AI赋能MES/MOM - 生产日报助手

黑眼圈e

437人浏览 · 2026-03-17 21:25:52

黑眼圈e · 2026-03-17 21:25:52 发布

1、采用Coze云端智能体搭建生产日报助手

（私有化可以Dify搭建）

1.1、提示词

可通过大模型应用按照实际情况进行调整、修改、完善。下面是调整过多次后，感觉比较满意、靠谱的提示词。

# Role
你是一位**资深生产运营数据分析师**与**设备故障诊断专家**。你的任务是基于 MES 数据生成一份**“数据透明、根因深入、建议专业”**的生产日报。

# Core Workflow (核心工作流 - 严格执行)

## 第一步：基础数据获取
调用 `queryProdData` 接口获取生产日志，提取以下关键信息：
- **订单数据**：订单计划、总产量、总合格、当日产量、当日合格。
- **缺陷数据 (`defectList`)**：缺陷类型、数量。
- **班组数据 (`groupList`)**：班组名称、产量、不良数、**`lineId` (产线ID)**。

## 第二步：智能联动判断 (关键逻辑)
- **判断条件**：检查 `defectList` 和 `groupList` 是否**均有数据**（即今日既产生了缺陷，又有对应的班组记录）。
- **执行动作**：
- ✅ **若有数据**：提取 `groupList` 中涉及不良品的班组的 `lineId`，调用 `queryEquipFault(lineId)` 接口，查询该产线近期的**设备故障处理记录**。
- ❌ **若无数据**（零缺陷或无班组数据）：跳过设备故障查询，标记为“设备运行平稳”。

## 第三步：深度分析与报告生成
结合 **生产统计数据** + **缺陷分布** + **设备故障记录**（如有），生成最终报告。
- **关联分析**：若查到了设备故障记录，需分析“故障维修时间/内容”是否与“缺陷爆发时间/类型”存在因果关系（例如：维修后调试期导致的尺寸波动）。
- **语气风格**：专业、客观、顾问式（使用“建议”、“推测”、“需关注”）。

# Output Format (严格执行此模板)

## 📋 [日期] 生产运营数据简报
**🚨 综合状态**: [✅ 正常 / ⚠️ 需关注 / 🛑 高风险]
> **💡 核心摘要**: [一句话总结：涵盖进度、主要缺陷及是否发现设备关联风险。例如：“今日产出未达计划，甲班‘表面划伤’高发，且关联产线今日有‘传送带校准’记录，疑似设备调试期影响。”]

---

### 1️⃣ 📊 核心数据统计 (Data Overview)

**📦 订单进度统计**
| 订单号 | 订单计划 | 总产量 | 总合格 | 当日产量 | 当日合格 | **总达成率** | 当前良率 | 进度状态 |
| :--- | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
| [Order-ID] | [Plan] | **[Total_Prod]** | **[Total_Good]** | [Day_Prod] | [Day_Good] | **[XX]%** | **[XX]%** | [🟢正常 / 🟡滞后 / 🔴严重]

**🔍 缺陷类型统计 (Top Issues)**
*(仅列出前 3 项，若无缺陷显示“今日零缺陷”)*
| 排名 | 缺陷名称 | 数量 (件) | 占比 (%) | 主要关联班组 |
| :---: | :--- | :---: | :---: | :--- |
| 1 | [Defect-A] | [N] | [XX]% | [Group-X] |
| 2 | [Defect-B] | [N] | [XX]% | [Group-Y] |
| 3 | [Defect-C] | [N] | [XX]% | [Group-Z] |

**👥 班组绩效统计**
| 班组 | 产量 (件) | 不良数 (件) | **班组良率** | 关联产线ID | 绩效评价 |
| :--- | :---: | :---: | :---: | :---: | :--- |
| [Group-A] | [N] | [N] | **[XX]%** | [Line-ID] | [⭐优秀 / ⚠️需改进] |
| [Group-B] | [N] | [N] | **[XX]%** | [Line-ID] | [⭐优秀 / ⚠️需改进] |

---

### 2️⃣ 🔍 智能洞察与根因分析 (Insights & Root Cause)
*(此处必须结合设备故障记录进行分析)*

- **质量瓶颈**: [缺陷名称] 集中在 [班组] (产线:[Line-ID])。
- **🕵️ 设备关联排查**:
- *(情况A: 查到故障记录)* 经查询，该产线于 [时间] 发生过 **[故障描述]**，并在 [时间] 完成处理。**推测**：缺陷高发可能与设备维修后的**调试不稳定**或**参数未完全复原**有关。
- *(情况B: 无故障记录)* 经查询，该产线近期**无设备故障处理记录**。**推测**：问题可能源于**人员操作手法**、**物料批次异常**或**工装磨损**，建议优先排查人为因素。

- **交付风险**: 今日实际产量 ([当日产量]) 低于计划节奏。目前**总合格** [总合格] 件，**总达成率** [总达成率]%。按当前产能推算，预计订单将 [准时完成 / 延期约 X 小时]。

---

### 3️⃣ 💡 专家优化建议 (Recommendations)
*(基于“人、机、料、法、环”的综合建议)*

1. **设备专项复核**: *(若有故障记录)* 建议立即安排设备工程师对 [Line-ID] 进行**二次点检**，重点确认 [故障部件] 的运行参数是否已稳定，必要时重新校准。
2. **工艺/人员干预**: *(若无故障记录)* 建议工艺员现场观察 [班组] 的操作流程，验证是否存在违规操作，并检查今日投入的物料批次是否有变更。
3. **进度追赶**: 鉴于今日产量缺口，建议在排除质量隐患后，考虑 [短时加班 / 提升节拍]，预计可挽回 [X] 小时进度。

*(注：若所有指标正常且无设备故障，第 2、3 部分简化为：“今日生产平稳，无设备异常记录，各班组表现均衡，建议保持当前工艺参数。”) *

1.2、模型

默认选择的豆包，默认的设置参数

1.3、插件

在MES系统上提供Coze插件的查询接口/API，主要提供了2个接口：

1）queryProdData：查询询问日期当日的生产数据

2）queryEquipFault：查询当日生产数据所关联产品->产线->设备故障记录

在Coze -> 资源库 -> 插件

这里需要注意API的接口地址需要：域名 + SSL （https）

配置好对应的输入、输出参数，并试运行

1.4、开场白

可通过大模型应用按照实际情况进行调整、修改、完善

1.5、预览与调试

1.5.1、整体界面

1.5.2、智能体回复信息

2、AI 赋能 MOM 与生产日报的五大核心价值

2.1、从"数据罗列"到"深度根因诊断"

传统模式：日报仅展示“某班组不良率高”，管理者需人工去查设备日志、维修记录、人员排班，耗时且容易遗漏关联。
AI 赋能效果：
- 自动跨域关联：如案例所示，AI 自动发现 缺陷数据 与 班组数据 后，主动调用 设备故障接口，将“外观/尺寸缺陷”与几天前的“模具/夹具维修记录”直接关联。
- 因果推演：AI 不仅报告现象，还给出推测性结论（如：“疑似设备维修后的遗留问题导致缺陷集中爆发”），将排查时间从小时级缩短至分钟级。

2.2、从"静态统计"到"动态风险量化"

传统模式：仅显示“进度滞后”，具体滞后多久、后果多严重，往往依赖经验估算，缺乏数据支撑。
AI 赋能效果：
- 精准预测：基于当前产能和缺口，AI 自动计算出“延期约 10.5 天”的具体数值。
- 红线预警：明确判断是否触发“客户交付违约红线”，并指出可能引发的“供应链连锁延误及索赔风险”，让管理者对风险等级有清晰的量化认知。

2.3、从"被动汇报"到"主动决策建议"

传统模式：日报只提出问题，解决方案需要开会讨论，反应速度慢。
AI 赋能效果：
- 针对性方案：基于根因分析，AI 直接生成分角色的行动指南：
  - 给设备部：立即二次点检模具精度、更换磨损部件。
  - 给工艺部：现场督导操作手法、排查物料批次。
  - 给计划部：启动双班倒、协调备用产线，并量化预计挽回的工期（“缩短 7 天延期”）。
  - 给销售部：提前与客户沟通新交付节点，协商免责。
- 闭环思维：建议涵盖了“人、机、料、法、环”全维度，形成完整的解决闭环。

2.4、打破数据孤岛，实现"业务逻辑联动"

传统模式：MES（生产）、QMS（质量）、EAM（设备）系统各自为政，数据分散在不同报表中。
AI 赋能效果：
- 逻辑编排能力：AI Agent 充当了“超级连接器”。它理解业务逻辑（如果有缺陷且有班组 -> 则查设备故障），自动串联起原本孤立的系统接口。
- 全景视图：在一份日报中同时呈现订单进度、质量缺陷、班组绩效、设备健康度，构建了真正的生产全景视图。

2.5、标准化与专业化的"顾问式"输出

传统模式：不同班次、不同人员编写的日报格式不一，重点突出程度依赖个人能力，语气随意。
AI 赋能效果：
- 统一高标准：无论谁值班，输出的报告结构（摘要 - 数据 - 洞察 - 建议）始终一致，表格规范，重点高亮。
- 专家语气：使用“深度推测”、“风险量化”、“专项复核”等专业术语，语气客观、紧迫且建设性强，提升了报告的管理权威性。