AI工业落地66：漏备一个件停工8小时？AI预警早做好了

库房内一排昂贵的轴承闲置了两年，清点时还得重新涂抹防锈油；而另一侧，核心设备突然宕机，偏偏缺少一个伺服电机，紧急订货最快也要 7 天。

这两种情况，做设备管理的人多半都经历过。

备件库管理最棘手的，不是采购量多少，而是既不积压物资，也不短缺配件。本文分享一个更务实的方案，借助 ERP 历史工单的领用数据，结合设备寿命预测模型，让 AI 预判下月轴承、伺服电机等高价值备件的需用量，并自动推算安全库存与建议采购点。

项目代号为spare-parts-optimizer，开源链接放在这，github。com/superwise-ai/Manufacturing_AI

吃过这种亏的人都明白，备件绝非普通存货。

常规物料多囤点，顶多占用资金；核心备件少备一个，或许就会导致整条产线停工半天。特别是高价值轴承、伺服电机、变频器等，单价昂贵，占据库容，且常面临型号替换、采购周期长、进口交期不稳等麻烦。

然而许多人搞错了重点。

他们一开始就纠结，安全库存设多少才妥当。

实际上在此之前还有两个核心问题没理清。

其一是下个月大概会用掉多少。

其二是消耗会不会扎堆爆发。

若这两个没算明白，安全库存纯属凭感觉。估得保守，库房成了展览馆；估得冒进，设备宕机时全员只能盯着电话催厂商。那种窘境，着实难堪。

优秀的备件库存，并非越精简越好，而是该储备的物料恰好有，该流转的资金别被锁死。

我的思路是将备件库存分三层来测算。

第一层，分析 ERP 工单领用历史。

例如过往 24 个月，某款轴承在哪些设备上申领过，领用频率怎样，每次取了多少，是否常出现在检修期，是否与故障工单挂钩。这里有个核心步骤，别只看库房出库单，务必把工单号、设备编号、故障类型一并提取。

否则你会将计划检修的消耗与突发故障的消耗混为一谈。

建议今日就完成第一步，把 ERP 近两年的备件领用明细导出，至少留存这些字段，备件编码、设备编号、工单类型、领用数量、领用日期、供应商交期。字段不全无妨，先运行起来。

第二层，参考机器寿命预测曲线。

轴承和伺服电机不会无故损坏。轴承与运行时长、震动、温升、负载起伏相关；伺服电机与启停频次、负载率、报警日志、驱动器状态相关。

此处别把 AI 想得过于高深。

它做的事更像一位极具耐心的老设备员，把历史工单、点检记录、运行时长、报警次数综合考量，进而判定某类设备下月步入高风险区间的几率。

有个易被忽视的小诀窍，寿命曲线未必非得精准到哪天坏。对库存而言，只要能预判未来 30 天、60 天的风险级别，便已足够。

譬如某产线 12 台电机中，有 3 台步入高负载高报警区间，那下月伺服电机的建议备货量就不可仅按以往平均消耗量计算。

第三层，自动推算安全库存与采购点。

拆解来看实则并不繁杂。

AI 先预估下月消耗量，再综合采购提前期、消耗波动、关键等级，给出一个建议值。高价值轴承或许建议留存 2 套安全库存，采购点定在 3 套；伺服电机若交期 21 天，且对应设备停机代价大，采购点就需提前。

但我得先提个醒，此步骤并无捷径可言。

难点不在公式，而在参数校准。供应商称 14 天送达，实际常拖至 25 天；ERP 里同一轴承或许有三种叫法；维修班组偶尔先领料后补单。这些脏数据不清除，模型算得再精妙也会崩盘。

库存优化并非取代人工，而是将那些反复拍脑袋的环节，转化为可溯源、可复盘的决策。

多数人卡在此处，并非不懂算法，而是业务口径未对齐。

库房看重库存金额，设备部在意停机风险，采购关注交期与价格，财务在意呆滞料。四方皆有理，可若系统仅依单一指标优化，势必有人不满。

我通常建议将备件划分为三类。

A 类，高价值且停机影响大的备件，如关键轴承、伺服电机，AI 重点预测，采购点前置

B 类，中等价值、可替代性强的备件，依历史消耗加波动系数管控

C 类，低价值通用件，别搞复杂模型，用最低库存线即可

分类别贪全。先让 A 类跑通，尤其是金额高、交期长、停机损失大的 20 个备件编码。你将很快见效，至少库房会议不会再仅凭一句「感觉下月得多备点」。

顺着上述逻辑再聊聊，安全库存也别仅盯数量。

同样是 2 套库存，一个是 3 天能到货的国产轴承，一个是 45 天交期的进口伺服电机，风险截然不同。这里需将交期不确定性纳入考量，哪怕仅用供应商过去 12 次交货的最长耗时、平均耗时、延迟次数做个粗略评分，也胜过凭空猜测。

若你此刻想试用spare-parts-optimizer，建议别一上来就接入全厂数据。

不必面面俱到，先让首个跑通。

挑选一条核心产线，选出 20 到 50 个高价值备件，把 ERP 领用履历、设备运行时长、故障工单、供应商交期梳理好。先让模型给出下月预测消耗量，再让设备、库房、采购三方共同审视建议安全库存。

起初不准很正常。

实话说，此类项目真正耗时之处，往往在于对齐备件编码，补齐历史工单，将「老师傅觉得快坏了」这类经验转为可记录的字段。急不得，这事儿得细细磨。

但只要跑通一月，即可着手复盘。

预测某型号轴承需耗 4 套，实际用了 3 套，缘由何在。是计划检修提前了，还是设备状态误判了，亦或领用未登记至对应工单。如此调整两三轮，采购点会愈发稳健。

别奢求一开始就预测得神乎其技，先让库存决策从凭感觉变成有账可查。

最后给个极简启动步骤。

今晚就去 ERP 导出一张表，筛选出过去一年金额最高、领用最频、交期最长的 20 个备件编码。把它们放进spare-parts-optimizer的测试清单中。

先别开大会，先把那 20 个备件理清楚。

大家好，欢迎大家点赞关注~