写点什么

让机器成为“先知”,百度飞桨工业异常检测智能化应用实践

  • 2022-12-28
    北京
  • 本文字数:3619 字

    阅读完需:约 12 分钟

让机器成为“先知”,百度飞桨工业异常检测智能化应用实践

工业智造如何实现新范式?


在信润富联的一间实验室中, CTO 冯建设正在与研发部的同事探讨“精密制造在线异常监测系统” MachineProphet 的测试效果。结果让冯建设的技术团队兴奋不已:


这款最新研发的智能冲压检测系统上线测试各项指标表现优异,可实现最高 1000SPM(Stroke Per Minute,每分钟加工次数)下的生产过程异常监测,最小 0.1ⅹ0.1ⅹ0.02 mm 体积的异物检出,漏检率≤0.01%,与全球知名的精密测量厂商方案相比,故障预测准确率提升 120%,安装和维护成本降低 50%以上。


作为现代制造业最常见的金属部件加工方法,冲压加工主要靠压力机和模具对板材等金属材料施加外力,使之产生塑性变形或者分离,从而获得所需零件,即为冲压件。


例如,在汽车制造业,一辆轿车要经由冲压、焊装、涂装、总装几道工序流程,才能最终生产出一辆完整的汽车,而生产出来的一辆整车有 70%(约 1500 个)的金属部件是冲压件,包括了车身外观、主体结构、以及弹簧座和油缸等零部件,因此,冲压作为整车生产的第一道工序,其工件的良品率会影响后续环节的生产进度和整车质量。


据统计,中国每年生产 2800 万吨冲压件,市场销售额达 4000 亿。随着生产规模化及高效率成为制造业大势所趋,随之而来模具大型化、工艺复杂度增加,以及冲压产品质量难保障等问题,都对生产制造构成了巨大挑战。

冲压加工批量异常造成大额亏损,一月几单客诉,该如何是好?

主流的工业界通常采用后道工业质检进行工件检测,但这种方法因事后人工检测存在弊端,无法及时发现生产过程的异常。当面对现代工厂高频次多工序制造,一旦故障发生,特别是批量异常,不仅会带来巨大成本损失,还会严重损坏机器设备。比如,某制造业龙头企业每台设备成本损失每天约千元,因异常无法及时发现导致的修模或模具报废每台设备每年达几十次。


更为棘手的是,如果存在一定漏检,还会引起大的客诉问题,影响下游客户的生产质量。尤其是一些汽车零部件厂商往往面对着如奔驰、宝马、克莱斯勒、特斯拉等非常强势的汽车主机厂,如果一个月有一单客诉,就需要对整批生产订单进行逐级件质量排查,极大影响生产效率;若持续两单以上客诉,其供应商可能面临评级下调甚至丢单的风险。


因此,及时发现早期生产异常,保证所交付的产品质量,对上游零部件厂商来说尤为关键, 这进一步使得制造业工厂对生产过程的实时化、精细化监控要求越来越严格。

飞桨帮助工业冲压检测更精准

基于对工业场景和冲压加工痛点的深刻洞察,信润富联的研发团队认为,随着“单机高质量制造和集群精细化管理”成为金属精密加工制造行业的普遍需求,在加工生产过程中及时发现早期的微弱异常,才能避免异常带来的产品质量、用料成本、设备故障等问题,从而有效提升生产制造智能化水平。


为此,信润富联历经八个多月的研发,开发了一款面向汽车零部件制造场景的精密制造在线异常监测系统 MachineProphet ,该系统基于信润富联自研的高精度传感器、多模态信号融合技术,借助飞桨深度学习平台中的 PaddleTS 套件,实现了对精密制造过程异常的智能在线监测。


之所以选择飞桨平台中的 PaddleTS ,源于其算法的领先性和解决工程问题的实用性。 PaddleTS 是飞桨平台中的一款开源时序建模算法库,这套算法通过提供一系列先进的基于深度学习技术的时序建模算法及相关组件,涵盖时序预测和时序异常检测两大核心场景,可以实现对设备更精准的识别与检测。目前 PaddleTS 无论是在时序建模功能的丰富度,还是在集成的时序算法数量、端到端执行效率上,都远远领先于国内外同类的开源时序产品,被称为“国产时序预测王者”。


这里延伸一个时序的概念,时序全称为时间序列,是按照时间发生的先后顺序进行排列的数据点序列,多应用于各行业的场景预测。例如,通过时序预测,零售企业可以准确预测产品销量,电网企业可以准确预测发电量,制造企业能提前预测生产设备故障,新能源车企能实时预测电池电量与寿命,金融领域还可以预测利率、股票等走势。


在研发团队没有应用飞桨 PaddleTS 之前,信润富联的技术专家拿到数据后,会做一些基础性时序特征分析,进行异常检测尝试,并将其画成工程图,这部分的工作量非常大,但放在 PaddleTS 里后,就能进行流水线式的设计和执行,这样大大节省了人力,提高了开发效率。


信润富联利用该项关键技术打造的 “冲压过程智能监控系统”、“冲压设备集群智能管控系统”等系列产品已在上汽恺博、美的集团等制造业头部企业完成商业交付落地。


信润富联 CTO 冯建设介绍到,当现场有异常发生时,Machine Prophet 能快速识别检测并报警变红,显示到监测屏幕上,操作人员便可根据情况执行停机指令,避免产品的批次报废现象发生;同时,系统还将识别异常系统和现场维修系统集成到一起,可以对异常初步分析,将消息推送给对应的维护系统,完成智能维修处理。



MachineProphet 工业现场运行示意图

将超生波传感器与飞桨算法深度融合

Machine Prophet 一大技术亮点是自研的高精度传感器。此款传感器由信润富联自主研发并经过实验室和多个工业场域的技术验证,其在智能感知方面的边缘传感器技术水平受到业内认可。


冯建设曾是美国辛辛那提大学智能维护系统中心博士,研究方向是工业智能与预测性维护,冯建设博士透露,传感器研制及应用是一次多学科技术跨界融合创新的结晶。得益于前期的学术研究,信润富联研发团队从航天工程结构健康监测中声表面波((Surface Acoustic Wave ,SAW ) 的应用得到灵感启发,经过大量的实验研究与算法优化,研发出基于超声/声发射信号的生产加工过程监测和故障诊断技术,成功打破国外技术垄断,并将超声信号与振动、温度、油液等多维数据源相结合,实现多模态融合建模,极大地提升了模型的准确度及可解释性。


整个研发过程存在不少波折,但对冯建设而言,更多是解决实际工程难题的兴奋感:“智能传感及物联等关键技术的研究只是整个系统方案设计的地点。一方面,智能传感技术的研究是实现了对弱异常信号的有效捕捉,但是信号本身太微弱了,必须做降噪、自适应滤波、时频分析等大量的高阶信号处理操作来实现信号特征增强;另一方面,生产制造本身是一个动态过程,而异常产生具有随机性,此时就需要借助 AI 的力量,我们基于百度 PaddleTS 建模进行时序异常处理。正是有了弱异常的精准感知与捕捉场景化的故障特征增强技术、以及人工智能算法的建模分析, 我们才最终研发生产出这一款能够满足客户现场精密加工需求的产品。”



信润富联基于自研传感器开发的智能监测系统实验样机

深耕工业场景,提升数字工厂的智能水平

当提及开发过程中遇到的困难时,冯建设觉得,难题不在 AI,也不在算法本身。 在他看来,算法设计本身有一个相对标准化的过程,但是如何将业务转化成一个被执行的工程问题并能得到有效解决才是算法工程师更应关注的问题。比如,如何获取有效数据?模型上线之后如何保证模型在动态环境下具有持续的高性能表现?产品落地成本及带来的价值如何?这些问题都可能影响到方案的最终落地。


冯建设说,“算法给我们指明一个可能的解决方向,剩下的工作都是围绕算法,把所有需要花团紧簇的部分,下面的绿叶、花盆、桌子、板凳都处理好,才能够给客户呈现一个最终完美的结果。”


冯建设博士出身工科,从本科开始先后从事机械工程、机电工程、工业工程、工业智能等专业方向,拥有丰富的工业智能、预测性维护等技术研究及应用实践经验。2019 年,冯建设回国工作,开始参与信润富联筹建。


2020 年 7 月,信润富联在深圳成立,由中信集团、华润集团、工业富联联手创建,公司创立之初就聚焦打造代表制造业最高水平的灯塔工厂及赋能行业数字化转型的工业智能解决方案。其中,2019 年底,信润富联帮助全球最大的铝制底盘零件供应商中信戴卡打造了中国汽车铝制品加工行业的第一座灯塔工厂,也是河北省的第一座灯塔工厂,在汽车制造行业打造了一个标杆案例。



中信戴卡生产车间


精密制造在线异常检测平台本质上是解决精密制造如何在过程中提升生产能力、提高产品质量的现实性问题。冯建设博士进一步解释,该问题具备普适性。由于汽车零部件冲压加工是一个典型的动态加工控制不同阶段参数调整的过程,除了冲压工艺之外,注塑,焊接、挤压、半导体封装等其他精密加工场景中均存在类似的精准控制与动态调优的诉求。 基于飞桨 PaddleTS 开发的系统异常检测能力,不仅能在汽车制造行业大显身手,也能应用到风电设备运行、母线负荷预测系统、风功率预测、设备状态检测和故障预警、水质监测等其他众多工业场景中。


MachineProphet 智能监测方案也正加速在这些典型的行业场景中深耕落地。谈到 MachineProphet 产品的未来规划,冯建设博士指出,如何更好的提升数字工厂的整体化智能水平,是 MachineProphet 下一个版本的核心


“随着生产在线监控、设备预测性维护等单点智能的场景化落地,越发证明机器学习、深度学习等 AI 技术对智能制造能力提升具有巨大价值。这些单点智能如同 Pilot Study 在各个场景下的开花结果,会进一步驱动智慧工厂逐步从单机深度智能走向群集广度智能,实现智能运维、生产、质量等环节的深度结合。”

2022-12-28 18:402592
用户头像
刘燕 InfoQ高级技术编辑

发布了 1010 篇内容, 共 374.5 次阅读, 收获喜欢 1769 次。

关注

评论

发布
暂无评论
发现更多内容

设计模式详解——设计模式初识

贤子磊

Java 设计模式

第一周作业

Jam

架构师训练营第一期——第一周作业

tao

UML

架构师训练营第一周学习总结

张荣召

训练营第一周总结

大脸猫

Week1-UML练习-食堂就餐卡系统设计

Geek_michael

爬虫——xpath、peewee和Selenium

菜鸟小sailor 🐕

架构师训练营 - 第 9 周学习总结

红了哟

架构1期-第一周心得

Senble

极客大学架构师训练营

架构师训练营第1期第一周总结

Leo乐

极客大学架构师训练营

Intellj idea无法打开|Error opening zip file or JAR manifest missing

吉极客

经验分享 IntelliJ IDEA

第一周总结

Jam

就餐卡系统UML设计(作业)

胡家鹏

学习

作业二-软件架构的简单思考

泡泡

测试

xxx

训练营大作业

Jam

第二周总结

Jam

架构师训练营 01 周 -- 学习总结

骏马

极客大学架构师训练营

第一周作业 2——设计文档总结

dll

极客大学架构师训练营

架构师训练营Week1作业1

lucian

极客大学架构师训练营

第一周学习总结

熊桂平

学习 极客大学架构师训练营

架构师训练营第一期——第一周总结

tao

课程总结

第一周作业

华美而火锅

第二周作业

Jam

第一周作业1——食堂就餐卡系统设计

dll

极客大学架构师训练营

UML学习笔记

胡家鹏

学习 极客大学架构师训练营

架构师训练营 - 第 9 周命题作业

红了哟

第一周 架构方法 学习笔记

应鹏

学习 极客大学架构师训练营

双非渣硕,开发两年,苦刷算法47天,四面字节斩获offer

Java 程序员 面试 算法 工程师

训练营第一周作业

大脸猫

架构师训练营第1期第1周学习总结

好吃不贵

极客大学架构师训练营

让机器成为“先知”,百度飞桨工业异常检测智能化应用实践_AI_百度飞桨团队_InfoQ精选文章