PTPK 提案审阅 · JENNIFER REVIEW · 截止 31 JULI 2026 12PM
7 核心单元 · 2 选修单元 · 7 天至 6 个月灵活学制

完整课程大纲

灵活套餐：7 天快速班 · 14 天专业班 · 完整认证班（最长 6 个月）

每个单元包含知识信息表（KP）与实践工作表（KK），均附真实马来西亚业务场景

三种灵活学制，任你选择

从 7 天密集速成到最长 6 个月的完整认证班——按你的时间与目标选择合适套餐。

最热门
7 天快速班
RM 3,999
约 42 小时 · 5–7 个工作天
  • ▸ AI 营销核心技能密集训练
  • ▸ 文案 / 图像 / 视频 / 广告实操
  • ▸ 结业作品集 + 结业证书
14 天专业班
RM 6,999
约 84 小时 · 2–3 周
  • ▸ 涵盖全部 7 大核心单元
  • ▸ 真实客户项目 + 一对一指导
  • ▸ 深入广告投放与数据分析
完整认证班
咨询
最长 6 个月 · SLDN 双元制
  • ▸ 含企业在职实训 (On-the-Job)
  • ▸ JPK 国家技能证书 SKM Level 3
  • ▸ HRDC 可申报

* 7 天与 14 天班为密集课堂速成；完整认证班加入企业实训 (SLDN) 并颁发 JPK 证书。价格以每期招生公告为准。

核心单元 CORE
7 个必修单元
C01
工业4.0与AI智能制造基础
Industry 4.0 & AI Fundamentals for Smart Manufacturing
3 KP 2 KK

理解工业4.0架构与AI技术在智能制造中的应用，评估工厂数字化就绪度，制定AI导入路线图

KP 知识信息表（白纸）

KP-01 工业4.0与智能制造概述
Industry 4.0 & Smart Manufacturing Overview
  • ▸工业4.0技术支柱（IoT、AI、大数据、云计算、机器人、AR、网络安全、3D打印、横向纵向整合）
  • ▸马来西亚Industry4WRD政策与NIMP 2030战略
  • ▸MIDA工业4.0激励措施
  • ▸智能制造成熟度模型（IMPAK）
✓理解工业4.0九大技术支柱
✓识别AI技术在制造业各环节的应用机会
KP-02 AI类型与制造应用
AI Types & Manufacturing Applications
  • ▸机器学习（监督/非监督/强化学习）制造应用
  • ▸计算机视觉在制造检测中的应用
  • ▸时序数据分析与预测维护
  • ▸数字孪生（Digital Twin）基础概念
✓区分不同AI技术类型及其制造业适用场景
✓评估AI技术导入的成本效益
KP-03 工厂AI就绪度评估
Factory AI Readiness Assessment
  • ▸IMPAK评估框架与方法
  • ▸数据基础设施评估
  • ▸AI导入ROI计算模型
  • ▸智能制造分阶段实施策略
✓使用IMPAK评估工具评估工厂数字化就绪度
✓制定工厂智能化转型路线图

KK 实践工作表（蓝纸）

KK-01 执行工厂工业4.0就绪度评估
Conduct Factory Industry 4.0 Readiness Assessment
学员实操任务： 使用IMPAK框架评估目标工厂的工业4.0就绪度，识别前3项优先AI化领域，产出评估报告
KK-02 设计智能制造路线图
Design Smart Manufacturing Roadmap
学员实操任务： 制定24个月智能制造转型路线图，包含里程碑、预算估算、MIDA激励申请策略与KPI目标
C02
AI预测性维护与设备健康监测
AI Predictive Maintenance & Equipment Health Monitoring
3 KP 2 KK

部署IoT传感器与AI模型进行设备健康实时监测，从响应式维护转型为预测性维护

KP 知识信息表（白纸）

KP-01 预测性维护基础
Predictive Maintenance Fundamentals
  • ▸维护策略比较（被动/预防/预测/主动）
  • ▸OEE三要素（可用性、性能、质量）
  • ▸AI预测维护平台概览（IBM Maximo、Azure PdM）
  • ▸维护策略ROI计算
✓理解从被动维护到预测性维护的转型路径
✓掌握OEE（综合设备效率）计算与分析
KP-02 IoT传感器与数据采集
IoT Sensors & Data Collection
  • ▸传感器类型（振动、温度、声音、电流）及选型
  • ▸工业IoT通信协议（MQTT、OPC-UA、Modbus）
  • ▸边缘计算与云端数据处理
  • ▸传感器数据质量与清洗
✓识别适合预测维护的传感器类型
✓配置基本IoT数据采集系统
KP-03 AI故障预测模型
AI Failure Prediction Models
  • ▸时序数据分析基础
  • ▸异常检测算法（IsolationForest、LSTM）概述
  • ▸AI预测维护平台配置（Azure PdM、SKF Enlight）
  • ▸预测准确率评估与误报率管理
✓理解时序数据分析与异常检测算法
✓解读AI预测维护模型输出结果

KK 实践工作表（蓝纸）

KK-01 建立IoT设备监测系统
Set Up IoT Equipment Monitoring
学员实操任务： 配置至少2个IoT传感器进行设备健康数据采集，连接云端平台，建立实时监测仪表盘
KK-02 实施AI预测维护预警
Implement AI Predictive Maintenance Alert
学员实操任务： 使用Azure PdM或IBM Maximo AI配置设备故障预警规则，设定维护工单自动触发条件
C03
AI视觉品质控制与缺陷检测
AI Vision Quality Control & Defect Detection
3 KP 2 KK

部署计算机视觉系统实现生产线自动缺陷检测，替代人工目视检验，提升检测精度与速度

KP 知识信息表（白纸）

KP-01 品质控制计算机视觉基础
Computer Vision Fundamentals for QC
  • ▸计算机视觉基础（分类、检测、分割）
  • ▸AI视觉平台概览（Landing AI、Cognex、Roboflow）
  • ▸工业相机与照明系统选型
  • ▸AI视觉 vs 传统机器视觉比较
✓理解卷积神经网络（CNN）在视觉检测中的应用
✓评估AI视觉检测适用的产品与缺陷类型
KP-02 缺陷检测AI模型训练
AI Model Training for Defect Detection
  • ▸训练数据需求（数量、多样性、标注质量）
  • ▸数据标注工具使用（Roboflow、LabelImg）
  • ▸迁移学习加速模型训练
  • ▸模型准确率评估（精确率、召回率、F1）
✓准备缺陷检测训练数据集
✓使用低代码平台训练产品缺陷分类模型
KP-03 产线视觉系统整合
Production Line Vision System Integration
  • ▸视觉系统硬件配置（相机位置、触发时机）
  • ▸检测速度与准确率平衡策略
  • ▸与生产数据系统（MES、ERP）整合
  • ▸视觉系统维护与模型更新
✓将AI视觉系统整合至生产线
✓建立检测结果与MES系统的数据流

KK 实践工作表（蓝纸）

KK-01 采集与标注缺陷训练数据
Collect & Label Defect Training Data
学员实操任务： 采集至少200张产品图片（含缺陷与合格品），使用Roboflow进行缺陷标注，建立训练数据集
KK-02 训练与部署缺陷检测模型
Train & Deploy Defect Detection Model
学员实操任务： 使用Landing AI或Roboflow训练产品缺陷检测模型，达到≥90%准确率，部署至模拟生产线检测场景
C04
AI生产计划与排程优化
AI Production Planning & Scheduling Optimization
3 KP 2 KK

运用AI高级排程系统（APS）消除生产瓶颈，优化资源利用率，实现动态生产调度

KP 知识信息表（白纸）

KP-01 生产计划基础
Production Planning Fundamentals
  • ▸生产计划层级（战略/战术/运营）
  • ▸MRP与MRP II系统原理
  • ▸约束理论（TOC）瓶颈管理
  • ▸AI排程 vs 传统排程比较
✓理解生产计划体系（MPS/MRP/CRP）
✓识别传统排程系统的局限性
KP-02 AI需求预测
AI Demand Forecasting
  • ▸需求预测算法（时序分析、机器学习）
  • ▸季节性与趋势分解
  • ▸AI预测平台（SAP IBP、Blue Yonder）
  • ▸预测准确率KPI（MAPE、WMAPE）
✓使用AI工具进行销售需求预测
✓将AI预测结果整合至生产计划
KP-03 AI生产排程与优化
AI Production Scheduling & Optimization
  • ▸高级排程系统（APS）工作原理
  • ▸Asprova与o9 Solutions功能概述
  • ▸排程约束设置（机器能力、人员、物料）
  • ▸排程KPI（准时交货率、设备利用率、在制品WIP）
✓使用APS系统生成优化生产排程
✓执行情景模拟分析排程方案

KK 实践工作表（蓝纸）

KK-01 以AI分析生产瓶颈
Analyze Production Bottlenecks with AI
学员实操任务： 收集生产数据，使用AI工具（Power BI + ChatGPT分析）识别前3项生产瓶颈，提出优化建议
KK-02 创建AI优化生产排程
Create AI-Optimized Production Schedule
学员实操任务： 使用APS系统创建模拟生产排程，比较优化前后的资源利用率、准时交货率与WIP水平
C05
AI智能库存与供应链管理
Intelligent Inventory & Supply Chain Management with AI
3 KP 2 KK

运用AI优化库存水平、降低呆滞料风险，实现供应链可视化与风险预警

KP 知识信息表（白纸）

KP-01 AI库存优化
AI Inventory Optimization
  • ▸库存优化算法（EOQ、安全库存计算）
  • ▸ABC-XYZ分析方法
  • ▸AI库存优化平台（Blue Yonder、Oracle AI）
  • ▸库存KPI（存货周转率、库存准确率、呆滞料比率）
✓使用AI算法计算最优安全库存与再订购点
✓减少库存持有成本同时避免断货
KP-02 AI供应链可视化
Supply Chain Visibility with AI
  • ▸供应链可视化平台概述
  • ▸RFID与条码追踪技术
  • ▸Power BI供应链仪表盘设计
  • ▸马来西亚物流与供应链生态系统
✓建立端到端供应链可视化仪表盘
✓实时追踪物料流动与供应商状态
KP-03 AI供应链风险管理
Supply Chain Risk Management with AI
  • ▸供应链风险类型（单一来源、地缘政治、自然灾害）
  • ▸供应商多元化策略
  • ▸AI供应链风险预警模型
  • ▸业务连续性计划（BCP）要点
✓识别供应链风险并建立AI预警系统
✓制定供应链中断应急响应计划

KK 实践工作表（蓝纸）

KK-01 执行ABC-XYZ库存分析
Conduct ABC-XYZ Inventory Analysis
学员实操任务： 使用Excel AI或Power BI对物料进行ABC-XYZ分类分析，识别呆滞料与高风险断货物料，提出库存优化策略
KK-02 建立供应链可视化仪表盘
Build Supply Chain Visibility Dashboard
学员实操任务： 使用Power BI创建供应链实时仪表盘，整合库存水平、供应商交期与在途物料数据
C06
AI能源管理与可持续性
Energy Management & Sustainability with AI
3 KP 2 KK

运用AI工具监测与优化工厂能源消耗，降低碳排放，满足ESG报告与ISO 50001要求

KP 知识信息表（白纸）

KP-01 工业能源管理系统
Industrial Energy Management Systems
  • ▸ISO 50001:2018能源管理体系架构
  • ▸工厂能源审计方法论
  • ▸马来西亚TNB工业电价结构（MD需量费）
  • ▸能源管理KPI（SEU、EnPI、基线能耗）
✓理解ISO 50001能源管理体系要求
✓识别工厂主要能源消耗来源与优化机会
KP-02 AI能源监测与分析
AI Energy Monitoring & Analytics
  • ▸AI能源管理平台（Siemens SiGREEN、ABB Ability）
  • ▸智能电表与能源传感器部署
  • ▸能源消耗异常检测AI
  • ▸机器学习能源预测模型
✓配置AI能源监测系统进行实时消耗追踪
✓识别能源浪费模式与节能机会
KP-03 碳排放与ESG报告
Carbon Footprint & ESG Reporting
  • ▸碳排放计算方法论（GHG Protocol）
  • ▸马来西亚碳交易市场（Bursa Carbon Exchange）
  • ▸绿色制造激励措施（MIDA、GreenTech Malaysia）
  • ▸ESG报告框架（GRI、TCFD）
✓计算工厂碳排放量（Scope 1、2、3）
✓准备ESG可持续发展报告

KK 实践工作表（蓝纸）

KK-01 执行工厂能源审计
Conduct Factory Energy Audit
学员实操任务： 使用能源审计工具分析工厂能源消耗数据，识别前3项主要能耗来源，估算节能潜力与ROI
KK-02 建立AI能源监测仪表盘
Build AI Energy Monitoring Dashboard
学员实操任务： 使用Power BI建立工厂能源实时仪表盘，整合电力、天然气、水资源消耗数据，设置异常预警
C07
智能工厂整合与OT/IT融合
Smart Factory Integration & OT/IT Convergence
3 KP 2 KK

理解OT与IT系统融合架构，实现工厂数据纵向整合（设备层→MES→ERP），构建数字孪生基础

KP 知识信息表（白纸）

KP-01 OT/IT融合架构
OT/IT Convergence Architecture
  • ▸工厂自动化层级模型（Purdue Model）
  • ▸工业通信协议（MQTT、OPC-UA、Modbus、Profinet）
  • ▸边缘计算架构与部署
  • ▸IEC 62443工业网络安全标准
✓理解OT与IT系统融合的技术架构
✓识别OT/IT整合的关键挑战与解决方案
KP-02 制造数据整合
Manufacturing Data Integration
  • ▸制造执行系统（MES）功能概述
  • ▸SCADA系统与HMI基础
  • ▸ERP-MES-设备层数据整合（SAP、Oracle）
  • ▸制造数据湖（Data Lake）架构基础
✓建立从设备层到ERP的数据流通路径
✓配置制造执行系统（MES）与AI分析整合
KP-03 数字孪生基础
Digital Twin Fundamentals
  • ▸数字孪生定义与分类（产品/过程/工厂）
  • ▸数字孪生平台（Siemens NX、PTC Creo、Ansys Twin Builder）
  • ▸数字孪生数据需求与实施步骤
  • ▸马来西亚数字孪生应用案例
✓理解数字孪生概念与制造应用场景
✓设计简单数字孪生原型方案

KK 实践工作表（蓝纸）

KK-01 绘制工厂数据流架构
Map Factory Data Flow Architecture
学员实操任务： 绘制目标工厂的OT/IT数据流架构图，识别数据孤岛与整合机会，提出分阶段整合方案
KK-02 设计智能工厂整合计划
Design Smart Factory Integration Plan
学员实操任务： 制定工厂数据整合实施计划，包含OPC-UA数据采集配置、MES整合架构与数字孪生概念验证（PoC）方案
选修单元 ELECTIVE
2 个选修单元

评估方式

📝 知识评估 KA
  • • 每单元书面测验
  • • 测试理论知识与工具理解
  • • 合格分数：60 / 100
🛠 实践评估 PA
  • • 每单元实操项目评核
  • • 在企业实训岗位以真实工作成果考核
  • • 合格分数：70 / 100
📜 颁发证书
  • • JPK 国家技能证书 SKM Level 3
  • • COPTPA 认证路线
  • • 全国认可，可用于求职
立即咨询报名 →