汽车零部件工厂的设备数字化，最容易走偏的起点是“先把所有设备都录进去”。台账可以很快做大，但如果关键设备没有被优先记录，巡检、维修和 AI 分析就很难形成连续证据。
更可行的做法，是先选出一小批值得试点的设备：它们一旦停机就会影响交付或安全，故障记录有一定积累，现场资料能够取得，而且维修判断明显依赖少数熟练人员。第一批设备选得对，比一开始覆盖全厂更重要。
先回答一个问题：哪台设备最值得先管
“关键设备”不等于采购价格最高的设备，也不一定是车间里数量最多的设备。它应该和企业真正关心的后果相连：停机会不会打断订单交付，故障会不会造成批量质量风险，维修是否需要长时间等待外部人员，历史上是否出现过反复返修。
可以把设备初筛分成四个维度，每项用低、中、高三级记录，不必一开始就追求复杂模型：
- 停机影响：停机是否会直接影响关键工序、交付节奏、人员安全或质量放行。
- 故障重复：是否有重复故障、返修、长时间维修或同类问题反复发生。
- 资料可得：设备身份、型号、手册、巡检结果和历史维修记录是否能够取得并关联。
- 经验依赖：是否高度依赖某位老师傅判断，换班或人员离开后是否容易出现排查断层。
四个维度怎样变成一张试点清单
先不要给每个维度设置看似精确的权重。设备负责人可以在表格中增加“事实依据”和“建议动作”两列，把判断写清楚。例如，某台加工中心过去半年发生过三次同类主轴异常，平均维修时间较长，且有完整手册和维修记录，那么它适合进入首批试点；另一台设备虽然价格高，但运行稳定、资料缺失且没有明确的停机后果，可以先列为后续对象。
| 筛选项 | 要记录的事实 | 进入试点的信号 |
|---|---|---|
| 停机影响 | 影响哪道工序、订单或安全要求 | 停机后需要跨班组协调或影响交付 |
| 故障重复 | 故障类型、次数、维修时长和返修情况 | 同类故障持续出现，处理方案不稳定 |
| 资料可得 | 台账、手册、巡检和历史维修资料 | 能形成最小可用的设备档案 |
| 经验依赖 | 谁能判断、谁能处理、交接是否顺畅 | 判断集中在少数人，存在传承风险 |
首批设备至少要形成哪些记录
试点的目标不是马上做出复杂看板，而是让一台设备的身份、状态、异常和处理过程能够互相对得上。建议先补齐以下最小记录：
- 设备身份：设备编号、型号、分类、所在区域、负责人和关联工序。
- 健康与维护：运行状态、维护周期、维护日志、关键照片和必要的备件信息。
- 巡点检结果：检查项、现场照片、异常描述、复核结果和完成时间。
- 故障维修过程：故障现象、报修时间、排查过程、处理方案、维修时长和最终结果。
- 资料与经验：设备手册、已验证的知识卡和可以复用的历史案例。
记录字段要服务于下一次行动。比如“声音异常”还不够，应尽量补充发生阶段、部位、负载变化、现场照片和最后采取的处理方式。资料不完整时，标记缺口比用猜测填满更可靠。
用 30 天验证试点是否值得继续
首批设备确定后，可以用一个月做小范围验证。第一周完成设备身份、手册和历史记录整理；第二周开始按统一检查项执行巡点检；第三周观察异常如何转成报修和维修任务；第四周复盘重复故障、维修时长、记录完整度和班组使用负担。
复盘时关注四个问题：
- 现场人员是否能在不重复录入的情况下完成记录。
- 异常是否能找到负责人、处理动作和关闭结果。
- 同类故障是否因为历史案例可查而减少重复排查。
- 哪些字段长期缺失，缺失原因是流程问题、权限问题还是资料本身不存在。
如果设备记录越来越完整，但没有人根据记录安排复核和维修，说明问题不在工具数量，而在管理动作没有接上。试点应先修正流程，再扩大设备范围。
AI 老师傅在试点中承担什么角色
AI 老师傅可以把设备台账、公开二维码、智能巡点检、故障维修、手册、知识卡和设备专属 AI 问答放在同一条运维链路中。现场人员可以围绕具体设备查看历史记录、提交语音或图片信息，维修人员可以参考已有案例和资料，管理者则能按设备和故障情况复盘优先级。
这里的重点是上下文连续，而不是把 AI 当成脱离现场的万能诊断器。AI 给出的建议仍需结合手册、历史数据和现场观察复核；实时运行指标接入、传感器方案和预测模型是否适合某台设备，要按项目接口、数据质量和样本情况单独评估。
从一台设备开始，才能知道下一批怎么选
汽车零部件工厂的设备数字化，不需要先证明“全厂都能做”。先选一台停机后果明确、资料相对完整、维修经验依赖明显的设备，建立身份、巡检、故障和处理结果之间的关联，再用 30 天结果决定是否扩展到同类设备。
真正值得优先管理的设备，是那些每一次记录都能改变下一步行动的设备。从这样的对象开始，数字化才会从资料录入变成运维能力。
分享给需要的同事
长按保存海报并发送；对方在微信中长按识别二维码，即可阅读全文。