为深入贯彻落实全国先进制造业大会精神，牢牢把握智能化、绿色化、融合化发展方向，纵深推进“人工智能+制造”行动，加快推进新型工业化、培育新质生产力，安徽省工业和信息化厅组织编制《2026年安徽省“AI+制造”典型应用场景案例集》与《2026年安徽省工业大模型工业智能体供给清单》。
两份成果分别遴选50个标杆应用场景、50款优质供给产品，形成场景与供给双向配套的百项工业AI成果体系。
一端聚焦落地场景、一端聚焦技术供给，着力打通供需堵点、明晰转型实施路径，为全省制造业数智跃迁、筑牢实体经济根基提供坚实支撑。
2026年安徽省“AI+制造”
典型应用场景案例集
《2026年安徽省“AI+制造”典型应用场景案例集》坚持以解决企业实际痛点为导向、以创造真实业务价值为核心，筛选收录了50个技术先进、应用成熟、行业代表性强的典型应用场景。全篇采取“重点行业×关键环节”的双维矩阵式编排，集中展现人工智能在提质、降本、增效、安全等方面的实际成效，旨在以明晰场景价值引导规模化应用，以厘清实施路径凝聚行业共识，有效解决企业转型过程中的顾虑。
行业篇
立足我省产业特色，横向聚焦钢铁、有色金属、建材、汽车、高端装备制造、新材料、新一代信息技术、智能家居、新能源及绿色低碳等优势产业，遴选收录了35个具有代表性的典型应用场景。各案例紧扣行业复杂工况与转型痛点，系统呈现了解决方案、实施路径与实际应用成效，旨在帮助不同行业的企业找到与自身产业语境高度契合的参考样板，带动全行业协同升级。
智能视觉全检
让管道生产“看得见、控得住”
——AI视觉检测赋能塑料管道全链条质量管控
一、解决痛点
（一）生产过程存在“黑箱”，导致质量失控
在注塑成型过程中，模具内的熔体流动状态、缺陷形成过程无法实时观测与干预，导致产品质量波动大。
（二）质量管控依靠经验，数字化基础薄弱
质检环节依赖人工目检，精度和一致性不足，工艺参数优化依赖老师傅经验，无法沉淀为可复制的数字化模型。
（三）数据孤岛林立，缺乏智能决策闭环
生产设备参数、过程影像数据与最终质量结果数据彼此孤立，无法有效关联分析与反馈。
二、场景概述
针对塑料管道行业现有痛点，六安中财管道开发了基于AI视觉检测的全链条质量管控系统。通过多光谱视觉技术与卷积神经网络算法，实现了注塑成型过程在线监测和缺陷的智能识别，构建了“检测—优化”闭环控制系统。
三、解决方案：五步实现质量在线可控
（一）超声相控阵在线成像
建立面相控阵信号的三维空间双参数声场传播模型，提出全矩阵数据的声波场的熔体流动前沿成像方法，搭建超声相控阵原位成像的数据采集和高效计算系统。
（二）机械臂联动视觉检测
研究机器视觉检测算法，开发偏振光源与多波段光谱融合的自适应光学系统，建立视觉系统与装备机械手运动的联动机制。
（三）数据驱动工艺参数优化
开发针对关键工艺时段的深度学习提取技术，研究工艺参数梯度的在线估计方法，提出优化步长自适应调整策略。
（四）成形温度与运动控制
建立料筒温度深度学习预测模型，提出强化学习运动轨迹优化模型，发明迭代学习与反馈控制相结合的技术。
（五）研制智能关键装备
开发低耗散远红外定向料筒加热系统，研制配套智能控制器，开发集成深度学习算法的云—边—端计算平台。
四、应用成效：提质、降本、减碳三丰收
（一）产品合格率提升
项目实施后，产品合格率从96.12%提升至99%，年减少质量损失1000万元，保证了质量的稳定。
（二）检测效率翻倍
检测效率提升，减少了产销人员50%的工作量，使得100%全检成为可能，实现了质量控制标准的跃升。
（三）能耗显著降低
注塑单位能耗下降15%。智能控制技术年节电150万度，减少碳排放800吨，大幅减少了生产过程中的能量浪费。
五、实施路径：从实验室到产线层层推进
（一）算法研发
在实验室环境下，采集标注超10万张缺陷样本，完成基础模型的训练与调优，并在单台设备上进行原理性验证。
（二）系统集成
选取一条典型的聚丙烯管道产线进行试点。将超声成像系统等技术与注塑机、机械臂进行联调，验证其稳定有效性。
（三）产线试点验证与系统应用
基于试点产线的运行数据，对算法和系统进行持续优化，并制定标准化部署方案，将该系统复制推广至其他产线。
AI赋能物流监测 构筑工业运输安全防线 ——基于AI的砂浆产业产供销管服生态运营平台 一、解决痛点 （一）安全风险高 疲劳和危险驾驶行为难以实时监控，易引发交通事故。 （二）货物损耗大 运输途中抛洒、偷盗等诸多问题得不到有效监管。 （三）管理效率低 运输轨迹、货物状态等数据分散，难以实现全流程追溯。 （四）监管难度大 政府与企业数据之间缺乏互通，无法掌握运输动态，监管效能不足，企业之间恶性竞争问题突出。 二、场景概述 蚌埠日月仪器研究所的全域物流监测解决方案，通过融合人工智能、大数据、边缘计算与5G技术，为工业运输领域提供了安全、高效、智能的解决方案。该方案目前已成功应用于干混砂浆、危化品运输等高安全要求场景。 三、解决方案：打造全域物流监测方案 （一）多模态感知网络架构 系统采用“边缘端—云端”协同计算架构，在运输装备上部署搭载5G通信模块的智能终端，集成人脸识别、速度检测等功能。通过轻量化YOLOv7模型实现实时故障诊断。 （二）时空预测决策模型 基于大模型架构建立时空注意力网络，融合定位轨迹、速度传感器数据与历史运输记录，实现运输风险预测。 （三）动态知识图谱系统 构建行业知识图谱，采用图像神经网络实现跨环节数据关联分析。当检测到运输偏离既定路线，自动触发动态调度。 （四）联邦学习安全框架 设计基于同态加密的联邦学习机制。各参与方在不共享原始数据前提下，通过模型参数交换实现监管规则优化。 （五）数字孪生仿真平台 建立运输装备的数字孪生体，结合流体力学仿真与AI预测模型，指导清洁作业优化。 四、应用成效：生产、经营、生态三效协同 （一）生产效益 产品合格率提升至99.8%，运输过程监控将物料损耗降低15%；设备综合效率提升18%，订单交付周期缩短40%，生产作业自动化率达85%，经营管理决策效率提升50%。 （二）经营效益 智能调度系统使运输效率提升30%，库存周转率提高25%，中型砂浆生产企业年节约物流成本超百万元。 （三）生态效益 绿色低碳成效突出，通过路径优化算法减少运输里程12%，年降低碳排放约150吨。 五、实施路径：面向智慧运输的全面实施框架 （一）部署车载智能终端 在运输装备上安装集成5G通信等智能监控终端，同步部署边缘计算设备，确保车辆数据的采集与本地预处理。 （二）建设5G通信网络 构建覆盖运输全线路的5G通信网络，保障车载终端与云端平台之间的数据低延迟传输。 （三）开发云端智能平台 搭建集数据存储、分析、可视化于一体的云平台，支持多终端访问，实现对数据的集中监控与智能分析。 （四）对接外部系统与推广应用 打通政府监管系统与企业内部管理系统的数据接口，同步开展操作培训与技术支持，确保系统顺利运行。
皖公网安备 34080302000276号