老师傅退休那晚，小五金厂差点停掉整条产线：一台AI诊断大模型把三十年的维修经验留了下来
东莞小五金厂面临老师傅退休危机，引入AI诊断大模型后，三个月将非计划停机砍七成，把三十七年维修经验沉淀为可查可问的知识库，为中小制造企业AI落地提供可复制路径。
2025年3月的一个凌晨两点，东莞长安镇一家做精密五金冲压件的小厂，冲压车间主任老周被电话惊醒。厂里一台用了十二年的200吨冲床突然卡死，操作工围着机器转了三圈，愣是没敢动手拆。老周赶到车间时，额头上的汗一半是急的，一半是气的——再过两个月，厂里唯一能把这台"老古董"修好的老师傅就要退休。
这家厂不大，年产值四千多万，员工八十来人，专接汽车配件和3C结构件订单。设备台账上写着二十七台冲床、十五台数控车床、八台铣床，但真正能让这些机器"起死回生"的，只有三个人。其中最核心的张师傅，在这行干了三十七年，闭着眼睛都能听出冲床轴承的磨损程度。可他的笔记本上记满了只有他自己看得懂的符号，厂里其他人想学，往往只能跟在后面打下手。
那次半夜抢修，张师傅花了四个小时才找到问题：冲床曲轴瓦间隙因长期微振磨损超标，导致连杆卡滞。修好之后，老周坐在车间门口的塑料凳上抽了根烟，心里清楚这事没完——老师傅一走，这类故障下次再来，厂子很可能直接停摆。
老周不是没考虑过设备管理系统。2024年他就接触过两家做设备运维的平台，报价一套二三十万，还要在每台设备上加装传感器、网关，再配一个专职IT人员驻场对接。对于年利润也就两百多万的小厂来说，这笔账算下来，回本周期太长，风险也太高。
更现实的问题是，小厂设备品牌杂、年份老、工况差。有的冲床是2008年的，数控系统是2012年的，传感器接口都不统一。大平台的"标准化方案"到了现场，经常要改数据采集逻辑、调告警阈值，折腾两三个月，操作人员还没用起来，项目就半死不活了。
老周真正想要的，不是一张花花绿绿的数据大屏，而是能把张师傅脑子里的经验"扣出来"，让年轻操作工遇到故障时，知道先查哪、后拆哪、换什么件。这件事听起来简单，做起来却最难——因为老师傅的经验是碎片化的、场景化的，甚至带点"手感"的。
2025年5月，老周通过行业协会了解到一种基于大模型的设备故障诊断方案。它不是传统意义上的"设备管理系统"，而是把老师傅的维修记录、故障描述、更换备件、现场照片，甚至语音讲解，全部喂给一个专门训练过的工业诊断大模型。模型学习之后，能根据设备异常现象、运行参数、历史故障，给出维修建议和排查步骤。
老周算了笔账：这个方案不需要更换现有设备，只需要在关键冲床和数控车床上加装少量振动和电流传感器，数据通过边缘网关上传到云端模型；整体投入不到八万元，比他之前咨询的大平台便宜近七成。更重要的是，它承诺能把张师傅的维修经验沉淀成可查询、可复用的知识。
双方用了两周时间做数据准备。张师傅把三本手写维修笔记交给项目团队，厂里又调出近五年的设备维修工单、备件更换记录、停机原因说明。项目团队用这些资料构建了一个"五金冲压设备故障知识库"，把每一种故障现象、可能原因、排查顺序、更换备件都结构化。
模型训练花了十天。期间最让老周意外的是，项目团队把张师傅随口说的"这台冲床每次响得像拖拉机，基本都是导轨缺油""数控车床主轴报警，先看冷却液流量"这类口头经验，也整理进了知识库。这些过去被认为"没法写进系统"的判断逻辑，恰恰是老师傅最值钱的部分。
2025年6月，AI诊断大模型正式上线。厂里没有增加专职人员，操作工和维修工通过一个微信小程序或车间里的平板终端，就能向模型提问。
实际用起来，流程很简单：设备出现异常，操作工在终端上选择设备编号，输入现象——比如"冲床下行时异响，伴随轻微震动"——模型会返回一组可能的故障原因，按概率排序。排在第一位的通常是"曲轴轴承磨损"或"导轨润滑不足"，同时附带排查步骤：第一步听声音位置，第二步测振动值，第三步检查润滑油位，第四步确认是否需要停机更换。
每个步骤下面还挂着历史案例："2024年8月，3号冲床出现类似现象，最终原因是导轨缺油，加注润滑后恢复。"这就像有一个老师傅站在旁边，告诉你"我上次碰到这种情况是这么处理的"。
更实用的是，模型还能根据设备的运行数据主动预警。7月中旬，系统提示5号数控车床的主轴电流波动异常，建议一周内安排检查。维修工按提示拆检，发现主轴轴承已经轻微剥落，如果再晚一周，很可能导致主轴卡死。那次提前更换，只花了两千多元；而如果等到主轴彻底损坏，维修费用至少八万，还要停机三天。
到2025年9月底，这套AI诊断大模型在厂里跑了三个多月。老周拿出了一份他自己都没想到会这么好看的数据：
最让老周欣慰的是，9月底张师傅正式退休那天，车间里一台数控车床刚好报警。年轻的维修工小李打开终端，输入现象，模型给出排查步骤，小李按部就班地检查、更换了一个电磁阀，半个小时后机器恢复运行。张师傅站在旁边看完全程，临走时说了一句："行，这东西比我想象中靠谱。"
复盘这三个月，老周觉得有三个关键点，缺一不可。
第一，老师傅的经验必须被"翻译"成机器能懂的语言。不是简单拍照存档，而是要把"异响""震动""发热"这些模糊描述，和设备编号、运行参数、维修动作对应起来。这个过程需要老师傅配合，也需要懂设备的人做中间翻译。
第二，不能贪大求全。厂里一开始也想把所有设备都接入系统，后来只选了十二台关键设备——这些设备一旦停机，直接影响交付。先让这部分设备跑起来，形成信任，再逐步扩展。
第三，现场的人要愿意用。模型再聪明，操作工不信、维修工不用，也是摆设。老周的做法是让张师傅带着小李一起用了两周，每次模型给出的建议，老师傅先验证一遍，对的就表扬，错的就反馈给项目团队调优。两周后，小李们开始主动用，因为他们发现这工具真能省时间。
很多人觉得AI大模型是互联网大厂和头部制造企业的玩具，小厂用不起、用不上。但老周这个五金厂的实践说明，只要把场景切得够小、数据准备得够扎实、老师傅的经验沉淀得够彻底，小厂完全可以用极低的成本，解决一个具体的、高痛的、过去只能靠"人"来解决的问题。
设备诊断大模型不是替代老师傅，而是把老师傅从"必须到场"变成"随时在线"。它让一个80人的小厂，在核心维修经验上，有了不输大厂的"记忆能力"和"推理能力"。
对于正在面临老师傅退休、设备老化、订单交期压力的小制造企业来说，这可能是最务实的一条AI落地路径——不追概念，不堆大屏，只解决一个问题：机器坏了，有人能修，而且修得对。