从人眼质检到预测性维护: 制造业AI智能体开发的两条降本主线
在工厂里聊 AI 质检,问法这两年变了。前两年问“能不能识别划痕”,现在问“漏检率能压到多少,换型号要不要重新调三个月”。问题一具体,演示视频里那条完美分拣的线就不够用了。
判断放在前面:制造企业的 AI 回报,最先出现在两处。一处把质检从人眼换成毫秒级的视觉判断,一处把设备维修改成事前预防。这两件事砍的是同一类成本,平时看不见,年底一算很吓人。
一 订单越满,账面越薄
见过一家做结构件的厂,八条线满负荷跑了三个季度,报表出来毛利比淡季还低。拆开看,返工占两个点,非计划停机一点多个点。
这两笔钱散在很多科目里:报废的料、加班工时、延期违约金、客户扣款。质量成本这套口径分四块,预防、鉴定、内部失败、外部失败。前两块是花出去的,后两块是赔出去的。赔的那两块通常比花的多好几倍。一批货到客户手上才发现孔位偏了,退货、运费、客户停线的索赔加起来,远超当初多做一次首件检验。降本往质检和设备使劲,回报直接,原因就在这。
二 质检这关,卡在注意力上
人眼质检的极限,去产线站一天就明白。冲压件做外观检查,熟练工三秒一个,八小时看八千件上下。前三个小时状态好,后面开始走神,夜班判断尺度还会松半档。这跟态度无关,人眼对微小色差的分辨、对重复刺激的耐受都有天花板。
机器视觉工厂里早有,多数是传统算法,把缺陷写成规则:灰度差多少、面积大于几个像素。调好了很准,可换批次、换光照、换材料就得重调。碰上罕见缺陷,样本只有十几张,算法学不出来。
这两年多的另一条路,是用视觉大模型做小样本学习,加上能对话的调参。某类细划痕老被放过,工程师挑十几张样本标成不良,重训一轮当天生效。
部署也讲究。产线节拍几百毫秒,图片传到云端再回来,时间就没了。推理得放边缘侧,工控机上跑,断网照样用。这要求听着朴素,筛掉不少方案。
三 设备这一环,钱花在事后
设备维护有三种做法,坏了再修是事后维修,按周期换件是定期保养,按状态判断是预测性维护。三条成本曲线不一样。
事后维修看着省钱,其实最贵。主轴轴承抱死,换件几千块,停线两天损失几十万,还得搭赶工的空运。定期保养好一些,可换早了浪费,换晚了照样出事。同型号轴承轻载用两年、重载八个月,按同一周期换,总有一半白换。
预测性维护听着玄,落地就三样东西。
- 能采的数据: 震动、温度、电流、转速、声音,够做大部分旋转设备的健康判断。老设备没接口,加装传感器和采集网关,单点成本不高。
- 能对的标签: 故障记录要结构化,哪台设备、哪个部件、什么时间、换下来的件什么样。很多工厂的台账里只有“维修完成”四个字,模型拿这个学不出东西。
- 能用的出口: 预警得落成工单,能查备件库存,能排进检修窗口。只发一条告警短信等于没做。
还有个点容易被忽略,误报。第一版模型一天报三十条,设备科看两天就不看了。常见做法是阈值告警和模型预测叠着用,两边都指向同一台设备才推工单,其余降级成提示。
四 两条主线接上,才叫闭环
质检和设备各做一套,能省一部分钱。值钱的是把两条线接起来。
举个例子。视觉检测连续三小时在同一工位发现尺寸偏移逐步变大,常规做法是报警停线叫工艺。系统顺手把这台压机的电流曲线、液压油温、上次换模时间调出来,大概率能看出是模具磨损还是压力不稳。判断从“产品有问题”变成“设备哪一段有问题”,处理时间能从半天压到一小时。
反过来也成立。设备端算出某台减速机还剩两百小时寿命,这个信息要能关联在产订单,算检修窗口落在哪两批货之间,推给计划员一个建议,改不改都留记录。
难点不在模型,在编码。设备编号、工单号、批次号、物料码躺在四个系统里,对不上时,再好的模型也只能各说各话。
五 落地前先解决四件事
见过不少项目卡在这。模型很少是瓶颈,前面那些琐碎的工程问题才是。
▪ 数据先通: PLC、SCADA、MES 里的数据能稳定取出来,再谈算法。这步通常占掉项目一半时间,预算里要留。
▪ 从一条线切: 别一上来铺全厂。选一条良率波动大、又不太影响交付的线,两到四周做验证,基线记下来。跑通了再复制,复制时改配置,不动代码。
▪ 规则谁维护: 每加一类缺陷都得找供应商排期,这套系统两年后就废了。合理做法是把判定规则和工艺知识当文档管,工艺员自己改,改完生效。
▪ 数据出不出厂: 产线图像、工艺参数、设备台账,多数制造企业不愿外传。私有化部署在这类项目里是立项前提。
投入怎么算,先定四个口径:漏检流出率、非计划停机小时、备件库存周转、质检人力投入。上线前记三个月基线,跑一个季度看差值。
六 小艾在制造场景里的做法
小艾智能体(上海艾艺数字技术有限公司自研的企业级 AI 智能体与知识管理平台)在这类项目里,一般从一条线的一个工位切进去,先把这条线的账算清楚。
边缘侧接图像采集和传感器数据,视觉判断在本地完成。工作流用 REST API 节点对接 MES 与 ERP,取来工单、批次、设备状态;异常处理走条件路由,超阈值拦下转人工,常规的直接生成工单;判定规则和工艺知识放知识库,工艺员改文档就等于改规则。
全组件支持私有化部署,产线图像和工艺参数不出厂区。这套组合在医疗导诊、政务问答、能源预测维护里跑过完整交付,逻辑一致:把重复判断交给系统,把要担责的判断留给人。
FAQ:制造业智能体高频问题
Q1:AI视觉质检能替代人工质检吗?
能替掉的是重复判断,替不掉的是担责判断。外观、尺寸、装配完整性这类标准明确的,机器比人稳。涉及手感、装配干涉、客户主观偏好的,短期内还得靠老师傅。现实做法是机器全检加人工抽检。
Q2:预测性维护要换设备吗,老产线能不能做?
多数不用换。加装振动、温度、电流传感器和采集网关,单台改造成本通常可控。门槛在历史数据,没有两年以上的故障记录,模型只能从零攒。老产线可以先做阈值告警,把巡检记录结构化,边攒数据边上模型。
Q3:工业智能体开发多少钱,一条产线多久见效?
看三块:接几个系统(MES、ERP、SCADA)、要不要边缘硬件、是否要求国产化适配。单工位的视觉质检验证,两到四周能出结果。见效快慢主要看基线数据齐不齐,数据干净的项目一个季度能看到漏检率的变化。
Q4:上海AI智能体开发哪家好,制造企业怎么挑?
看三件事:有没有跑过同类产线环境,规则是配置还是改代码,交付之后工艺变更谁来做。第三点最容易被忽略,也最能决定这套系统三年后还在不在用。智能体私有化部署多少钱这类问题,让对方按场景报价,别按人头报价。