《新型工业化》报道菲特：大数据与人工智能技术支撑下的汽车产业智能...

    21 世纪以来，全球科技创新进入密集活跃期，生产制造由加速自动化走向数字化、网络化，以及智能化。大数据、人工智能（AI）的快速发展，为智能制造提供了坚实的技术支撑。党的二十大报告提出，建设现代化产业体系，坚持把发展经济的着力点放在实体经济上[1]。制造业是实体经济的主体，其规模巨大，价值链长、带动性强，制造业在现代化产业体系中起着决定性的支撑作用，汽车产业作为制造业的代表，对我国制造业高质量发展具有重要作用。

   本文结合大数据与人工智能技术，针对智能制造和汽车产业等当前国家重点关注领域，阐述了基于大数据与人工智能技术支撑下的智能制造汽车产业数字化转型的工程实践，为促进企业数字化转型提供可借鉴的思路和实践方案。

一、大数据与人工智能技术支撑下的智能制造技术在汽车产业中的应用

   以大数据和人工智能技术支撑的智能制造技术在汽车产业的应用越来越广泛，AI 智能检测、数字孪生、MES（Manufacturing Execution System）系统和大数据工艺优化等技术正成为汽车智能制造的重要支撑[2]。

   所谓AI 智能检测，指包含测量、检测、信息处理、判断决策及故障诊断等相关内容的智能检测技术[3]。这种技术已经广泛应用于各种领域，例如安全监控、交通管理、医疗诊断等。在汽车产业中，AI 智能检测的实现有多种多样，例如使用计算机视觉技术对车辆图像和视频进行分析，使用自然语言处理技术对生产过程文本进行分析，使用机器学习技术对数据进行生产过程分类和预测等。欧盟INFRAMIX 项目使用了一种新型车辆环测方法，该方法采用混合测试，结合模拟和真实测试的优点，对智能车轨迹规划算法进行了测试评估[4]。而在汽车产业缺陷检测方面，AI 智能检测是指通过对大量汽车生产质量检测图像数据进行分析和处理，利用机器视觉、深度学习等技术，实现对车辆成品或半成品的特定目标的识别和检测。该技术可以利用计算机视觉技术对制造过程中的产品进行缺陷检测，自动识别并标记出可能存在的缺陷，例如零部件表面缺陷、零部件尺寸偏差等。AI 智能检测可以大大提高产品质量的稳定性和一致性。在汽车生产过程故障诊断方面，智能检测可以通过设备传感器数据的实时监控和分析，结合历史数据，利用时间序列分析等手段或方法，自动诊断设备故障并及时进行维修，以提高设备的可靠性，降低故障维修成本。

   数字孪生技术能够将物理模型和传感器虚拟数据在孪生空间中实现实时映射，是仿真空间与现实空间的沟通桥梁[5]。在汽车的产品设计研发中，产品数字孪生模型通过产品的虚拟模型和物理模型实时交互获得产品设计知识数据库，为产品设计提供帮助，建立汽车制造的虚拟模型。特斯拉公司运用了一种数字孪生平行测试系统，实现了更具挑战性的测试，从而加速了自动驾驶车辆的评估和开发。通过数字孪生技术的应用，特斯拉实现了从设计到生产再到销售的全生命周期的实时监控和优化[6]。

   MES 系统可以实时收集和管理汽车生产过程中的各种信息，例如生产进度、设备状态、物料流、质量检测等，企业可以根据汽车总装生产线管理实际情况以及标准要求，在进行科学设计的同时高效应用基于MES 的汽车总装生产线管理系统，实现实时监督、动态跟踪、精确反馈相结合，高效控制、精细化管理汽车总装生产全过程[7]。

   基于大数据的智能制造的工艺优化，能够利用AIOT 数据采集和分析，实时检测和分析汽车及其零部件生产过程中的各项指标和数据，并结合AI 智能算法和机器学习技术，快速识别生产问题并提供解决方案，从而实现工艺参数的自动优化和调整，提高生产过程的效率和准确性，降低人员操作的成本和误差。例如，在双色注塑工艺中，结合拟水平法进行Taguchi 正交试验设计，基于Moldflow 软件进行模拟仿真，并对试验数据进行极差、方差分析处理，最后得出最佳的双色注塑工艺组合方案，翘曲量优化后比优化前降低了69.7%[8]。

二、大数据与人工智能技术支撑下的汽车产业生产检测一体化系统研究

   汽车产业的生产检测一体化系统是指在汽车零部件以及产成品的生产过程中，利用信息管理系统、机器视觉与光学测量等质量检测技术、机器学习以及深度学习等大数据分析技术，以软硬件设备等为载体，打通生产过程数据与质量检测数据转化通道，完成数字闭环并最终用于指导和优化生产过程的一体化系统。其核心在于基于大数据与人工智能的AI 分析中台，关键在于承载生产数据、质检数据、管理和运营数据的软硬件系统以及各系统间的闭环与联通。

（一）汽车产业生产检测一体化核心AI 分析中台技术架构

   汽车产业生产检测一体化的核心系统AI 分析中台框架可以分为多个模块，如图1 所示，包括数据采集、数据存储与处理、数据挖掘、数据可视化、数据管控平台和运维管理等模块。首先，针对不同的数据源，进行采集、加工、ETL、抓取、清洗等步骤，完成数据的采集工作。数据采集部分既可以依托各类传感器、条码等设备实时收集生产线上的各种数据，包括生产速度、质量、温度、湿度等指标，为后续的数据分析和决策提供基础数据，也可以通过接入外部数据，直接进行数据存储和分析。完成数据采集后，数据存储在基于Hadoop 架构的大数据平台。在数据存储与处理层，Hadoop 框架的分布式HDFS 文件系统可以存储大量文件，并支持MapReduce 并行和YARN 资源调度。基于Hadoop 体系，文件系统可以使用HBase 进行非结构化数据存储，使用Hive 进行结构化数据存储，使用Redis 集群进行缓存等。针对大量的存储数据，文件系统可以使用批处理和流处理方式对不同数据进行挖掘与分析，批处理框架可以采用Spark[9]，流数据处理可以使用Flink[10]、Storm[11]、Kafka[12]、Spark Streaming[13]。大量数据存储管理和资源调度需要数据管控平台的支持，包含主数据治理、元数据管理、数据质量管理、数据标准管理、数据安全管理等模块，从而保证数据的安全调度和管理。平台在数据挖掘层，使用数据挖掘、机器学习、深度学习、即席查询等技术对数据进行分析，以获得有价值的洞察和结论。在数据可视化层，平台可以开发或利用相关可视化BI 工具，如Tableau、Power BI等将数据转化为图表、管理员驾驶舱等形式，并增加可视化交互，方便用户进行数据分析和决策。在运维管理层，使用Zookeeper[14]、Nagios等监控工具对大数据平台进行监控、调优、容灾等方面的管理，以确保大数据平台的稳定性和可靠性。这些模块在大数据平台系统框架中互相配合，共同实现对生产数据的全方位管理和利用，为企业的生产管理和决策提供有力的支持。

图1 生产检测一体化核心平台技术架构

（二）汽车产业生产检测一体化系统的组件及其联通关系

构建以数据为驱动、以工艺为核心、以工厂载体的生产检测一体化系统，关键在于完成智能感知、智能互联以及智能决策三个重要过程，如图2 所示。

图2 智能制造核心环节

   在智能感知过程中，汽车产业生产检测一体化系统主要利用资源采集系统完成数据的收集和采集过程。资源采集系统涵盖温度、压力、振动等传感器设备，RFID 和条形码识别设备，光学和相机系统、智能相机等硬件设备。以汽车产业的零件制造过程为例，在边缘侧的温度、压力、振动等传感器可以采集生产过程数据，RFID 标签、条形码读码器等可以采集产品的ID唯一标识码，赋予生产与质量数据唯一标识。相机、光学系统以及承载二者的软硬件质量检测设备可以作为生产质量数据的“传感器”，完成生产过程和质量过程的数据收集，实现产品生产过程状态和质量检测状态的智能感知。

   在智能互联阶段，系统则是根据汽车工业以太网、蓝牙、OPC UA 与CAT 等技术，依托AI 分析中台，以数据库或数据湖的形态，实现数据互联。系统将各个设备、系统和部门进行连接和协同，实现设备间的信息共享和协同工作。

   智能决策是数字工厂中的最后环节，也是核心环节，是在智能感知和智能互联的基础上实现的。智能决策主要通过机器学习、深度学习等人工智能技术，对大量的数据进行分析和处理，从而做出最优决策，最后通过数据可视化平台进行数据展示，为生产提供方便快捷的管控方式。智能决策的作用主要在于提高制造业的效率，降低成本，优化生产流程，提高产品质量。通过智能决策，可以实现自动化生产、自适应生产等高效率生产方式，同时能够减少人为误差和废品率，提高产品的质量。此外，智能决策还可以预测生产的需求量和趋势，帮助企业制定科学的生产计划和资源配置方案，实现智能化的生产管理。

   智能感知、智能互联和智能决策是数字工厂中不可或缺的三个环节，相互结合，互通互联，使制造业在生产效率、质量、成本等方面实现飞跃。如图3 所示，汽车产业数字化生产检测一体化系统中，Mes 系统采集并联通生产与管理，对生产数据、业务数据、经营数据和绩效数据进行数据采集和整合，完成生产过程的感知与互联。在AI 大数据分析中，通过整合生产数据、质量数据、运营与管理数据等，完成统一化的数据存储、数据治理与资源调度，同时辅助了算法智能决策。AI 图像算法平台完成AI 质量检测深度学习模型的训练与管理工作，结合生产侧的质量检测设备，完成生产质量数据的实时采集工作。在生产过程中， AI 算法平台将算法模型所推理的质量数据同步输入AI 大数据中台，完成生产与质检的数据闭环工作。AI 数据分析中台通过已训练和部署的AI 算法模型辅助生产过程的决策，通过系统间的协作，对工厂进行工艺参数优化、预测性维护、资产数字化管理、质量趋势预警与根因定位等，从而实现汽车产业生产检测一体化的智能化工厂。

三、大数据与人工智能技术支撑下的汽车产业生产检测一体化数字工厂实践案例

   基于对制造业数字化体系的探索与研究，菲特公司依托自身产业，不断探索基于工业质检的新动能。菲特公司的目标是形成可复制、可推广的核心技术产品，并成为为制造业提供智能化解决方案的科技企业。目前，菲特智能制造应用方案已成功落地于汽车、化纤、医药、钢铁等多个行业，并为这些行业提供了关键的技术支持和赋能。

（一）汽车缸体加工车间智能工厂案例

   发动机缸体、变速箱壳体都是由高温、高压的铝压铸工艺制成的铝压铸件。压铸工艺过程复杂，涉及的专业知识较多。例如，模具或熔融金属温度不足、金属混有杂质、通气口太少、润滑剂太多等原因造成气孔、缩孔、热裂以及流痕等缺陷。此外，经过机加工后，汽车缸体表面可能会出现磕碰、划伤、刀纹等缺陷。压铸工艺的参数调优大量依赖资深专家，涉及专业领域众多，专业知识复杂，培训难度大，知识难以积累与传承。同时，由于传统压铸工艺的质量检测大量依赖人工质检，压铸工艺数据不闭环，质检数据未能与生产工艺数据对齐，实时性、真实性差，难以用于质量分析与工艺优化。压铸生产过程与设备调试大量依赖人工手动操作，问题解决响应慢，生产调整时间长。为了打通压铸生产的生产检测一体化全流程。菲特公司以在线智能质检系统替代人工，利用人工智能技术在计算机视觉上的优势，采用智能图像质检的方式在生产辊道上对缸体进行在线缺陷监测。如图4 左下部分，通过视觉检测工位、机械臂、工业相机和环形光源等设备，采集多角度图像，模拟人眼从不同角度进行缺陷检测，并使用AI 算法将多角度图像合成为更适合AI 目标检测算法识别的单张图像。然后根据缺陷图片与缺陷分类，使用结构优化的Swing Transformer Cascade Rcnn 深度学习模型对缸体外观缺陷进行检测。通过将深度学习模型部署到端侧硬件设备上实现实时的缸体缺陷检测，获取缸体检测数据，如缺陷的类别、尺寸、位置、分布、频率等关键属性。在生产工艺过程中，利用传感器与IOT 技术，获取生产环节压铸单元核心参数（图4 左上），如铝水温度、浇注速度和压力等。在此基础上，利用生产零件的生产批次、生产工艺参数、生产日期等信息，结合现场传感器采集的温度、湿度、压力等环境数据，利用Transformer 多模态模型，将这些数据与缸体检测结果进行综合分析，构建出缸体生产过程的全链条数据模型，并进行可视化展示。如图4 右侧所示，该项目应用了缸体监控可视化面板实现对生产过程的实时监测和控制，及时发现并修复生产中出现的问题，以提高生产效率和产品质量。

图4 压铸工艺以及质检设备与优化结果

（二）汽车总装车间底盘检测智能工厂案例

   2020 年，中国汽车累计产量为2522.5 万辆，汽车累计销量为2531.1 万辆；共发生召回事件195 次，涉及车辆约671.4 万辆，其中约9%是因为人工目检导致的问题遗漏；一旦发生召回，对企业将造成难以估量的经济和声誉影响。

图5 底盘检测点位数据

   针对底盘工位人工目检所存在的问题，菲特公司结合总装底盘检测与生产过程，依托菲特AI 图像算法平台与大数据中台，结合用户现场MES 生产管理系统，构建了智能化AI 质检生产一体化系统。该系统运用AI 机器视觉技术实现了7×24h 持续检测，减少了生产线上人工干预比例，降低人力成本，提高了生产效率。利用AI 大数据中台大屏看板，从底盘/复合工位来呈现AI 质检的操作统计，高效、实时、多维度的报表降低了Excel 方式人工数据报表带来的滞后、耗时问题。同时，采用定制化智能相机加AI 算法平台的视觉质检方式来自动完成底盘的质量检测,为生产过程的质量检测、质量报警、质量分析、装配分析提供有力支撑。

   系统软硬件层级，在设备层，首先由生产现场传感器控制车辆定位，扫码枪获取当前车辆唯一ID，后由机械臂搭载、光源、相机采集生产数据。相关数据会传入数据存储基础设施层，包括存储服务器和训练服务器。而后由检验人员利用AI 图像算法平台，进行缺陷检验与数据标注。针对已有的标注数据集，菲特AI 图像算法平台提供多种标准AI 质检模型算法，如YOLO 系列算法、Faster-RCNN 系列算法、Cascade-RCNN 系列算法和基于Transformer的算法等多种主流算法模型。并针对特定数据集利用多种改进方案，来满足模型训练精度要求。经过训练过的AI 模型，会发送到生产现场的检测设备端，结合应用层的班次信息、车辆预置信息等相关生产配置，完成底盘质检的实时检测，并将检测结果汇总发布至实时大屏。相关数据同步存储至数据库或发送至MES 系统、AI 大数据分析中台系统。当发生错漏装报警或设备报警时，相关报警数据会以日志形式保留。同时，错漏装报警会以短信形式发送至相关用户端以及设备层，也会利用相关设备发布报警信息，如广播、三色报警灯等。

   与此同时，为了提升算法系统的精确性，检验人员对检测结果进行人工校验，将差异信息、模型预标注结果及图片信息记录到系统中。相机质检结果可作为模型预标注结果，以降低人工标注量。经过一定时间的偏差数据积累后，菲特AI 质检系统会将积累数据导入训练引擎，再次进行AI 模型训练与部署以持续更新完成模型迭代优化，完成整个过程闭环。相关质量数据汇总至AI 大数据分析中台，结合装配数据，完成大屏展示，如图6 所示。

图6 底盘检测数字大屏

   该项目运用总装视觉技术，实现了装配检测自动化，涉及168 点零件，底盘工位201 项需求，检测项可实现全部自动化检测，减少人工目检工时达210.5s。