本实验探索将大语言模型引入制造现场工单流转环节，验证其在异常工单分类、责任分派与处置建议生成上的可行性。我们以某机加工车间近三个月的1200条历史工单为样本，构建“识别—分类—分派—建议”四步流水线，并与人工处理流程并行对比。
阶段性结果：
- 分类准确率：在设备、质量、物料三类异常上，模型分类准确率约91%，其中质量类边界样本误判偏高，主要混淆于工艺波动与来料不良；
- 建议可用率：由工艺工程师盲评，约68%的处置建议可直接采纳或稍作修改后使用，其余需人工重写。
实验同时暴露两个问题：一是现场口语化描述导致关键信息缺失，需补充结构化表单引导录入；二是模型对车间专有名词（设备编号、模具代号）识别不稳定，已通过检索增强方式注入设备台账予以缓解。
下一步计划：接入工单系统开展小范围灰度试点，重点验证人工复核节点设置与响应时延，目标是将异常工单平均流转时间从约4小时压缩至1小时以内。
评论