AI 辅助的工业尽职调查：将工厂数据转化为价格、保护措施与百日计划

1. 从交易决策出发

工业数据室可能包含数百万条记录，却仍使投资委员会无法回答核心问题。有用的起点是一张决策地图：哪些假设驱动价值，哪些风险可能损害现金，哪些事实影响交割完成，以及控制权转移后哪些行动需要资金支持。数据请求随后遵循该决策地图。

通常由五个问题来组织这项工作。第一，工厂能否按既定速率将订单转化为符合要求的产品？第二，当前生产背后存在怎样的物理状况和维护负担？第三，哪些成本、能源和良率假设支撑可持续的利润率？第四，哪些负债、现金需求和资本项目应影响价格或合同保护？第五，买方在最初100天内必须做什么，以保障连续性并验证价值论点？

AI 在帮助团队将庞大且异构的证据集联系起来时很有用。它可以识别重复报警序列、对工单文本进行分类、检测异常的周期时间分布、对齐文档、对故障模式进行聚类并测试运营情景。NIST 的 2026 年智能制造路线图描述了工业大数据的复杂性、异构传感与控制系统，以及对可信、可解释且可靠运行的需求。[1] 这些特征使工业尽职调查成为一个受控的分析问题，而非通用的自动化练习。

尽职调查章程应列明每项决策、证据负责人、源系统、测试、审核人和截止日期。它还应说明该分析无法确定什么。模型可以检测振动特征与计划外停机之间的相关性。工程检查必须确定其物理原因。工单分类器可以识别反复发生的轴承故障。采购和维护证据必须确定零件、技能和停机窗口是否可用。吞吐量预测只有在与可销售产出、客户需求和现金相协调后，才能支持估值。

每项决策都需要可追溯的运营、工程和财务证据。

2. 界定工厂和数据边界

法律实体很少是合适的分析边界。生产可能依赖租赁设备、供应商拥有的工装、共用公用设施、第三方仓库、合同制造商、集团信息系统以及在别处雇用的人员。边界应沿着产品和现金流，从客户订单贯穿计划、物料、转化、测试、发运、开票和收款。

资产边界应识别生产线、单元、公用设施、建筑物、实验室、工装、移动设备、仓库和环境控制系统。每项重要资产都需要稳定的标识符、位置、所有者、制造商、型号、投产日期、额定产能、当前用途、关键性和来源记录。ISO 55001:2024 将决策、价值、数据和信息、知识以及生命周期管理纳入资产管理体系。[3] 该结构对尽职调查有用，因为它将资产事实与组织目标和风险联系起来。

系统边界应涵盖运营技术和企业技术。典型来源包括可编程逻辑控制器、监控与数据采集系统、分布式控制系统、历史数据库、制造执行系统、实验室系统、计算机化维护管理系统、企业资源计划系统、质量系统、电能表、仓库系统和电子表格。NIST 将运营技术广义定义为与物理环境交互的可编程系统和设备，并指出其独特的性能、可靠性和安全要求。[7]

访问设计很重要。买方应通过与卖方、网络安全顾问和工厂管理层商定的受控路径请求数据提取。对生产系统进行实时查询可能带来可用性和安全风险。只读导出、有记录的查询窗口、洁净室分析和卖方监督下的验证可能是合适的。团队应记录访问限制和缺口，因为缺失的来源可能改变对某项发现的信心。

表1. 工业尽职调查边界及决策用途

该范围以生产和现金为依据，而不仅仅是法人实体架构。

3. 先构建证据图谱，再构建模型

工业系统常常以不同方式描述同一事件。一个生产订单在企业系统中可能有一个编号，在制造系统中可能有另一个编号，而在历史数据库中没有直接键值。一台机器可能通过资产标签、产线别名、控制器地址和维护代码来识别。质量记录可能指向一个跨越多次机器运行的批次。证据图谱可厘清这些关系。

该图谱有四个组织维度：身份、时间、状态和数量。身份关联工厂、产线、机器、工具、产品、订单、批次、物料、工单、操作员角色和财务账户。时间建立共同的时间顺序，包括时区、夏令时处理、时钟漂移、聚合间隔和延迟录入。状态定义运行、计划停机、非计划停机、换型、缺料、阻塞、维护、测试和闲置等情形。数量定义单位、合格产出、废品、返工、能源、物料、人工和成本。

每一次转换都应被记录。原始文件会获得哈希值和访问控制。解析器记录字段名称、单位和被拒绝的行。映射表显示本地代码如何转换为通用类别。派生指标标明其公式、版本和负责人。尽职调查结论应能基于保留的提取数据复现，而无需重新连接工厂系统。

数据剖析先于异常检测。团队应衡量覆盖范围、缺失情况、重复项、不可能的值、计数器重置、时间戳缺口、单位变化、顺序外事件和标识符冲突。在某个传感器存在故障的时期训练出的模型，可能对错误的问题给出自信的答案。NIST 的 AIMS 计划结合计量学、基于物理的模型和 AI，并通过定期验证和模型更新，支持准确且可信的机器监测。[2] 同一原则适用于交易分析。

卖方管理层应审查证据图谱，而买方保留对假设和例外情况的独立记录。工厂运营人员往往知道，表面上的停机是计划内的清洗停机，质量代码在系统迁移后发生了变化，或者一个资产标签覆盖了两台实体机器。当他们的解释被记录下来并对照记录进行检验时，就成为证据。

4. 建立数据可靠性与模型治理

尽职调查团队应在使用证据之前对其进行分级。A级证据可能在受控系统、实地观察和财务数据之间实现核对一致。B级证据可能完整且内部一致，但缺乏独立的交叉核验。C级证据可能不完整、由人工维护或依赖解释。D级证据可能不可获得、相互矛盾或不适合拟议结论。等级与特定用途绑定；一个数据集可以支持排程分析，但仍不适合用于估值。

AI 模型需要有自己的控制记录。该记录应说明预期用途、训练或参考数据、特征、算法、测试期、性能指标、局限性、审核人和版本。NIST 的 AI 风险管理框架描述了有效且可靠、安全、有保障且有韧性、可问责且透明、可解释且可解读、隐私增强且公平等特征。[8] 工业尽职调查应在工厂情境中强调有效性、可靠性、安全性、保障性、可解释性和可问责性。

团队应检验数据泄漏和循环性。如果使用故障发生后创建的维护工单来预测同一故障，模型可能只是识别出了结果。如果产量和收入都来自同一份手动上传的文件，表面的核对一致并不独立。如果测试期包含训练期，报告的性能可能被高估。

人工审核应聚焦于高价值决策和模型失效模式。工程师检查特征是否具有物理意义。运营人员审查异常状态。财务部门检验运营变化是否反映到分类账和现金中。网络安全专家评估分析路径是否会暴露运营系统。法律顾问考虑数据权利、隐私、保密性和许可用途。投资委员会收到结论、置信等级和敏感性；不会收到未解释的模型评分。

表2. 用于交易的证据等级框架

评级适用于所述结论，并可能随着获得佐证证据而变化。

5. 依据事件而非口号重构吞吐量

额定产能、已证实产能和可销售产能是不同的衡量指标。额定产能反映设计条件。已证实产能反映特定历史期间、产品组合、劳动模式和资产状态。可销售产能还纳入良率、质量放行、下游约束、需求和物流。尽职调查模型应将其分开。

ISO 22400 通过公式、要素、时间行为、单位和用户组定义制造运营 KPI。[4] 通用词汇表有帮助，但本地系统定义仍需要核实。整体设备效率、可用率、性能和质量指标可能有用，但当计划时间、理想周期时间或良品计数规则被乐观选择时，它们可能掩盖损失。

吞吐量重构应从单个生产批次开始。它关联订单、产品、开始和结束时间、计划数量、总计数、良品数、废品、返工、机器状态、人工、物料和质量放行。然后，模型通过计划停机、换型、故障、缺料等待时间、阻塞时间、降速、启动损失、缺陷、暂扣和物流损失，解释理论产量与已发运合格单位之间的差异。

产品组合至关重要。一条生产线可能在简单产品上实现高产量，却在承载未来需求的产品上举步维艰。随着品种增加，换型可能消耗产能。瓶颈可能在工序之间转移。因此，月度平均值可能掩盖决定现金创造的顺序和约束。

团队应将管理层的计划与自下而上的产能模型进行比较。每个增量单位都需要机器时间、人工、工装、物料、公用设施能力、质量能力、维护支持和客户需求。如果模型依赖加班、推迟维护或异常低的换型时间，投资委员会应看到相应的运行条件和成本。

数值为假设性的管理层假设，仅用于说明损失归因。

6. 将停机症状与维护原因区分开来

停机分类往往反映的是报告便利性，而非物理原因。一条生产线可能记录为“机械故障”，而底层事件序列始于污染、设置不当、传感器故障或备件延迟。尽职调查应重构事件链，然后审查物理层面的解释。

维护数据集应关联报警、操作员呼叫、工作请求、工单、人工、零件、故障代码、检查、状态监测结果和生产恢复。它应区分计划性、预防性、预测性和纠正性工作。已关闭工单需要完工证据，重复的临时维修应保持可见。

HSE 指南指出，作业设备应保持高效运行状态，且维护日志在存在时应保持最新；指南还强调能力、安全隔离和计划。[6] 因此，尽职调查应在考虑成本和可用性的同时，考虑维护治理和安全。安全关键检查的积压与表面性工作的积压不同。

关键性决定经济应对措施。当没有冗余或备件时，低成本部件也可能使生产线停机。大型资产可能具有冗余机组，近期后果有限。团队应梳理单点故障、交付周期、专家依赖、过时淘汰、检查间隔、故障历史和恢复时间。

AI 可对非结构化工单文本进行分类，并识别反复出现的序列，但结果仍需工程验证。模型可能显示相似的报警组合先于故障发生。工程师判断该模式反映的是磨损、工艺条件、仪表还是编码问题。随后估值问题涉及预期产量损失、维护支出、资本设备更换、保险及客户影响。

表3. 维护风险地图

优先事项兼顾安全、生产、质量、环境、交付周期和可恢复性。

7. 将能源作为生产变量加以检验

能源分析应将消耗量与产出、产品、运行状态、相关天气、电价、需量电费和公用事业约束联系起来。场站级账单可以识别总支出，但可能无法解释各生产线或各产品的生产经济性。分表计量质量因此会影响可信度。

美国能源部的工业工具针对工厂级效率以及压缩空气、电机、工艺加热、冷却、泵和蒸汽等系统。[5] 其能源管理指南指出，有用数据可包括消耗、效率、负荷、运行时间、生产和成本，且基线和绩效指标应遵循所选指标。[9] 这些原则支持交易能源桥接分析。

团队应按运行条件对能源强度进行标准化。工厂在空闲期间可能消耗大量基载负荷，因为熔炉、压缩空气、冷冻水或环境控制仍保持运行。启动和停机可能造成能源和良率损失。峰值需求可能反映同时运行的负荷，而非年度消耗量。产品组合会改变能源强度。

财务模型应区分电价风险敞口、物理效率和所需投资。较低电价可能掩盖较差的表现。能效项目可能需要停机、工程设计和验证。可再生能源合同可能引入电量、价格、信用和控制权变更条款。因此，节能声明应列明基线、措施、成本、时间安排、不确定性和测量方法。

能源数据还可以揭示运行异常。压缩机在非生产时段运行、电机电流上升、每件合格产品对应的熔炉能耗增加或冷却需求不稳定，都可能支持进一步调查。此类信号是诊断线索，而非状况的独立证据。

8. 将质量数据转化为利润率和责任证据

总产出只有在成为合格、被接受且可收回的产出时才具有经济相关性。质量尽职调查应将工艺参数、检验、偏差、报废、返工、客户投诉、退货、保修、让步和纠正措施联系起来。分析应区分检测与根本缺陷的产生。

良率可能看似稳定，而检验强度下降或让步接收增加。废品可能计入材料差异，而人工和机器工时仍留在转换成本中。返工可能占用瓶颈产能并延误其他订单。客户退货可能在生产数月后才到达。因此，模型应沿生产、库存、发票、贷项通知单、现金以及任何保修成本，追踪该质量事件。

AI 可支持跨工艺变量和缺陷记录的模式识别。它可以对缺陷描述进行聚类，在权利和质量允许的情况下比较图像，并识别与失效相关的参数组合。训练标签和检验系统需要审查。模型无法弥补从未记录或被持续错误分类的缺陷。

交易应对取决于风险敞口是历史性的、持续性的还是或有的。已知批次问题可支持专项赔偿或托管。反复出现的工艺弱点可能降低可维持利润率，并要求提供资金进行整改。薄弱的追溯系统可支持更广泛的合同保护和交割首日控制措施。客户特定审批或认证问题可能影响交割条件。

9. 将工厂模型与盈利质量进行核对

运营分析在解释财务表现时成为交易证据。团队应将工厂模型中的产量、产品结构、价格、良率、人工、材料、能源、维护、间接费用和营运资金衔接至总账。差异应予以记录，而不是强行纳入虚假的调节。

可维持盈利需要正常经营基础。近期利润率可能反映推迟维护、供应商账期拉长、检验不足、异常加班、临时用工、有利的产品结构、客户预付款、资本化成本或未进行大修的期间。运营模型应识别每项调整背后的实物假设和时间假设。

产能提升空间应得到审慎处理。当行动、产能、需求、成本、质量和现金路径均有支持时，已证明的改善可纳入情景。未使用的理论产能不是盈利。未经生产验证的、模型化的 AI 优化是一项举措，而不是可维持的 EBITDA。

桥接应避免重复计算。故障时间减少可能提高产量、减少加班并降低维修成本，但同一产量收益不应出现在多个协同效应项目中。能源节约可能已计入单位成本。减少废品可同时改善材料成本和产能；模型应分配一个一致的现金影响。

数值和置信等级均为假设性的管理层假设。

10. 将状况转化为资本支出

维护费用和资本支出属于不同的会计处理；工业风险取决于实际需求和现金时点。尽职调查团队应识别维持性资本、合规性资本、可靠性资本、增长性资本和转型资本。每个项目都需要范围、紧迫性、成本基础、停机要求、依赖关系和置信度。

IAS 16 涉及不动产、厂房和设备的确认、账面金额、折旧和终止确认。[11] IAS 36 要求在存在减值迹象时评估可收回金额，并通过公允价值减去处置费用和使用价值界定可收回金额。[12] IFRS 13 提供公允价值计量框架。[13] 这些准则为会计和估值分析提供依据；它们不替代对状况的工程评估或交易定义。

状况应通过检验、维护历史、运行数据、OEM 指南、法定或保险商记录以及专家评估来测试。仅凭年龄是不完整的替代指标。维护良好的较旧资产可以可靠；超出设计条件运行的新资产可能带来重大风险。剩余寿命应以区间形式表示，并说明其运行假设。

资本性支出计划应与生产计划相衔接。更换可能涉及长交期订单、设计、许可、土建、控制系统集成、调试和产能爬坡。相关的停机时间、库存积累、客户认证和营运资金可能超过设备发票金额。这些现金影响应纳入交易方案和百日计划。

表4. 资本性支出分类与交易处理

处理方式取决于经核实的事实、会计政策和经协商的定义。

11. 将存货和营运资金与工厂相连接

存货是生产决策的实物记录。原材料可覆盖供应商交货周期、最小订单量、良率损失和质量风险。在制品可反映正常工艺路线、瓶颈、暂停状态、返工或收尾不力。成品可支撑服务水平，也可能掩盖需求和过时问题。

尽职调查团队应按物料、地点、状态、批次和所有权核对数量。应测试负库存、重复库位、周转缓慢、账龄较长的在制品、隔离、寄售、客户所有物料、供应商所有库存以及存放于第三方的物料。循环盘点和实物盘点证据很重要，因为系统余额与实物存在情况可能不一致。

运营数据可改进营运资金目标。交货周期、批量、换型、良率和生产波动有助于解释正常存货。排程遵守情况、发货和客户验收有助于解释应收账款和应计收入。供应商条款、下单时点和关键备件政策有助于解释应付账款。模型应将正常经营需求与交易窗口管理区分开来。

交割完成机制需要与工厂实际情况相符的定义。客户预付款、未付资本性项目、逾期维修供应商、存货准备、寄售和质量准备金，在经协商的债务、现金和营运资金定义下可能得到不同处理。法律和会计顾问应使 SPA 措辞与证据和模型保持一致。

12. 保护运营技术和数据权利

工业尽职调查涉及可能影响安全性、可用性和产品质量的系统。NIST SP 800-82 Rev. 3 提供了 OT 安全指南，其中考虑了性能、可靠性和安全要求。[7] 尽职调查规程应维护网络隔离、经批准的访问路径、日志记录、最小权限以及卖方对在用系统的控制。

买方应梳理 OT 资产、网络区域、远程访问、身份、备份、不受支持的软件、第三方连接和事件历史。电子表格资产清单只是起点。配置证据、网络观察和控制权归属能提供更有力的支持。团队应识别哪些系统和许可证会转移，哪些依赖集团或供应商安排。

数据权利可能影响买方运营和改进工厂的能力。设备供应商、系统集成商、云平台和客户可能对软件、模型、配方、遥测、诊断数据或衍生信息享有权利。交易工作流应识别所有权、访问、可移植性、保留、保密、导出和终止条款。

AI 的使用引入了模型和数据治理。买方需要了解模型是自有、获得许可，还是嵌入供应商服务；如何更新；使用哪些数据；性能如何监控；以及人工如何干预。控制流程的模型与用于确定维护审查优先级的模型需要采用不同的尽职调查标准。

13. 将发现转化为价格和保护措施

发现应纳入决策矩阵，列明证据等级、财务影响、时点、不确定性、负责顾问和建议处理方式。可选应对措施包括估值调整、类债务项目、营运资金目标、交割账目定义、锁箱保护、保证、赔偿、托管、扣留款、盈利支付、契约、先决条件、访问权和交割后行动。

对于影响可持续经济性或所需现金投入、且能够以足够信心估算的风险，定价是合适的。对于已识别、且可界定因果关系与分摊方式的或有风险敞口，特定赔偿可能适用。保证可支持事实性事项的披露与追偿。条件可处理必须在控制权转移前解决的事项。在信用风险或争议时点具有影响的情况下，托管或留存款可支持追偿。

机制应与证据相匹配。有依据的常态化成本所支撑的经常性维护负担可能影响盈利。已知的更换可能影响企业价值至股权价值的桥接或定价。概率不确定的潜在失效可能需要情景分析、特定保护和运营计划。数据缺失可能支持信息查阅权、保守假设或不推进的决定。

矩阵还应考虑重大性和执行。过度的合同复杂性可能产生谈判与执行风险。某些发现最好通过有资金支持的计划和治理权利加以处理。投资委员会应看到拟议处理后的剩余风险敞口。

定位仅作示意；具体交易的建议和证据决定处理方式。

表 5. 交易响应矩阵

本表整理顾问判断，并不规定法律处理方式。

14. 在尽职调查期间制定 100 天计划

首个 100 天应将尚未解决但可控的发现转化为责任到人的行动。该计划在签署前即启动，因为访问权限、人员、备件、停机和系统变更可能需要达成一致。它应在改进证据和控制的同时保护生产与安全。

首日优先事项包括决策权限、安全的系统访问、客户连续性、现金控制、关键维护、物料可用性、质量放行和事件升级。买方应知道谁可以停止生产线、放行产品、批准维护、更改配方、访问运营技术（OT）、承诺资本支出以及与重点客户沟通。

前三十天建立基准。团队确认资产与系统清单，核对生产定义，验证关键备件，审查安全关键工作，落实备份，冻结未受治理的模型变更，盘点高风险库存，并重建工厂与财务之间的衔接。相关行动应避免在所有权过渡期间影响生产稳定。

第三十至六十天处理优先风险敞口。工厂可执行关键维护、纠正质量控制、恢复计量、弥补准入缺口、完成供应商资质认证或准备停产。每项行动都需要成本、进度、生产影响、责任人和验证措施。

第六十至一百天测试价值举措。买方可在限定产线上试点停机分类、能源优化、预测性维护工作流、排程变更或质量分析。试点前应批准基准、测试设计、人工监督和回滚条件。只有在观察到运营和现金证据后，收益才计入价值台账。

生产连续性、安全性和证据质量决定变革节奏。

表 6. 工业所有权的前100天

行动应根据工厂、交易和专家建议进行调整。

15. 治理人机联合判断

工业尽职调查依赖于了解工艺过程的人员。操作人员了解正常声响、临时变通方法和工序顺序。维护团队了解重复性故障和备件限制。质量团队了解偏差和客户验收要求。工程师了解物理因果关系。财务人员了解会计和现金。AI 可以整理和检验他们的证据；但不能替代他们的责任。

访谈应围绕记录来组织。审核人展示一次运行、故障序列或对账结果，并要求责任人作出解释。在可能的情况下，用另一来源检验该解释。这种方法尊重运营知识，同时减少对记忆和陈述的依赖。

模型输出应指定具名的人类负责人。负责人决定该输出是否适合用于决策，并记录覆盖情况。高影响建议应包含数据期间、置信度、替代解释和敏感性。如果模型行为无法得到充分解释，输出应仅作为调查线索。

交易时间表应留出质疑的时间。临近截止的大量数据集中提供，可能造成接受自动化摘要的压力。委员会应了解哪些发现已得到充分审查、哪些仍属初步结论、哪些无法检验。在存在不确定性的情况下继续推进的决定应明确，并反映在价格、保护、融资或治理中。

16. 应用停止规则并保存证据

尽职调查工作流需要停止规则。示例包括：可能影响工厂可用性的请求、不受控的远程访问、存在即时安全问题的证据、超出约定目的使用数据、源数据提取内容出现无法解释的变更，或将模型结果作为已核实的工程事实呈现。适当应对措施可包括暂停测试、向卖方上报、隔离环境或获取专家审查。

交易停止规则涉及收购论证。当可销售产能无法复现、关键合规证据缺失、维护风险敞口超过已落实资金能力、关键客户或许可证无法转移、OT风险无法控制，或卖方无法提供约定访问权限时，委员会可暂停。阈值应在交易势头削弱纪律之前获得批准。

证据保存有助于谈判、交割和整合。原始提取数据、哈希值、映射表、模型版本、审核人笔记、在允许情况下的照片、源文件和决策日志应在交易控制下保留。记录应显示当时已知什么、何时已知以及如何影响决策。

完成后，同一证据图谱可支持基准确认和价值跟踪。买方应避免在基准确定之前更改定义。真正的改善应基于稳定且已理解的起点来衡量。

17. 使用从工厂到价值的控制中心

投资委员会和整合指导小组需要简明运营视图。控制中心应显示可销售吞吐量、关键停机时间、质量损失、能源强度、维护积压、关键备件、库存敞口、资本支出、现金影响、保护状态和100天行动。每项指标都应关联来源溯源和负责人。

仪表板应区分事实、模型和决策。事实报告观测值和数据覆盖范围。模型报告带有置信度的归一化结果或情景结果。决策报告已在价格、合同或计划中批准的处理方式。将这些层面合并为一个数字会掩盖不确定性。

趋势比表面上的精确更重要。在稳定阶段，每日工厂指标可能有用；而交易调整可在既定节点进行复核。红色状态应指明具体阈值、后果和行动。董事会应看到未解决的假设和逾期证据请求。

价值跟踪应聚焦于已实现的经济效益。在没有可销售需求的情况下提高速度，不会创造收入。减少停机时间若未带来加班减少、产出提高或成本避免，可能不会创造现金。维护预测只有在改变行动并衡量结果时才创造价值。控制室应保持实物台账与财务台账相互关联。

结论

AI 辅助的工业尽职调查，若构建为可追溯的证据体系，可改善交易判断。有用的单元不是模型或仪表板，而是从工厂状况和运营到定价、保护及有资金支持的行动之间得到支撑的连接。

这项工作从决策问题以及以生产和现金为线索的边界开始。它构建跨资产、时间、状态和数量的证据图谱。它在建模前刻画数据质量，将计量学和物理理解与分析方法相结合，重建产量和停机时间，评估维护、能源、质量、库存和资本支出，并将运营发现与收益和现金进行勾稽。

AI 支持分类、异常检测、序列分析和情景测试。其输出仍受预期用途、验证、安全、解释和人工复核约束。高影响结论需要工程、运营和财务方面的佐证。缺失数据会成为明确的不确定性，而不是隐藏的模型假设。

交易应对措施应与证据相匹配。可持续的运营效应可影响定价。已识别的或有风险敞口可支持量身定制的保护措施。先决条件可对交割完成形成约束。访问权、资金和决策权可支持100天计划。每项机制都应显示仍由买方承担的剩余风险。

其结果是可在签署后继续存续的尽职调查记录。它将成为生产连续性、维护恢复、OT控制、质量、能源、现金和价值跟踪的基线。买方随后可以检验工厂是否按承销假设运行，并根据观察到的证据修订计划。

附录 A：最低工业数据请求

初始请求应与决策和工厂相称。在受控访问允许的情况下，应寻求源系统导出数据，而非演示摘要。资产和配置记录包括资产登记册、产线层级、设备规格、调试历史、控制系统版本、图纸、关键性、所有权、租赁、保修和支持协议。

生产记录包括订单、排程、运行历史、机器状态、周期时间、计数、合格产出、废料、返工、换型、人员配置、班次、工艺路线和发运。质量记录包括规格、检验计划、测试结果、偏差、暂停、让步、纠正措施、投诉、退货、保修和可追溯性。

维护记录包括工作请求、工作订单、故障代码、人工、备件、检查、状态监测、预防性计划、积压、停机、承包商记录、备件和淘汰情况。能源记录包括发票、电价、间隔电表、分表、公用工程限制、生产背景和已批准项目。

商业和财务记录包括产品和客户映射、定价、订单簿、收入、材料、人工、间接费用、库存、应收账款、应付账款、资本支出、租赁、保险和现金。OT和数据记录包括架构、资产清单、远程访问、账户、备份、事件、许可证、接口、数据字典、保留期限和AI模型记录。

卖方应识别不可用数据、已知的定义变更、迁移和人工变通方法。买方应记录被拒记录、访问限制和未解决的映射。请求应避免不必要的个人或敏感信息，并遵循约定的法律和网络安全控制。

附录 B：投资委员会问题

1. 哪些工厂假设驱动企业价值和下行情景流动性？ 2. 可销售产量能否从运行级记录中重现？ 3. 哪些损失来自需求、排程、换型、故障、速度或质量？ 4. 哪些资产是关键资产、缺乏支持、单点故障或临近必要停机？ 5. 哪些维护和检查工作被延期，需要多少现金和停机时间？ 6. 能源绩效是否与生产、运行状态和电价勾稽一致？ 7. 质量损失如何影响库存、客户验收、利润率和现金？ 8. 哪些库存为自有、符合规格、可使用、可销售且经实物核验？ 9. 哪些数据和模型足够可靠以用于定价，哪些仍为情景输入？ 10. 哪些发现影响可持续收益、净债务、营运资金或资本支出？ 11. 哪些保护措施、条件、访问权和资金可应对剩余风险敞口？ 12. 每项第1天和100天行动由谁负责，完成情况和价值将如何验证？

参考文献

1. 美国国家标准与技术研究院。2026年智能制造人工智能与机器学习路线图。2026年7月3日。 https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing
2. 美国国家标准与技术研究院。面向制造系统的增强智能。 https://www.nist.gov/programs-projects/augmented-intelligence-manufacturing-systems-aims
3. 国际标准化组织。ISO 55001:2024 资产管理体系要求。 https://committee.iso.org/sites/tc251/home/projects/published/iso-55001.html
4. 国际标准化组织。ISO 22400-2:2014 制造运营管理关键绩效指标。 https://www.iso.org/standard/54497.html
5. 美国能源部。工业技术办公室软件工具。 https://www.energy.gov/cmei/ito/ito-software-tools
6. 英国健康与安全执行局。工作设备维护。 https://www.hse.gov.uk/work-equipment-machinery/maintenance.htm
7. 美国国家标准与技术研究院。SP 800-82 第3版，《运营技术安全指南》。2023年9月。 https://csrc.nist.gov/pubs/sp/800/82/r3/final
8. 美国国家标准与技术研究院。人工智能风险管理框架。 https://www.nist.gov/itl/ai-risk-management-framework
9. 美国能源部。AMO 电子指南，确定能源管理的数据需求。 https://www1.eere.energy.gov/manufacturing/eguide/iso_step_2_2.html
10. 国际标准化组织。ISO 55013:2024 数据资产管理指南。 https://www.iso.org/standard/82455.html
11. 国际财务报告准则基金会。《国际会计准则第16号——不动产、厂房和设备》。 https://www.ifrs.org/issued-standards/list-of-standards/ias-16-property-plant-and-equipment/
12. 国际财务报告准则基金会。IAS 36《资产减值》。 https://www.ifrs.org/issued-standards/list-of-standards/ias-36-impairment-of-assets/
13. 国际财务报告准则基金会。《国际财务报告准则第13号——公允价值计量》。 https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
14. 美国国家标准与技术研究院。AI 风险管理框架核心。 https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
15. 美国国家标准与技术研究院。运营技术安全出版物。 https://csrc.nist.gov/Projects/operational-technology-security/publications
16. 美国能源部。什么是能源管理信息系统？ https://www.energy.gov/cmei/femp/what-are-energy-management-information-systems