在离散制造车间，异常工单的分派长期依赖值班班长的人工判断，响应路径不统一，跨班次时易出现处置延误。自动化流程实验室近期开展了一项实验性探索：将大模型与规则引擎结合，对设备报警、质量异常、物料短缺三类工单进行自动分类与分派建议。方法上，先用约四千条历史工单构建标注集，由小规模微调模型完成初分类；规则引擎负责兜底与合规校验，例如涉及安全的异常强制转人工确认。实验已在一家汽车零部件工厂的试点产线运行三周。
要点如下：
- 初步结果：工单自动分类准确率约92%，分派建议采纳率约78%，试点线平均响应时长由23分钟降至9分钟；
- 下一步：扩充多工厂语料以提升跨厂泛化能力，并增加分派理由的可解释输出，便于班长快速复核。
我们对该方法的定位是辅助而非替代：分派建议由系统给出，最终确认权保留在一线人员手中。后续将围绕误分派案例的回流标注机制持续迭代，逐步收敛为可复制的实施路径。
评论