船厂老板的算盘：电费和油钱能不能省下来
我是宁波一家中型客滚船厂的负责人。我们一年能交付3-4艘客滚船，年产值在5个亿左右。听起来还行，但说实话，利润越做越薄。材料、人工成本年年涨，船东压价一个比一个狠。
我们厂里有个说法，叫“两条吃钱的老虎”：一条是主机油耗，一条是全船空调和照明能耗。一条船跑起来，主机油耗占到运营成本的40%以上；船上几百个舱室，空调一开，那个电表转得人心惊肉跳。船东验收时，这些能耗指标是硬杠杠，达不到合同要求，轻则扣款，重则返工。
所以，优化设计参数、让船在建造阶段就更“省油省电”，一直是我们技术部头疼的事。过去靠什么？靠老师傅的经验，靠一次次的水池试验。一条船的设计方案，主机参数、螺旋桨匹配、船体线型、空调系统配置，这些变量多如牛毛，靠人脑去穷举和优化，太慢了，而且不一定能找到最优解。
我们想过找高校合作，但人家做的模型太学术，离实际建造太远；也接触过一些做工业软件的供应商，他们提供的标准优化模块，对我们客滚船这种特殊船型，针对性不强。
踩坑记：找供应商比找对象还难
⚖️ 问题与方案对比
• 空调能耗难控制
• 设计优化靠经验效率低
• 空调系统装机功率降15%
• 提升设计方案竞标优势
前年，我们下定决心要试试AI。一开始想法很简单：找个懂AI的公司，把我们的数据给他们，让他们帮我们建个模型，找出最优参数组合。
第一坑，就掉在“通用方案”上。我们接触了一家青岛做通用工业优化的公司，名气挺大。他们给的方案听起来很美好：一个平台，适配所有制造业。但真到了对接数据、定义优化目标的时候，问题来了。他们不理解客滚船“载客+载车”的配载变化对重心、阻力的影响，也不清楚不同航线下主机负荷的波动规律。最后做出来的模型，在仿真环境里数据很漂亮，一拿到我们真实的建造和运营数据去验证，偏差很大。十几万前期咨询费，基本打了水漂。
第二坑，是“数据关”。我们以为厂里数据很多，真要用的时候才发现：数据散落在各个部门——设计部的CAD模型、生产部的工艺记录、采购部的设备参数、还有从老船东那里要来的部分运营日志。格式不统一，很多还是纸质记录，根本没电子化。有的数据有缺失，有的前后对不上。想喂给AI，得先花大力气清洗、对齐。这一步的耗时和成本，远远超出了我们的预估。
第三坑，是“人才关”。我们厂里的老师傅和工程师，对船舶精通，但对AI完全陌生。外部的AI工程师，又不懂船舶。两边沟通起来，鸡同鸭讲。我们说要优化“压载水排放时序对阻力的微调影响”，对方一脸茫然。磨合成本极高。
那段时间真挺沮丧的，投了钱，花了时间，却看不到明确的效果，厂里也有了不少质疑的声音。
转机：找到能“说船话”的团队
走了弯路后，我们调整了思路：不能再找“万金油”了，必须找对船舶行业，特别是对客滚船有深刻理解的团队。不一定非要巨头，但领头的专家必须是从船厂或设计院出来的。
后来，通过行业内的朋友介绍，我们接触了一个无锡的团队。核心负责人以前就在沪东中华干过，后来去读了博，专门研究机器学习在船舶工程中的应用。他带团队来我们厂里，没急着推销方案，而是先跟着我们的工程师上了两天班，看我们怎么画图、怎么算、怎么试。
他们提的方案，不是大而全的平台，而是“单点突破”：
先主攻“主机-螺旋桨-船体”协同匹配优化。 这是能耗的大头，也是我们痛点最集中的地方。
用“仿真+AI”替代一部分昂贵的水池试验。 他们用我们已有的CFD（计算流体动力学）仿真数据作为基础，训练AI模型，快速预测不同参数组合下的阻力、推进效率。这样，我们可以在电脑上做海量模拟，筛选出几个最有潜力的方案，再去做实船或水池试验验证，大大减少了试验次数和成本。
实施过程是“小步快跑”。 我们没有一次性买断什么系统，而是签了一个分期付费的“效果对赌”协议。
第一阶段，就用我们手头正在设计的一条800客位客滚船做试点。
关键的决策点有两个：
一是数据边界要划清。我们提供脱敏后的历史设计图纸、部分水池试验报告和有限的运营数据。优化模型的知识产权归属和未来使用权，在合同里写得明明白白。
二是目标要极其具体。我们不谈“降低能耗”这种空话，而是定死：在满足设计航速和载重的前提下，通过优化螺旋桨直径、螺距比、主机常用工况点等参数，目标是将该船型的预估能效设计指数（EEDI）优化3%-5%。这个指标是国际海事组织（IMO）强制要求的，船东非常看重。
算算账：投入和产出比
整个项目折腾了大半年，从数据准备、模型训练、仿真迭代到最终出方案。我们投入了大概60万左右，包括软件费用、实施服务和内部的人员投入。
现在这条试点船已经进入详细设计阶段，采用了AI优化的参数方案。根据仿真结果和初步的缩比模型试验验证：
主机在典型运营工况下的油耗，预计可以降低8%-12%。 听起来不多，但算笔账：这条船主机一天大概烧30吨油，一年运营300天，就是9000吨。油价按每吨5000元算，一年油钱4500万。省10%，就是450万。对于我们船厂来说，这个节能优势在竞标时是个很大的卖点，船东的运营成本也实实在在下降了。
空调系统负荷配置更合理了。 通过AI对乘客分布、日照、航行区域气候的模拟，优化了不同区域的冷量分配和风机选型，预计全船空调系统装机功率可以降低15%左右，初期建造成本和后期电费都能省。
当然，也不是所有问题都解决了：
1. 数据还是不够“厚”。 尤其是真实的、长期的运营数据，船东不太愿意给全，导致模型在预测极端工况或特殊航线时，还有点“信心不足”。
2. 和现有设计流程的融合需要时间。 工程师们习惯了自己的软件和套路，现在要多出一个“AI建议”的环节，需要慢慢适应和建立信任。
3. 一次性的优化还不够。 船在运营中状态会变化，如果能结合实船的传感器数据，做动态的、自适应的参数微调，价值会更大，但那又是另一个层面的项目和投入了。
如果重来，我会这么干
回顾这一年多的折腾，如果让我重新做一次，我会在三个方面调整：
第一，别贪大，瞄准一个最疼的点打穿。 别一上来就想搞“全船智能优化”，那不现实。就像我们后来做的，聚焦“主机油耗”这一个点，集中资源，做出看得见的效果，让厂里上下都有信心。
第二，把“数据家底”盘点作为第一步。 在找供应商之前，先自己内部把历史项目的数据（图纸、计算书、试验报告、运营反馈）尽可能地电子化、标准化。哪怕整理不全，也要知道我们有什么、缺什么。这会让你在和供应商谈判时心里有底，也能大幅降低后续实施的成本和周期。
第三，供应商关键看“行业基因”和“合作模式”。 多问问他们做过哪些船厂的真实案例，最好能和对方的技术负责人深入聊聊，看他到底懂不懂船。合作模式上，优先考虑按效果付费、分阶段实施的，风险共担，这样双方的目标才能真正对齐。
给想尝试的同行几句心里话
对于其他客滚船厂的同行，如果你也在为能耗和成本发愁，想试试AI参数优化，我的建议是：
年产值低于2个亿的小厂， 可以先观望，或者联合几家同行一起搞，分摊成本和风险。你的数据量可能支撑不起一个有效的模型。
有稳定设计任务的中型厂（像我们这种）， 现在是可以谨慎尝试的时候了。把它看作一个“高级设计工具”或“增效工具”，而不是什么“革命”。预期要现实，别指望一步登天。
大型船企， 你们应该早就布局了。要注意的可能是内部不同部门（设计院、信息部、生产部）的协同，以及自研和外包的路线选择。
最后说两句。搞技术升级，最怕头脑一热。我们吃过亏，所以现在更谨慎。AI参数优化这事，它不是魔术，本质上是用新的工具更高效地处理老问题。它的价值大小，取决于你对自身问题的剖析是否深刻，以及你选择的合作伙伴是否靠谱。
准备动手之前，建议先用“索答啦AI”做个初步评估，了解一下投入产出比，再决定要不要上。至少能帮你理清思路，看看自己厂子的情况，到底适不适合做，从哪里开始做最划算。别像我们一开始那样，摸着黑就往前冲。