大数据技术在制造业的具体应用

曹辉

今天我主要跟大家分享三个应用，这三个应用是我们在制造领域里声音识别、视觉识别、机器学习相关的内容。

先看一下对于制造业大数据发展的认知，有两个维度：第一，技术的维度；第二，应用场景的维度。支撑这两个维度有数据标准建设、数据集成共享和数据挖掘应用。在很多传统制造型企业里，数字化过程基本上已经完成了，但能实现网络化的企业并不多。从网络化的角度来看，包括纵向集成、横向集成、端到端的集成，所带来的改变实际上就是我们看到的设计工艺的协同，包括供应链的优化。目前，像海尔、上汽、一汽大众等企业能实现网络化。但是从智能化的角度来看，能全面实现智能化的企业，在国内基本上都是呈点状分布。从数据标准建设到集成共享再到数据挖掘应用，最核心的还是围绕数据应用开展工作，因为只有那一部分是我们未来价值最大的一部分，能全面提升制造工艺检测以及系统整体优化。

基于发展阶段的认知，我们找了案例给大家做一个简单的介绍。

第一个是在汽车企业做的基于视觉与数据挖掘表面检测和工艺优化。汽车门板，包括挡风板，都是一次冲压成型，一次冲压成型过程中会产生局部的裂纹，要对参数进行调试，在冲压机床上，要进行不断的试验才能保证在整个冲压过程中的成品次品率降低。最后，还有十几个工人要对冲压的产品进行人工检测。

我们的解决方案分为两部分：第一部分是基于机器学习的数据挖掘来实现整个冲压工艺的优化，得到预测模型，预测整个工艺里面数据的参数特征。第二部分是做检测，对工艺做了优化以后，后续对于生产出来的每一件产品要做检测。从检测的角度上来看，实际上我们需要解决的问题就是替代人工，基本上都是基于视觉聚类或者视觉机器学习的算法和模型来解决这方面的问题。

这里面有几个关键技术需要解决，第一个关键技术是图像预处理技术，在整个检测过程中非常重要。我们要对拍摄到的数据进行相应的滤波前和滤波后处理。第二项关键技术是计算最佳阈值。第三项关键技术是图像閾值化。第四项关键技术是剔除干扰区，否则干扰区的数据拿到模型上去计算，最后得到的检测结果是非常不准确的，对整个产品来说是非常致命的。最后一项关键技术就是位置的标识，我们拍到缺陷以后，对位置的标识必须通过算法和模型定位出来，这样才能在后续的修补或者返工过程中，知道在哪个环节上可以快速修订。

对于整体的数据采集，从设备的参数来说，材料的参数以及模具的情况，大家能看到实时系统所采集的数据，可能还要做信号处理。针对于材料和模具这块，把它替换成两类，一类正样板存储，一类负样板存储，通过将系统里的数据和MES系统进行融合，融合以后对数据进行相应的校验，把数据带入模型去训练，模型的训练是整个环节中的倒数第二个环节，模型训练完成以后要做整个模型的验证， 99%以上的模型能检测到效果，才会整体上线。最终结果的展示，基于视觉的检测技术以及开裂预算模型，能够对冲压开裂情况进行预测，并且能对每一个生产出来的一字板做相应的检测，最后做出的效果还是非常不错的。

我们在整个制造行业去做更深入的应用时，我们会更加坚信，实际上智能制造不光是要做机器人，或者要做无灯工厂，实际上我们更要智能地去控制这些机器人，智能地去控制生产结果。

第二个案例，我们再看一下用耳朵听的。我们给一个家电企业做了基于智能噪声识别的产品装调，要解决什么核心问题？这个企业目前拥有国内唯一的空调噪音房检测生产线，两条生产线配备六个噪音房，噪音房的作用是在每一个空调下线之前会进行噪音检测，来判断噪音是否在合理范围之内。实际上现有噪音房的系统解决方案已经能够判别出噪音，但实际上有一个很大的问题，摩擦和振动产生的很微小的声音在白天开空调的时候对人没有任何影响，但在晚上会给睡眠带来很大影响。我们的解决方案就是把整个过程中的声音录下来，通过加装麦克风和采集设备把声音录下来，然后通过模型来识别声音、训练声音，让模型去找到类似于摩擦共振的声音。

这里面也用到了几项核心技术，第一个就是采用了噪声的降噪，这是很关键的，因为整个工厂里面还有很多外部的噪音，包括噪音房在关闭舱门之前会有外部的声音纳入，所以必须把这部分声音剔除掉。第二个是对于端点的检测，空调在启动的一瞬间，我们要找到这个点才知道这个点以后的声音是空调的声音。我们提取一些特征，最后通过人工智能的算法去学习相关的声音特征，学习以后去判断。

最后简单介绍一下公司。美林数据是国内工业大数据的领导企业，致力于工业大数据的落地，我们现在也承担了国家发改委的大数据算法与分析国家实验室的工作，我们也有自己的数据研发中心，现在大概有十多类专利算法，尤其在军工领域里面得到很广泛的应用，我今天跟大家的分享就到这里。

（根据演讲内容整理，未经本人审核）