车间异常工单AI自动分派的实验探索

在制造现场，异常处置长期依赖人工判断与口头沟通，工单流转慢、责任界定模糊是普遍痛点。本期实验聚焦车间异常工单的自动分派：将设备报警、质检异常、物料短缺等事件接入统一事件流，由大模型完成异常分类、根因初判与责任岗位匹配，经规则校验后自动派发至对应班组，人工仅介入低置信度事件。
本期以某机加车间约1200条历史工单进行两周回放测试：

• 异常分类准确率89%，设备类与质量类识别稳定，物料类因现场描述口语化波动较大；
• 分派环节平均耗时由人工约18分钟缩短至40秒，误派率6%，主要出现在跨班组边界事件。

阶段性结论：大模型在“理解与初判”环节价值明确，但不宜直接替代既有规则体系。下一步将引入人工复核反馈闭环，补充岗位技能画像以优化匹配逻辑，目标将误派率降至3%以下，并在单班次内完成小范围灰度验证。