上个月在苏州,一家做精密齿轮的厂子。车间主任老周把我拉到他那台用了六年的磨齿机跟前。
主轴轴承的振动值,凌晨三点悄悄往上爬了0.8毫米每秒。没人看见。第二天早上交检,废品率7%。
那批活损了四万多。
后来他们装了一套基于工业人工智能(AI)的振动监测模块,两万出头。老周说了句话我记到现在:
“这不比请个老师傅便宜多了。”
嗯。听着别扭,但很真实。
一、”AI”这个词,在车间里其实没人爱提
说实话,我去过的厂子,一线操作工听见”工业人工智能”四个字就想走人。不是抵触技术,是听腻了。过去五年,多少PPT上画着”AI赋能智能制造”,最后落地成了一个自动发邮件的Excel宏。
但这两年的变化,是实打实的。
算力便宜了。边缘计算盒子从前几年的两三万,跌到现在三四千。工业相机加光源,一套几千块。这个门槛,中小厂也迈得进去。
数据攒够了。MES、SCADA、PLC里躺着的那些历史数据,以前就是占硬盘,现在终于有人拿出来训练模型了。
算法下沉了。以前搞缺陷检测得请博士,现在开源框架加上迁移学习,厂里的自动化工程师自己就能调。

不过话说回来,很多老板还是把顺序搞反了。先买软件,再想解决什么问题。这注定要交学费。
问:我们厂设备老旧,连OPC UA都不支持,谈工业人工智能(AI)是不是扯远了?
答:确实扯远了,别急着上AI。先解决”看得见”的问题——加装传感器、打通PLC数据、把采集频率提到秒级。数据链不通,模型再漂亮也是空中楼阁。坦率讲,这一步能占到整个项目七成的工作量,而且它一点也不酷,没人愿意写进年终总结。但绕不过去。
二、机器视觉质检,最成熟的,也最容易翻车

机器视觉是工业人工智能(AI)落地率最高的场景,没有之一。PCB板缺陷、铸件砂眼、纺织品瑕疵、药片缺粒——这些都是老战场了。
但翻车的也真不少。
第一个坑叫样本不平衡。一整批几千个产品,坏的只有十几个。模型学出来只会说”合格”。这时候得靠小样本学习或者合成数据,把缺陷的样子”造”出来。
第二个坑是环境光。车间窗户透进来一束光,下午三点准时从天窗斜射到检测台上。上午还准的模型,下午就瞎了。所以视觉检测工位必须做遮光处理,加装稳定频闪光源。这一条,比换什么算法都管用。真的。
第三个坑是节拍。产线一秒出三个件,模型推理必须压到200毫秒以内。放云端跑?网络抖一下,整条线就停了。这时候得上边缘计算,模型轻量化,量化剪枝走一遍。
问:缺陷样本太少,只有几十张图,能训出可用的检测模型吗?
答:能,但别指望一上来就全能。建议分三步。第一步,把现有样本按缺陷类型分类,先做单类别的专用模型,比如只查划痕。第二步,上数据增强和生成式扩充,把几十张刷到几千张。第三步,产线跑起来之后持续回流误检、漏检的样本,每周重训一次。三个月之后那个模型的准确率,和第一版完全不是一个量级。另外提醒一句:别拿实验室拍的样图去训产线模型,光照背景全不一样,纯属白干。
三、预测性维护,别被”提前七天预警”忽悠
这词儿很热。热到有些供应商张嘴就是”提前七天预测设备故障”。
听着玄乎,对吧。现实是——
能提前七天预警的,基本是磨损类故障,轴承、刀具这类。它的退化曲线是渐进的,有迹可循。突发性的呢?电气短路、异物卡死,对不起,谁也预测不了。硬要预测,只能靠阈值报警。
所以签合同之前问清楚三件事:你这模型针对哪几类故障?准确率多少?误报率多少?
误报率比准确率更要命。一次误报,维修工半夜爬起来赶去现场,啥事没有。来三次,这系统就没人理了,最后连电源都被人拔了。

我们一般建议误报率压到5%以内,最好3%。做不到,就别上线。
还有个细节容易被忽略:传感器的安装位置。同一个轴承,测点装在轴向还是径向,频谱特征差得远。装错了,模型学的东西全是噪声。
四、几条掏心窝的建议

- 先定问题,再谈技术。别问”我们能上什么AI”,问”哪个环节最烧钱、最返工、最依赖老师傅的经验”。
- 从小场景切。一条产线,一个工位,一台设备。跑通了再复制。一上来就全厂铺开的,我见过的基本都烂尾了。
- 留出运维预算。模型会漂移,数据分布会变,换季换个原料,精度就掉。这笔钱不预留,系统半年后就是个摆设。
- 别迷信大模型。工业现场要的是稳、快、可解释。一个三层CNN在检测工位上,比什么千亿参数都实在。
对了,还有一条。数字孪生这概念听着是很美……但在大多数中小制造企业,它的优先级排在数据采集和MES上线之后。别颠倒顺序。这个坑,踩的人太多了。
五、再回到老周那台磨齿机

现在那台机器上装着三个传感器,一个边缘盒子。报警推送到班组长的手机上。上周又响了一次。
提前了大概四十个小时。
老周说,值。
就这样。工业人工智能(AI)不是什么魔法,它更像给老师傅的耳朵装了个放大器——机器一直在喊疼,只是以前没人听得见。💡
免责声明:文章内容来自互联网,本站仅作为分享,不对其真实性负责,如有侵权等情况,请与本站联系删除。
转载请注明出处:工业人工智能(AI)落地实录:一个老工程师眼里的视觉质检与预测性维护 https://www.dachanpin.com/a/tg/72913.html