话接续处理。
02
多步骤业务也能完成到底
查询、计算、起草，AI 按顺序处理。中途受阻时会换一条路径重试。
03
直接连接现有系统
无需改动 MES · ERP · 邮件 · 内部 DB，即可连接供 AI 使用。只执行获准的功能。
04
用数据预测下一步
导入累积的生产 · 设备数据，自动清理缺失值与异常值，找出对结果影响最大的因素，不断提升预测精度。
05
查看 AI 的工作过程
每一步查询了什么、使用了哪些功能都有记录，结果是否正确也以分数呈现。
06
规定谁能看什么
按人划分可查看的数据，敏感数值予以隐藏。重要操作须经审批，所有记录完整留存。
画面
查看 AI 工作的画面
画面 1 · 预约时间、3 项重复任务、待审阅结果、审批
到点自动执行
在每天 · 每周设定的时间，AI 生成生产实绩报告、库存盘点、交期回复草稿。人只需审阅汇总结果并审批。
- 定时执行
- 汇总查看结果
- 人工批准
画面 2 · 模型列表、评估指标、实测值与预测值趋势
预测模型评估
将基于累积数据构建的模型与实际值叠加，查看预测准确度。只有表现良好的模型才用于现场。
- 模型比较
- 实测 · 预测叠加查看
- 验证后应用
画面 3 · 当前工艺值、实测质量与预测质量、投料量建议
AI 设备控制
AI 预判下一批次的质量，建议原料投料量与运行条件。从验证完成的范围开始自动应用。
- 质量预测
- 投料量建议
- 自动驾驶 · 手动模式
画面 4 · 各设备健康分、分时段正常 · 注意 · 危险
AI 预测性维护
以颜色按时段显示每台设备偏离正常的程度。颜色越深的设备越优先检修。
- 健康分
- 时段热力图
- 检修优先级
使用案例
先从这些工作交办
生产报告
生产主管以前一日工单与实绩为准申请报告，AI 整理计划偏差并生成报告草稿。
交期回复
销售团队依据沟通记录和出货计划准备答复。AI 汇总 ERP · CRM 资料撰写回复草稿。
设备检查
设备团队查看温度 · 振动发生变化的区间，将 Analyze 结果与维修记录并列对照，选定检修对象。
AI 资产运营
IT 团队将业务所用数据与连接功能登记到 Catalog，规定谁可使用，并接入 AI 业务。
应用案例
在制造现场，AI 已在工作
食品制造 · 饮料
AI 按批次重新调整配方
- 课题
- 即使按同一配方投料，原料状态每批不同，最终储罐的质量指标波动不定。投料量修正全凭熟练工的经验。
- 方法
- 将原料投料计数、设定与实际投料速度、水流量、加热器温度、下游负载信号按 1 分钟对齐，并与工单、储罐、品目信息合并。不是一条产线一个模型，而是按产线、储罐、品目分别训练，并以同一标准比较多个 AI 模型，只采用通过验证的模型。输入目标质量，即可计算出 3 组投料量与运行条件候选方案。
- 变化之处
- 作业人员画面上显示下一批次投料修正值建议。从建议起步，验证完成的范围逐步转为自动应用。
食品制造 · 饮料
设备停机前发出预警
- 课题
- 核心设备一旦无预警停机，生产计划与质量随之崩溃。维修总是在故障发生后才开始。
- 方法
- 接入振动 · 电流 · 温度传感器，进行双重监控。基于正常运行数据设定各传感器的上下限，即时捕捉明显风险；AI 学习正常模式，捕捉随时间逐渐偏离的征兆。区分警告与危险标准，并在现场持续校准误报与漏报。
- 变化之处
- 从故障后维修转向依据征兆的计划性维护。借助仪表板与提醒，维修人员抢先行动。
二次电池材料
海量过滤器组合，AI 精选 3 种
- 课题
- 每个客户的使用条件不同，负责人只能逐一尝试大量过滤器组合，并手工计算尺寸和数量。
- 方法
- 输入客户的使用条件，AI 即推荐 3 种过滤器组合方案，并按所需尺寸自动计算规格与数量，同时预测各组合性能开始下降的时间点。
- 变化之处
- 查找组合与计算的工作量减少到 1/10。销售与技术人员依据同一依据即时提案。
全球消费品 · 海外工厂
以与总部相同的标准捕捉海外工序异常
- 课题
- 远离总部的海外工厂，异常响应速度取决于当地人员的经验。
- 方法
- 通过 SCADA 与 LINKER 实时采集胶囊工序设备数据，检测超出标准的模式并发送报警。
- 变化之处
- 以与国内相同的标准检测工序异常，当地与总部看到同一画面。
大型家电制造
以一个模型统一外观检验判定
- 课题
- 装配线外观检验因检验员而判定不一，也难以追溯不良来自哪道工序。
- 方法
- 收集正常 · 不良图像并标注，不足的不良样本以虚拟缺陷图像补充，训练检测模型。判定结果作为履历保存，并与工序记录关联。
- 变化之处
- 判定标准统一。可即时找到发生不良的产线与时段。
研磨材料制造
用相机测量无法触及的火花温度
- 课题
- 研磨工序的火花表面无法用接触式传感器测量，温度管理全凭目测。
- 方法
- AI 在工序影像中识别并跟踪火花区域，推算并记录表面温度。
- 变化之处
- 温度以数值留存，可与工艺条件和质量一并对比。
应用场景
产品组合越多，可交办的工作越多
需要时逐个增加产品，就这样逐步扩展。
- MES 查询 MES 实绩。
- Orchestrator 撰写生产报告草稿。
- TEAMS 负责人在 TEAMS 中共享。
- LINKER 汇集设备数据。
- Analyze 模型分析异常区间。
- Orchestrator 整理检查项目。
- Catalog 登记要训练的数据与功能。
- Analyze 构建并验证预测模型。
- Orchestrator AI 调用模型用于业务。
部署环境
内部服务器、云端、隔离网络，按数据所在位置灵活部署。
现有系统联动
将 ERP · MES · CRM 的查询 · 处理功能接入 AI 业务。
开放标准
以标准连接方式（MCP）连接企业功能，即使更换系统，AI 照常可用。
业务画面
使用 RxControls，轻松实现展示与处理 AI 数据的画面。
FAQ
常见问题
数据会流向外部 AI 服务吗？
可以自由选择。既可以连接 ChatGPT · Claude · Gemini 等外部 AI，也可以仅使用部署在公司 PC 或内部服务器上的 AI 运行。采用内部部署时，数据不会离开公司，也可部署在断网的隔离网络环境中。
使用哪种 AI 模型（LLM）？
从 ChatGPT · Claude · Gemini 和本地部署 AI 中选择适合业务的模型。模型、提示词、连接功能、任务计划设置均在一个画面中修改并即时生效。
需要更换现有的 MES 或 ERP 吗？
不需要。通过标准连接方式（MCP）和面向现有系统的连接器直接对接。设备数据通过 LINKER SERVER 实时联动。
技术上是如何实现的？
由对话（Assistant）、业务执行（Orchestrate）、系统连接（MCP）、预测（Analyze）、质量评测（Monitor）、权限 · 审计（Governance）6 个模块组成。
是否使用开源？
不是。Wavegram 自 2020 年起专注于 AI 视觉与 AI 产品线的研发。我们完全基于自主技术开发，因此能够针对任何客户特有的流程进行优化。
如何将 AI 数据放进自有业务画面？
使用 RxControls，即可轻松实现展示与处理 AI 数据的业务画面。
如何开始导入？
先用 4~6 周以一项核心业务验证，再用 4~5 个月基于真实数据建设，随后推广至全公司。