2026年安徽省“AI 制造”典型应用场景案例——行业篇

　　为深入贯彻落实全国先进制造业大会精神，牢牢把握智能化、绿色化、融合化发展方向，纵深推进“人工智能+制造”行动，加快推进新型工业化、培育新质生产力，安徽省工业和信息化厅组织编制《2026年安徽省“AI+制造”典型应用场景案例集》与《2026年安徽省工业大模型工业智能体供给清单》。
 

　　两份成果分别遴选50个标杆应用场景、50款优质供给产品，形成场景与供给双向配套的百项工业AI成果体系。
 

　　一端聚焦落地场景、一端聚焦技术供给，着力打通供需堵点、明晰转型实施路径，为全省制造业数智跃迁、筑牢实体经济根基提供坚实支撑。
 

　　2026年安徽省“AI+制造”
 

　　典型应用场景案例集
 

　　《2026年安徽省“AI+制造”典型应用场景案例集》坚持以解决企业实际痛点为导向、以创造真实业务价值为核心，筛选收录了50个技术先进、应用成熟、行业代表性强的典型应用场景。全篇采取“重点行业×关键环节”的双维矩阵式编排，集中展现人工智能在提质、降本、增效、安全等方面的实际成效，旨在以明晰场景价值引导规模化应用，以厘清实施路径凝聚行业共识，有效解决企业转型过程中的顾虑。
 

　　行业篇
 

　　立足我省产业特色，横向聚焦钢铁、有色金属、建材、汽车、高端装备制造、新材料、新一代信息技术、智能家居、新能源及绿色低碳等优势产业，遴选收录了35个具有代表性的典型应用场景。各案例紧扣行业复杂工况与转型痛点，系统呈现了解决方案、实施路径与实际应用成效，旨在帮助不同行业的企业找到与自身产业语境高度契合的参考样板，带动全行业协同升级。
 

　　智慧冶炼新突破
 

　　AI驱动铜生产全链提质增效
 

　　——基于工业互联网+人工智能的关键生产指标提升
 

　　一、解决痛点
 

　　(一)热态渣转运过程风险大
 

　　渣包承载1000℃以上高温炉渣，存在烫伤、喷溅、爆炸风险，且单包重量达数十吨，易引发过载倾翻事故。
 

　　(二)电解极板短路检测效率低
 

　　传统检测手段主要依赖人工巡检，劳动强度大、工作效率低、响应滞后、数据记录不完整，难以满足管理需求。
 

　　(三)选矿皮带巡检劳动强度高
 

　　传统的选矿过程依赖人工经验，对于巡检人员的需求更大，急需引入智能巡检系统来减少巡检人员的劳动压力。
 

　　(四)生产管理数据分散难利用
 

　　历史数据分散，新员工培训成本高、故障处理效率低，影响生产稳定性和竞争力。
 

　　二、场景概述
 

　　铜陵有色金属集团股份有限公司金冠铜业分公司按照智能工厂建设规划，以“铜冶炼”工业大模型为核心，依托工业互联网平台，深度融合深度求索、千问等AI大模型技术，分步构建覆盖企业冶炼、电解、选矿生产和AI知识库四大核心场景的智能化决策支持体系。有机整合工业机理模型、实时生产数据与历史经验知识，成功推动行业从“经验驱动”向“数据+知识双驱动”的范式跃迁。
 

　　三、解决方案：“铜冶炼”工业大模型赋能四大关键场景
 

　　(一)电动平车+龙门吊的热态渣智能运输
 

　　采用“上位调度系统—设备控制器—执行层”三级控制架构，以龙门吊与电动平车的协同作业为核心，构建“精准转运—重载吊装—智能缓冷”一体化闭环流程。
 

　　(二)电解短路自动检测
 

　　构建“一库三端”的电解槽故障电极快速检测及综合管理系统，建立涵盖多种设备信息的标准化“故障数据库”。
 

　　(三)选矿输送设备故障诊断
 

　　融合温度、振动等六大类感知技术，获取核心要素的状态信息，实现对皮带输送系统运行状态的实时监测、多维度智能分析与精准预警，有效保障系统高效稳定运行。
 

　　(四)铜冶炼行业知识库
 

　　采用混合存储架构，以关系型数据库管理结构化知识，向量数据库高效处理非结构化文档，支持多端问答和知识追溯，实现知识的高效流转与可控利用。
 

　　四、应用成效：从提速到创效的价值兑现
 

　　(一)提升作业效率
 

　　电动平车+龙门吊的热态渣智能运输使得缓冷时间缩短15%，渣包周转率提高16%，渣包数量减少12.5%。
 

　　(二)降低人力成本
 

　　电解短路检测从人工1.5—3小时缩短至15分钟内，每年因品质降级造成的经济损失减少逾80万元。
 

　　五、实施路径：构建面向生产诊断的数据与模型体系
 

　　(一)信息收集
 

　　利用通义千问大模型等工具对行业大数据进行挖掘、清洗、分析，提取有价值的信息，为预测模型构建提供数据支持。
 

　　(二)平台构建
 

　　平台层统一处理存储，提供知识库、模型推理训练及数据服务接口。现场层对接逻辑控制器、集散控制系统及第三方数据，私有化部署并微调，通过知识推理实现智慧诊断。
 

　　(三)训练优化
 

　　依据不同因素，广泛收集训练素材，引入增量式学习与在线更新机制实时迭代提升算法。
 

　　AI智能运维
 

　　守护关键设备健康全周期
 

　　——水泥生产线关键主机设备预测性维护
 

　　一、解决痛点
 

　　(一)数据感知碎片化
 

　　传感器覆盖不足且数据采集碎片化，关键健康指标缺失，多系统数据孤立。
 

　　(二)故障预测能力不足
 

　　早期故障识别能力弱，传统阈值报警无法捕捉渐进性劣化趋势，严重影响生产连续性。
 

　　(三)诊断依赖专家经验
 

　　维护决策依赖经验，专家经验和历史案例未能有效沉淀为可复用知识，易出现过度维修或响应滞后，导致临时停机。
 

　　(四)人工巡检效率低
 

　　人工巡检路线长、测点多，无法实现连续监测，导致效率低、风险高，存在安全隐患且结果难以量化。
 

　　二、场景概述
 

　　全椒海螺面向水泥制造工业中关键设备故障预测难、非计划停机损失大等痛点，构建起“中心-边缘”架构的智能运维体系。边缘端部署多类传感器实现全面感知，中心平台通过多模态数据融合与自主进化的人工智能模型，实现故障精准诊断与预测，并建立从监测到处置的自动化运维流程。
 

　　三、解决方案：“中心—边缘”协同架构智能运维体系
 

　　(一)创新体系架构
 

　　采用“中心—边缘”协同架构。边缘端部署温振传感器与高频采集站，实现数据就近处理；中心平台部署设备智能运维专项智能体，进行全局智能决策。
 

　　(二)多模态数据融合
 

　　包括智能自适应采集、边缘预处理、边缘轻诊断。采用注意力机制算法，综合分析振动、温度等多源数据，故障识别准确率较单一数据提升40%。
 

　　(三)自主学习进化模型
 

　　创新应用“预训练大模型+强化学习”架构，模型能在运行中持续优化，诊断准确率从初期80%提升至90%以上。
 

　　四、应用成效：质量、效率与成本全面优化
 

　　(一)效率提升
 

　　巡检效率提升50%，维护响应时间缩短至30分钟，实现无人化巡检，消除高危环境的人工安全风险。
 

　　(二)成本降低
 

　　非计划停机时间减少50%以上，维护成本降低20%—30%，保障了生产连续性和稳定性，能够有效保障产品质量。
 

　　(三)准确率提升
 

　　整体故障识别准确率提升至90%以上，实现了从“定期维修”向“精准预测”的转变，延长了设备使用寿命。
 

　　五、实施路径：三层构建逐步落地
 

　　(一)边缘层建设
 

　　针对回转窑、风机、辊压机、斗提机等核心主机设备部署温振一体化传感器与高频数据采集站，完成边缘计算节点安装与网络联调，负责实时采集振动与温度数据。
 

　　(二)平台层部署
 

　　在中心端部署设备智能运维专项智能体，汇聚所有边缘数据，构建多模态数据库，负责进行深度特征分析、复杂故障诊断及劣化趋势预测。
 

　　(三)应用层维护
 

　　通过网页可视化界面与移动应用，为不同用户提供设备健康总览、实时报警、诊断报告和趋势分析等功能，实现故障从发现到处置的闭环管理。